論文の概要: End-to-End Software Construction using ChatGPT: An Experience Report
- arxiv url: http://arxiv.org/abs/2310.14843v1
- Date: Mon, 23 Oct 2023 12:08:23 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-24 20:27:20.573960
- Title: End-to-End Software Construction using ChatGPT: An Experience Report
- Title（参考訳）: ChatGPTを用いたエンドツーエンドソフトウェア構築:経験報告
- Authors: Mauricio Monteiro, Bruno Castelo Branco, Samuel Silvestre, Guilherme
Avelino, Marco Tulio Valente
- Abstract要約: エンド・ツー・エンドのソフトウェア構築の特定の文脈におけるLarge Language Models (LLM)の適用について検討する。
同様のコンテキストで開発者が使用できるプロンプトの4つのカテゴリを文書化します。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In this paper, we explore the application of Large Language Models (LLMs) in
the particular context of end-to-end software construction, i.e., in contexts
where software developers have a set of requirements and have to design,
implement, test, and validate a new software system. Particularly, we report an
experiment where we asked three software developers to use ChatGPT to fully
implement a Web-based application using mainstream software architectures and
technologies. After that, we compare the apps produced by ChatGPT with a
reference implementation that we manually implemented for our research. As a
result, we document four categories of prompts that can be used by developers
in similar contexts, including initialization prompts, feature requests,
bug-fixing, and layout prompts. Additionally, we discuss the advantages and
disadvantages of two prompt construction approaches: top-down (where we start
with a high-level description of the target software, typically in the form of
user stories) and bottom-up (where we request the construction of the system
feature by feature).
- Abstract（参考訳）: 本稿では,大規模言語モデル(LLM)をエンド・ツー・エンドのソフトウェア構築の特定の文脈,すなわちソフトウェア開発者が要件セットを持ち,新しいソフトウェアシステムを設計,実装,テスト,検証しなければならない状況において適用することを検討する。
特に,3人のソフトウェア開発者がChatGPTを使用して,主要なソフトウェアアーキテクチャと技術を使用したWebベースのアプリケーションを完全に実装する実験を報告した。
その後、ChatGPTが作成したアプリと、我々の研究のために手作業で実装したリファレンス実装を比較した。
その結果,初期化プロンプト,機能要求,バグフィックス,レイアウトプロンプトなど,開発者が同じような状況で使用できる4つのカテゴリのプロンプトを文書化した。
さらに、トップダウン(通常はユーザストーリーの形で、ターゲットソフトウェアを高レベルに記述することから始める)とボトムアップ(機能によってシステム機能の構築を要求する)という、2つの迅速な構築アプローチの利点とデメリットについても論じます。
関連論文リスト
- Interlinking User Stories and GUI Prototyping: A Semi-Automatic LLM-based Approach [55.762798168494726]
グラフィカルユーザインタフェース(GUI)のプロトタイプにおいて,機能的NLベースの要求の実装を検証するための新しい言語モデル(LLM)ベースのアプローチを提案する。
提案手法は,GUIプロトタイプに実装されていない機能的ユーザストーリの検出と,要件を直接実装する適切なGUIコンポーネントのレコメンデーションを提供することを目的としている。
論文 参考訳（メタデータ） (2024-06-12T11:59:26Z) - Empirical Study of Large Language Models as Automated Essay Scoring
Tools in English Composition__Taking TOEFL Independent Writing Task for
Example [25.220438332156114]
本研究では,大規模言語モデルの顕著な代表者であるChatGPTの機能と制約を評価することを目的とする。
本研究はChatGPTを用いて,小さなサンプルサイズであっても,英語エッセイの自動評価を行う。
論文 参考訳（メタデータ） (2024-01-07T07:13:50Z) - Guiding ChatGPT to Fix Web UI Tests via Explanation-Consistency Checking [5.991964606007937]
Web UIテストの既存のテクニックは、古いものと一致する新しいWebページのターゲット要素を見つけることに重点を置いており、対応する壊れたステートメントを修復することができる。
本稿では,初期局所マッチングに Web UI の事前修復技術を用いて,ChatGPT を用いてグローバルマッチングを行う可能性について検討する。
本稿では,ChatGPTで強化した手法により,既存のWebテスト修復手法の有効性が向上したことを示す。
論文 参考訳（メタデータ） (2023-12-10T05:55:19Z) - Eliciting Human Preferences with Language Models [56.68637202313052]
言語モデル(LM)は、ラベル付き例や自然言語のプロンプトを使用してターゲットタスクを実行するように指示することができる。
タスク仕様プロセスのガイドには*LM自身を使うことを提案します。
我々は、メール検証、コンテンツレコメンデーション、道徳的推論の3つの領域でGATEを研究している。
論文 参考訳（メタデータ） (2023-10-17T21:11:21Z) - Exploring the Potential of Large Language Models to Generate Formative
Programming Feedback [0.5371337604556311]
計算機教育者や学習者のための大規模言語モデル(LLM)の可能性を探る。
これらの目的を達成するために、我々はChatGPTの入力としてCS1コース内で収集されたデータセットから学生のプログラミングシーケンスを使用した。
その結果,ChatGPTはプログラミングの入門タスクや学生の誤りに対して合理的に機能することがわかった。
しかし、教育者は、初心者向けの誤解を招く情報を含むことができるため、提供されたフィードバックの使い方に関するガイダンスを提供する必要がある。
論文 参考訳（メタデータ） (2023-08-31T15:22:11Z) - ChatGPT Beyond English: Towards a Comprehensive Evaluation of Large
Language Models in Multilingual Learning [70.57126720079971]
大規模言語モデル(LLM)は、自然言語処理(NLP)において最も重要なブレークスルーとして登場した。
本稿では,高,中,低,低リソースの37言語を対象として,ChatGPTを7つのタスクで評価する。
従来のモデルと比較すると,様々なNLPタスクや言語に対するChatGPTの性能は低下していた。
論文 参考訳（メタデータ） (2023-04-12T05:08:52Z) - ChatPipe: Orchestrating Data Preparation Program by Optimizing
Human-ChatGPT Interactions [17.730203129078255]
ChatPipeは、ユーザとChatGPT間のシームレスなインタラクションを容易にするように設計された、新しいシステムである。
ChatPipeは、次のデータ準備操作に対して効果的なレコメンデーションを提供し、ChatGPTをガイドしてオペレーションのプログラムを生成する。
われわれはChatPipe用のWebアプリケーションを開発し、Kaggleから現実のMLタスクを複数用意した。
論文 参考訳（メタデータ） (2023-04-07T08:33:08Z) - Conversational AI-Powered Design: ChatGPT as Designer, User, and Product [0.0]
本研究では,人間中心の設計プロセスにおけるChatGPTの機能について検討する。
この目的のために、ChatGPTを利用してペルソナを生成し、架空のユーザとのインタビューをシミュレートし、新しいデザインアイデアを作成し、使用シナリオをシミュレートし、ユーザエクスペリエンスを評価する仮説設計プロジェクトが行われた。
論文 参考訳（メタデータ） (2023-02-15T00:14:17Z) - A Multitask, Multilingual, Multimodal Evaluation of ChatGPT on
Reasoning, Hallucination, and Interactivity [79.12003701981092]
8種類の共通NLPアプリケーションタスクをカバーする23のデータセットを用いてChatGPTの広範な技術的評価を行う。
これらのデータセットと、新たに設計されたマルチモーダルデータセットに基づいて、ChatGPTのマルチタスク、マルチリンガル、マルチモーダルの側面を評価する。
ChatGPTの精度は平均63.41%で、論理的推論、非テキスト的推論、コモンセンス推論の10の異なる推論カテゴリで正確である。
論文 参考訳（メタデータ） (2023-02-08T12:35:34Z) - X2T: Training an X-to-Text Typing Interface with Online Learning from
User Feedback [83.95599156217945]
ユーザがキーボードを操作できないが、他の入力を供給できる、補助型タイピングアプリケーションに焦点を当てる。
標準メソッドは、ユーザ入力の固定データセット上でモデルをトレーニングし、そのミスから学ばない静的インターフェースをデプロイする。
このようなインターフェースが時間の経過とともに改善されるようなシンプルなアイデアを,ユーザによる最小限の努力で検討する。
論文 参考訳（メタデータ） (2022-03-04T00:07:20Z) - Mining Implicit Relevance Feedback from User Behavior for Web Question
Answering [92.45607094299181]
本研究は,ユーザ行動と通過関連性との関連性を検討するための最初の研究である。
提案手法は,追加のラベル付きデータを使わずにパスランキングの精度を大幅に向上させる。
実際にこの研究は、グローバルな商用検索エンジンにおけるQAサービスの人為的ラベリングコストを大幅に削減する効果が証明されている。
論文 参考訳（メタデータ） (2020-06-13T07:02:08Z)
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。