論文の概要: Reading Between the Lines: Modeling User Behavior and Costs in
AI-Assisted Programming
- arxiv url: http://arxiv.org/abs/2210.14306v1
- Date: Tue, 25 Oct 2022 20:01:15 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-27 16:11:12.344449
- Title: Reading Between the Lines: Modeling User Behavior and Costs in
AI-Assisted Programming
- Title(参考訳): ライン間の読書:AI支援プログラミングにおけるユーザ行動とコストのモデリング
- Authors: Hussein Mozannar, Gagan Bansal, Adam Fourney, Eric Horvitz
- Abstract要約: 私たちはGitHub Copilotを研究し、AIコード補完システムに共通する12のプログラマアクティビティの分類であるCUPSを開発した。
3000以上のラベルインスタンスを分析し、結果をタイムラインとステートマシンで視覚化し、プログラマとCodeRecのインタラクションをプロファイルします。
- 参考スコア(独自算出の注目度): 36.270310963941434
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: AI code-recommendation systems (CodeRec), such as Copilot, can assist
programmers inside an IDE by suggesting and autocompleting arbitrary code;
potentially improving their productivity. To understand how these AI improve
programmers in a coding session, we need to understand how they affect
programmers' behavior. To make progress, we studied GitHub Copilot, and
developed CUPS -- a taxonomy of 12 programmer activities common to AI code
completion systems. We then conducted a study with 21 programmers who completed
coding tasks and used our labeling tool to retrospectively label their sessions
with CUPS. We analyze over 3000 label instances, and visualize the results with
timelines and state machines to profile programmer-CodeRec interaction. This
reveals novel insights into the distribution and patterns of programmer
behavior, as well as inefficiencies and time costs. Finally, we use these
insights to inform future interventions to improve AI-assisted programming and
human-AI interaction.
- Abstract(参考訳): copilotのようなai code-recommendation systems(coderec)は、任意のコードを提案および自動補完することで、ide内のプログラマを支援する。
これらのAIがプログラミングセッションでプログラマをどのように改善するかを理解するためには、プログラマの振る舞いにどのように影響するかを理解する必要がある。
進歩するために、GitHub Copilotを研究し、AIコード補完システムに共通する12のプログラマアクティビティの分類であるCUPSを開発した。
次に、コーディングタスクを完了した21人のプログラマを対象に調査を行い、ラベリングツールを使用してセッションをCUPSで振り返ってラベル付けしました。
3000以上のラベルインスタンスを分析し、結果をタイムラインとステートマシンで視覚化し、プログラマとCodeRecのインタラクションをプロファイルします。
これはプログラマの振る舞いの分布とパターン、そして非効率性と時間的コストに関する新しい洞察を明らかにする。
最後に、これらの洞察を使って将来の介入を知らせ、AI支援プログラミングと人間とAIのインタラクションを改善する。
関連論文リスト
- Charting a Path to Efficient Onboarding: The Role of Software
Visualization [49.1574468325115]
本研究は,ソフトウェアビジュアライゼーションツールを用いたマネージャ,リーダ,開発者の親しみやすさを探求することを目的としている。
本手法は, 質問紙調査と半構造化面接を用いて, 実践者から収集したデータの量的, 質的分析を取り入れた。
論文 参考訳(メタデータ) (2024-01-17T21:30:45Z) - PwR: Exploring the Role of Representations in Conversational Programming [17.838776812138626]
PwR(Programming with Representations)は、自然言語でシステムの理解をユーザに伝えるために表現を使用する手法である。
その結果,表現は理解可能性を大幅に向上させ,参加者の間にエージェンシーの感覚を植え付けることができた。
論文 参考訳(メタデータ) (2023-09-18T05:38:23Z) - Collaborative, Code-Proximal Dynamic Software Visualization within Code
Editors [55.57032418885258]
本稿では,コードエディタに組み込むソフトウェアビジュアライゼーション手法の設計と実装について紹介する。
私たちのコントリビューションは、ソフトウェアシステムの実行時の動作の動的解析を使用するという点で、関連する作業と異なります。
私たちの視覚化アプローチは、一般的なリモートペアプログラミングツールを強化し、共有コード都市を利用することで協調的に使用できます。
論文 参考訳(メタデータ) (2023-08-30T06:35:40Z) - Communicative Agents for Software Development [79.86905471184195]
ChatDevはチャットを利用した仮想ソフトウェア開発会社で、確立したウォーターフォールモデルを反映している。
各ステージは、プログラマ、コードレビュアー、テストエンジニアといった"ソフトウェアエージェント"のチームが参加し、協調的な対話を促進する。
ChatDevは潜在的な脆弱性を特定し、信頼できる効率とコスト効率を維持しながら幻覚を正す。
論文 参考訳(メタデータ) (2023-07-16T02:11:34Z) - When to Show a Suggestion? Integrating Human Feedback in AI-Assisted
Programming [30.866534708838167]
私たちは、GitHub Copilotと対話するプログラマの事前データを活用して、プログラマの時間を節約できる介入を開発しています。
本稿では,プログラマとのインタラクションをモデル化し,どの提案を表示するかを決定するユーティリティ理論フレームワークを提案する。
論文 参考訳(メタデータ) (2023-06-08T04:24:24Z) - "It's Weird That it Knows What I Want": Usability and Interactions with
Copilot for Novice Programmers [5.317693153442043]
本稿では,このようなコード自動生成ツールであるGithub Copilotを用いて,学生を入門レベルで観察する最初の研究について述べる。
我々は,この技術の学習におけるメリットと落とし穴に対する学生の認識を探求し,新たに観察された相互作用パターンを提示し,学生が直面する認知的・メタ認知的困難を議論する。
論文 参考訳(メタデータ) (2023-04-05T15:07:50Z) - From Copilot to Pilot: Towards AI Supported Software Development [3.0585424861188844]
我々は、CopilotのようなAIをサポートするコード補完ツールの限界を研究し、この分野でAIをサポートするコード補完ツールの分類を理解するための分類を提供する。
次に、CopilotのようなAIをサポートするコード補完ツールの現在の境界を決定するために、さらなる調査を行います。
我々は、私たちの分類学における設計レベルの抽象化に到達するために、AIをサポートするコード補完ツールの今後の開発に関する課題について、議論することで締めくくります。
論文 参考訳(メタデータ) (2023-03-07T18:56:52Z) - Self-Improving Robots: End-to-End Autonomous Visuomotor Reinforcement
Learning [54.636562516974884]
模倣と強化学習において、人間の監督コストは、ロボットが訓練できるデータの量を制限する。
本研究では,自己改善型ロボットシステムのための新しい設計手法であるMEDAL++を提案する。
ロボットは、タスクの実施と解除の両方を学ぶことで、自律的にタスクを練習し、同時にデモンストレーションから報酬関数を推論する。
論文 参考訳(メタデータ) (2023-03-02T18:51:38Z) - Giving Feedback on Interactive Student Programs with Meta-Exploration [74.5597783609281]
ウェブサイトやゲームのようなインタラクティブなソフトウェアを開発することは、特にコンピュータ科学を学ぶための魅力的な方法である。
標準的アプローチでは、インストラクターは、学生が実装した対話型プログラムを手動で評価する必要がある。
Code.orgのような何百万ものオンラインプラットフォームは、インタラクティブなプログラムを実装するための代入に関するフィードバックを提供することができない。
論文 参考訳(メタデータ) (2022-11-16T10:00:23Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。