論文の概要: How Scientists Use Jupyter Notebooks: Goals, Quality Attributes, and Opportunities

• arxiv url: http://arxiv.org/abs/2503.12309v1
• Date: Sun, 16 Mar 2025 01:18:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-18 12:32:39.553535
• Title: How Scientists Use Jupyter Notebooks: Goals, Quality Attributes, and Opportunities
• Title（参考訳）: ジュピターノートの使い方:ゴール、品質属性、そして機会
• Authors: Ruanqianqian Huang, Savitha Ravi, Michael He, Boyu Tian, Sorin Lerner, Michael Coblenz,
• Abstract要約: 我々はJupyterのノートブックを日々のタスクに利用した20人の科学者の観察的研究を行った。 その結果,(1)科学者がJupyterノートブックで追求する目標の集合体,(2)ソフトウェア作成時に科学者が評価する品質特性の集合体,(3)科学者が品質を促進するために活用する戦術の集合体を定性的に分析した。
• 参考スコア（独自算出の注目度）: 4.168145007533645
• License:
• Abstract: Computational notebooks are intended to prioritize the needs of scientists, but little is known about how scientists interact with notebooks, what requirements drive scientists' software development processes, or what tactics scientists use to meet their requirements. We conducted an observational study of 20 scientists using Jupyter notebooks for their day-to-day tasks, finding that scientists prioritize different quality attributes depending on their goals. A qualitative analysis of their usage shows (1) a collection of goals scientists pursue with Jupyter notebooks, (2) a set of quality attributes that scientists value when they write software, and (3) tactics that scientists leverage to promote quality. In addition, we identify ways scientists incorporated AI tools into their notebook work. From our observations, we derive design recommendations for improving computational notebooks and future programming systems for scientists. Key opportunities pertain to helping scientists create and manage state, dependencies, and abstractions in their software, enabling more effective reuse of clearly-defined components.
• Abstract（参考訳）: 計算ノートは科学者のニーズを優先することを目的としているが、科学者がノートとどのように相互作用するか、どのような要件が科学者のソフトウェア開発プロセスを促進するのか、科学者が要求を満たすために使用する戦術についてはほとんど知られていない。 我々はJupyterのノートブックを日々のタスクに使用した20人の科学者の観察調査を行い、科学者が目標に応じて異なる品質特性を優先していることを発見した。 その結果,(1)科学者がJupyterノートブックで追求する目標の集合体,(2)ソフトウェア作成時に科学者が評価する品質特性の集合体,(3)科学者が品質を促進するために活用する戦術の集合体を定性的に分析した。 さらに、科学者がノートブックにAIツールを組み込む方法も特定しました。 本研究は,研究者のための計算ノートや将来のプログラミングシステムを改善するための設計勧告を導出する。 主要な機会は、科学者がソフトウェアの状態、依存関係、抽象化を作成し、管理し、明確に定義されたコンポーネントをより効果的に再利用できるようにするのを助けることである。

関連論文リスト

• DiSciPLE: Learning Interpretable Programs for Scientific Visual Discovery [61.02102713094486]
  優れた意思決定を可能にするため、科学的推論において優れた解釈が重要である。 本稿では,ニューラルネットワークをインターリーブする学習プログラムを用いて,そのような解釈可能な設計モデルを得るための自動手法を提案する。 本稿では,大言語モデル (LLM) の常識と事前知識を活用する進化的アルゴリズムであるDiSciPLEを提案し,視覚データを説明するPythonプログラムを作成する。
  論文  参考訳（メタデータ） (2025-02-14T10:26:14Z)
• Exploring Code Comprehension in Scientific Programming: Preliminary Insights from Research Scientists [6.2329239454115415]
  本研究では、さまざまな分野の57人の科学者を対象に、コード可読性に関して直面するプログラミングの背景、実践、課題について調査する。 科学者は主にPythonとRを使用し、可読性に関するドキュメントに依存している。 以上の結果から,コード品質ツールの採用率の低下と,コード品質を改善するために大規模言語モデルを活用する傾向が示唆された。
  論文  参考訳（メタデータ） (2025-01-17T08:47:29Z)
• Many Heads Are Better Than One: Improved Scientific Idea Generation by A LLM-Based Multi-Agent System [62.832818186789545]
  Virtual Scientists (VirSci) は、科学研究に固有のチームワークを模倣するために設計されたマルチエージェントシステムである。 VirSciは研究のアイデアを共同で生成し、評価し、洗練するエージェントのチームを組織している。 このマルチエージェントアプローチは、新しい科学的アイデアを生み出す上で、最先端の手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2024-10-12T07:16:22Z)
• The AI Scientist: Towards Fully Automated Open-Ended Scientific Discovery [14.465756130099091]
  本稿では,完全自動科学的発見のための最初の包括的枠組みについて述べる。 我々は、新しい研究アイデアを生成し、コードを書き、実験を実行し、結果を視覚化し、その結果を説明するThe AI Scientistを紹介します。 原則として、このプロセスは、人間の科学コミュニティのように行動しながら、オープンな方法でアイデアを反復的に発展させることができる。
  論文  参考訳（メタデータ） (2024-08-12T16:58:11Z)
• MASSW: A New Dataset and Benchmark Tasks for AI-Assisted Scientific Workflows [58.56005277371235]
  我々は,Multi-Aspect Summarization of ScientificAspectsに関する総合テキストデータセットであるMASSWを紹介する。 MASSWには過去50年間にわたる17の主要なコンピュータサイエンスカンファレンスから152,000以上の査読論文が含まれている。 我々は、この新しいデータセットを用いてベンチマーク可能な、複数の新しい機械学習タスクを通じて、MASSWの有用性を実証する。
  論文  参考訳（メタデータ） (2024-06-10T15:19:09Z)
• "Turing Tests" For An AI Scientist [0.0]
  本稿では,AIエージェントが独立して科学的研究を行うことができるかどうかを評価するために,AI科学者の研修試験を提案する。 我々は,AIエージェントが様々な科学領域において画期的な発見を行う能力を評価する7つのベンチマークテストを提案する。
  論文  参考訳（メタデータ） (2024-05-22T05:14:27Z)
• SciInstruct: a Self-Reflective Instruction Annotated Dataset for Training Scientific Language Models [57.96527452844273]
  我々はSciInstructを紹介した。SciInstructは、大学レベルの科学的推論が可能な科学言語モデルを訓練するための科学指導スイートである。 我々は、物理学、化学、数学、公式な証明を含む多種多様な高品質なデータセットをキュレートした。 SciInstructの有効性を検証するため、SciInstruct、すなわちChatGLM3(6Bと32B)、Llama3-8B-Instruct、Mistral-7B: MetaMathを用いて言語モデルを微調整した。
  論文  参考訳（メタデータ） (2024-01-15T20:22:21Z)
• AI for Mathematics: A Cognitive Science Perspective [86.02346372284292]
  数学は人間によって開発された最も強力な概念体系の1つである。 AIの急速な進歩、特に大規模言語モデル(LLM)の進歩による推進により、そのようなシステム構築に対する新たな、広範な関心が生まれている。
  論文  参考訳（メタデータ） (2023-10-19T02:00:31Z)
• DARWIN Series: Domain Specific Large Language Models for Natural Science [20.864698325126735]
  本稿では,物理,化学,物質科学を中心に,自然科学に適したLLMのシリーズであるDARWINを紹介する。 我々は6万以上の命令データポイントを用いてモデルを微調整し、事実の正しさを強調した。 DARWINシリーズは、様々な科学的タスクに関する最先端の結果を達成するだけでなく、クローズドソースAIモデルへの依存を減少させる。
  論文  参考訳（メタデータ） (2023-08-25T01:40:48Z)
• Simulation Intelligence: Towards a New Generation of Scientific Methods [81.75565391122751]
  シミュレーション知能の9つのモチーフ」は、科学計算、科学シミュレーション、人工知能の融合に必要な重要なアルゴリズムの開発と統合のためのロードマップである。 シミュレーションインテリジェンスのモチーフは、オペレーティングシステムのレイヤ内のコンポーネントとよく似ています。 我々は、モチーフ間の協調的な努力が科学的な発見を加速する大きな機会をもたらすと信じている。
  論文  参考訳（メタデータ） (2021-12-06T18:45:31Z)
• Scientific intuition inspired by machine learning generated hypotheses [2.294014185517203]
  私たちは、機械学習モデル自体が得る洞察と知識に焦点を移します。 決定木では, 化学や物理から, ビッグデータから人間の解釈可能な洞察を抽出するために, 勾配増進法を適用した。 数値を超える能力は、機械学習を使って概念理解の発見を加速する扉を開く。
  論文  参考訳（メタデータ） (2020-10-27T12:12:12Z)

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。