論文の概要: High Expectations: An Observational Study of Programming and Cannabis
Intoxication
- arxiv url: http://arxiv.org/abs/2402.19194v1
- Date: Thu, 29 Feb 2024 14:26:05 GMT
- ステータス: 処理完了
- システム内更新日: 2024-03-01 14:33:22.989316
- Title: High Expectations: An Observational Study of Programming and Cannabis
Intoxication
- Title(参考訳): 高期待: プログラミングと大麻中毒の観察的研究
- Authors: Wenxin He, Manasvi Parikh, Westley Weimer, Madeline Endres
- Abstract要約: 一部のプロフェッショナルは、仕事関連のタスクでもプログラミングしながら、定期的に大麻を使用します。
大麻のプログラミングへの影響は様々であり、しばしば矛盾する。
本稿では,大麻がプログラミング能力に与える影響について,初めて制御された観察的研究を行った。
- 参考スコア(独自算出の注目度): 10.628808257929627
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Anecdotal evidence of cannabis use by professional programmers abounds.
Recent studies have found that some professionals regularly use cannabis while
programming even for work-related tasks. However, accounts of the impacts of
cannabis on programming vary widely and are often contradictory. For example,
some programmers claim that it impairs their ability to generate correct
solutions while others claim it enhances creativity and focus. There remains a
need for an empirical understanding of the true impacts of cannabis on
programming. This paper presents the first controlled observational study of
the effects of cannabis on programming ability. Based on a within-subjects
design with over 70 participants, we find that at ecologically valid dosages,
cannabis significantly impairs programming performance. Programs implemented
while high contain more bugs and take longer to write (p < 0.05), a small to
medium effect (0.22 <= d <= 0.44). We also did not find any evidence that high
programmers generate more divergent solutions. However, programmers can
accurately assess differences in their programming performance (r = 0.59), even
when under the influence of cannabis. We hope that this research will
facilitate evidence-based policies and help developers make informed decisions
regarding cannabis use while programming.
- Abstract(参考訳): プロのプログラマが使う大麻の逸話的な証拠。
近年の研究では、仕事関連のタスクでもプログラミング中に定期的に大麻を使用するプロもいる。
しかし、大麻のプログラミングへの影響は様々であり、しばしば矛盾する。
例えば、正しいソリューションを生成する能力に障害があると主張するプログラマもいれば、創造性と集中力を高めると主張するプログラマもいる。
大麻がプログラミングに与える影響を実証的に理解する必要がある。
本稿では,大麻がプログラミング能力に与える影響について,初めて制御された観察的研究を行った。
70人以上の参加者を持つオブジェクト内設計に基づいて、生態学的に有効な量では、大麻はプログラミング性能を著しく損なう。
highで実装されたプログラムは、より多くのバグが含まれ、書き込みに時間がかかる(p < 0.05)が、小から中程度の効果(0.22 <= d <= 0.44)である。
ハイプログラマがより多様なソリューションを生成するという証拠も見つからなかった。
しかし、大麻の影響下であっても、プログラマはプログラム性能の違いを正確に評価できる(r = 0.59)。
この研究がエビデンスベースのポリシーを促進し、プログラミングにおける大麻の使用に関する情報決定を支援することを期待しています。
関連論文リスト
- WatChat: Explaining perplexing programs by debugging mental models [8.60151271579051]
プログラム合成技術を用いて、ユーザーがプログラムの動作に驚かされる可能性のある潜在的な誤解を自動的に推測する。
これらの誤解を分析することで、プログラムの振る舞いを簡潔かつ有用な説明を提供する。
また,本手法は,学生の誤認識を診断・修正するための教育的サンプルプログラムの合成にも適用可能である。
論文 参考訳(メタデータ) (2024-03-08T14:10:25Z) - Breaks and Code Quality: Investigating the Impact of Forgetting on
Software Development. A Registered Report [15.438443553618896]
開発者がそのことを明確に理解し、長時間中断しても効率的に効果的に機能できることは、非常に重要です。
本報告では,開発者の活動が持続時間とコード品質の異なる特性に与える影響を調査するための実証的研究を提案する。
論文 参考訳(メタデータ) (2023-05-01T10:33:17Z) - Teaching Large Language Models to Self-Debug [62.424077000154945]
大規模言語モデル(LLM)は、コード生成において素晴らしいパフォーマンスを達成した。
本稿では,大規模言語モデルで予測プログラムを数発のデモでデバッグする自己デバッグを提案する。
論文 参考訳(メタデータ) (2023-04-11T10:43:43Z) - Piloting Copilot and Codex: Hot Temperature, Cold Prompts, or Black
Magic? [5.714553194279462]
2つの言語モデルの様々な入力パラメータについて検討し、これらの入力パラメータの変動が生成したプログラムの品質に重大な影響を及ぼすかどうかを理解するために研究を行う。
その結果,入力パラメータの変動は言語モデルの性能を著しく向上させることができることがわかった。
論文 参考訳(メタデータ) (2022-10-26T13:28:14Z) - What is it like to program with artificial intelligence? [10.343988028594612]
大規模言語モデルは、自然言語で表される様々な問題を解決するためにコードを生成することができる。
この技術はすでに、少なくとも1つの広く使用されているプログラミングエディタ拡張、GitHub Copilotで商用化されている。
我々は,大規模言語モデル(LLM支援プログラミング)を用いたプログラミングが,プログラマ支援の事前概念化とどのように似ており,異なるのかを考察する。
論文 参考訳(メタデータ) (2022-08-12T10:48:46Z) - BigIssue: A Realistic Bug Localization Benchmark [89.8240118116093]
BigIssueは、現実的なバグローカライゼーションのためのベンチマークである。
実際のJavaバグと合成Javaバグの多様性を備えた一般的なベンチマークを提供する。
われわれは,バグローカライゼーションの最先端技術として,APRの性能向上と,現代の開発サイクルへの適用性の向上を期待している。
論文 参考訳(メタデータ) (2022-07-21T20:17:53Z) - Fault-Aware Neural Code Rankers [64.41888054066861]
サンプルプログラムの正しさを予測できる故障認識型ニューラルネットワークローダを提案する。
我々のフォールト・アウェア・ローダは、様々なコード生成モデルのpass@1精度を大幅に向上させることができる。
論文 参考訳(メタデータ) (2022-06-04T22:01:05Z) - Learning from Self-Sampled Correct and Partially-Correct Programs [96.66452896657991]
そこで本研究では,モデルが学習中にサンプリングを行い,自己サンプリングされた完全正当プログラムと部分正当プログラムの両方から学習することを提案する。
自己サンプリング型プログラムと部分修正型プログラムを併用することで,学習とサンプリングプロセスのガイドに役立てることができることを示す。
提案手法は,MLEを用いた単一の参照プログラムからの学習と比較して,パス@kの性能を3.1%から12.3%向上させる。
論文 参考訳(メタデータ) (2022-05-28T03:31:07Z) - Measuring Coding Challenge Competence With APPS [54.22600767666257]
コード生成のベンチマークであるAPPSを紹介する。
私たちのベンチマークには1万の問題が含まれています。
GPT-Neoのような最近のモデルでは、導入問題のテストケースの約15%をパスできる。
論文 参考訳(メタデータ) (2021-05-20T17:58:42Z) - "Is depression related to cannabis?": A knowledge-infused model for
Entity and Relation Extraction with Limited Supervision [15.474688705696348]
ドメインの専門家によって注釈付けされた3つのカテゴリ – 推論、エフェクト、追加 – の関連性を含むつぶやきを使用する。
最先端のNatural Langauge Processing技術は、大麻のフレーズとうつ病の指標の間の関係を抽出するのに不足している。
我々は,広範囲なコーパスで訓練された GPT-3 と併用して教師付きコントラスト学習を行い,限られた監督下でも性能の向上を実現している。
論文 参考訳(メタデータ) (2021-02-01T23:02:43Z) - MolDesigner: Interactive Design of Efficacious Drugs with Deep Learning [61.74958429818077]
MolDesignerは、ドラッグ開発者のためのヒューマン・イン・ザ・ループ・ウェブ・ユーザ・インタフェース(UI)である。
開発者は、インターフェイスに薬物分子を描画することができる。
バックエンドでは、17以上の最先端のDLモデルが、薬物の有効性に不可欠な重要な指標の予測を生成する。
論文 参考訳(メタデータ) (2020-10-05T21:25:25Z)
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。