論文の概要: Generative AI and Empirical Software Engineering: A Paradigm Shift
- arxiv url: http://arxiv.org/abs/2502.08108v1
- Date: Wed, 12 Feb 2025 04:13:07 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-02-13 13:50:53.724427
- Title: Generative AI and Empirical Software Engineering: A Paradigm Shift
- Title（参考訳）: ジェネレーティブAIと経験的ソフトウェアエンジニアリング - パラダイムシフト
- Authors: Christoph Treude, Margaret-Anne Storey,
- Abstract要約: ソフトウェア工学における生成AIの普及はパラダイムシフトである。
本稿では,AIをソフトウェア工学に統合することで,従来の研究パラダイムに挑戦する方法について考察する。
- 参考スコア（独自算出の注目度）: 8.65285948382426
- License:
- Abstract: The widespread adoption of generative AI in software engineering marks a paradigm shift, offering new opportunities to design and utilize software engineering tools while influencing both developers and the artifacts they create. Traditional empirical methods in software engineering, including quantitative, qualitative, and mixed-method approaches, are well established. However, this paradigm shift introduces novel data types and redefines many concepts in the software engineering process. The roles of developers, users, agents, and researchers increasingly overlap, blurring the distinctions between these social and technical actors within the field. This paper examines how integrating AI into software engineering challenges traditional research paradigms. It focuses on the research phenomena that we investigate, the methods and theories that we employ, the data we analyze, and the threats to validity that emerge in this new context. Through this exploration, our goal is to understand how AI adoption disrupts established software development practices that creates new opportunities for empirical software engineering research.
- Abstract（参考訳）: ソフトウェアエンジニアリングにおける生成AIの普及はパラダイムシフトであり、開発者が作成したアーティファクトに影響を与えながら、ソフトウェアエンジニアリングツールの設計と利用の新しい機会を提供する。
定量的、質的、混合的なアプローチを含む、ソフトウェア工学における伝統的な経験的手法は、よく確立されている。
しかし、このパラダイムシフトは、新しいデータ型を導入し、ソフトウェアエンジニアリングプロセスにおける多くの概念を再定義します。
開発者、ユーザ、エージェント、研究者の役割はますます重なり、この分野におけるこれらの社会的および技術的なアクターの区別を曖昧にしている。
本稿では,AIをソフトウェア工学に統合することで,従来の研究パラダイムに挑戦する方法について考察する。
それは、我々が調査する研究現象、採用する方法と理論、分析するデータ、この新しい文脈で現れる有効性に対する脅威に焦点を当てている。
この調査を通じて、私たちのゴールは、AIの採用が、経験的ソフトウェアエンジニアリング研究の新しい機会を生み出す確立したソフトウェア開発プラクティスをいかに破壊するかを理解することです。
関連論文リスト
- Next-Gen Software Engineering. Big Models for AI-Augmented Model-Driven Software Engineering [0.0]
本稿は、AIに強化されたソフトウェア工学の現状の概要を提供し、対応する分類学であるAI4SEを開発する。
SEにおけるAI支援ビッグデータのビジョンは、ソフトウェア開発の文脈において両方のアプローチに固有の利点を活かすことを目的としている。
論文 参考訳（メタデータ） (2024-09-26T16:49:57Z) - Bridging Gaps, Building Futures: Advancing Software Developer Diversity and Inclusion Through Future-Oriented Research [50.545824691484796]
我々はSEの多様性と包摂性に関する課題と解決策について、SE研究者や実践者から知見を提示する。
我々は,将来的なユートピアやディストピアのビジョンを共有し,今後の研究の方向性とアカデミックや産業への示唆を提供する。
論文 参考訳（メタデータ） (2024-04-10T16:18:11Z) - 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) - Navigating the Complexity of Generative AI Adoption in Software
Engineering [6.190511747986327]
ソフトウェア工学における生成人工知能(AI)ツールの採用パターンについて検討した。
個人レベル、技術レベル、社会的レベルの影響要因を分析した。
論文 参考訳（メタデータ） (2023-07-12T11:05:19Z) - Enabling Automated Machine Learning for Model-Driven AI Engineering [60.09869520679979]
モデル駆動型ソフトウェアエンジニアリングとモデル駆動型AIエンジニアリングを実現するための新しいアプローチを提案する。
特に、私たちはAutomated MLをサポートし、AI集約システムの開発において、AIの深い知識のないソフトウェアエンジニアを支援します。
論文 参考訳（メタデータ） (2022-03-06T10:12:56Z) - Building an AI-ready RSE Workforce [0.0]
機械学習とディープラーニングは、研究ソフトウェア開発ライフサイクルのあらゆる側面に適用されています。
我々は、AIが研究ソフトウェア開発とエンジニアに提示した今日の課題と機会について、私たちの見解について議論する。
論文 参考訳（メタデータ） (2021-11-09T02:36:24Z) - Human-Robot Collaboration and Machine Learning: A Systematic Review of
Recent Research [69.48907856390834]
人間ロボットコラボレーション(Human-robot collaboration、HRC)とは、人間とロボットの相互作用を探索する手法である。
本稿では,HRCの文脈における機械学習技術の利用に関する詳細な文献レビューを提案する。
論文 参考訳（メタデータ） (2021-10-14T15:14:33Z) - Machine Learning Model Development from a Software Engineering
Perspective: A Systematic Literature Review [0.0]
データサイエンティストは、しばしば、業界やアカデミーの様々な問題を解決するために機械学習モデルを開発した。
本稿では,ソフトウェア工学の観点からMLモデルの開発において生じる課題と実践について考察する。
論文 参考訳（メタデータ） (2021-02-15T14:25:13Z) - Technology Readiness Levels for Machine Learning Systems [107.56979560568232]
機械学習システムの開発とデプロイは、現代のツールで簡単に実行できますが、プロセスは一般的に急ぎ、エンドツーエンドです。
私たちは、機械学習の開発と展開のための実証済みのシステムエンジニアリングアプローチを開発しました。
当社の「機械学習技術準備レベル」フレームワークは、堅牢で信頼性が高く、責任あるシステムを確保するための原則的なプロセスを定義します。
論文 参考訳（メタデータ） (2021-01-11T15:54:48Z) - Software engineering for artificial intelligence and machine learning
software: A systematic literature review [6.681725960709127]
本研究は,AI/MLシステムの開発において,ソフトウェア工学がどのように応用されてきたかを検討することを目的とする。
プロフェッショナルが直面する主な課題は、テスト、AIソフトウェアの品質、データ管理といった分野だ。
論文 参考訳（メタデータ） (2020-11-07T11:06:28Z) - Machine Learning for Software Engineering: A Systematic Mapping [73.30245214374027]
ソフトウェア開発業界は、現代のソフトウェアシステムを高度にインテリジェントで自己学習システムに移行するために、機械学習を急速に採用している。
ソフトウェアエンジニアリングライフサイクルの段階にわたって機械学習の採用について、現状を探求する包括的な研究は存在しない。
本研究は,機械学習によるソフトウェア工学(MLSE)分類を,ソフトウェア工学ライフサイクルのさまざまな段階に適用性に応じて,最先端の機械学習技術に分類するものである。
論文 参考訳（メタデータ） (2020-05-27T11:56:56Z)
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。