論文の概要: Beyond Code: The Multidimensional Impacts of Large Language Models in Software Development

• arxiv url: http://arxiv.org/abs/2506.22704v1
• Date: Sat, 28 Jun 2025 01:10:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-01 21:27:53.522051
• Title: Beyond Code: The Multidimensional Impacts of Large Language Models in Software Development
• Title（参考訳）: コードを超えて - ソフトウェア開発における大規模言語モデルの多次元的影響
• Authors: Sardar Fatooreh Bonabi, Sarah Bana, Tingting Nian, Vijay Gurbaxani,
• Abstract要約: 大規模言語モデル(LLM)は、特にオープンソースソフトウェア(OSS)分野において、ソフトウェア開発に大きな影響を与える可能性がある。 まず、コード開発、協調的な知識伝達、スキル開発を通じてLSMがOSSに影響を与えるメカニズムを概説する。 次に、これらの3つの重要な領域において、LSMがOSS開発者の作業にどのように影響するかを実証的に検証する。
• 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: Large language models (LLMs) are poised to significantly impact software development, especially in the Open-Source Software (OSS) sector. To understand this impact, we first outline the mechanisms through which LLMs may influence OSS through code development, collaborative knowledge transfer, and skill development. We then empirically examine how LLMs affect OSS developers' work in these three key areas. Leveraging a natural experiment from a temporary ChatGPT ban in Italy, we employ a Difference-in-Differences framework with two-way fixed effects to analyze data from all OSS developers on GitHub in three similar countries, Italy, France, and Portugal, totaling 88,022 users. We find that access to ChatGPT increases developer productivity by 6.4%, knowledge sharing by 9.6%, and skill acquisition by 8.4%. These benefits vary significantly by user experience level: novice developers primarily experience productivity gains, whereas more experienced developers benefit more from improved knowledge sharing and accelerated skill acquisition. In addition, we find that LLM-assisted learning is highly context-dependent, with the greatest benefits observed in technically complex, fragmented, or rapidly evolving contexts. We show that the productivity effects of LLMs extend beyond direct code generation to include enhanced collaborative learning and knowledge exchange among developers; dynamics that are essential for gaining a holistic understanding of LLMs' impact in OSS. Our findings offer critical managerial implications: strategically deploying LLMs can accelerate novice developers' onboarding and productivity, empower intermediate developers to foster knowledge sharing and collaboration, and support rapid skill acquisition, together enhancing long-term organizational productivity and agility.
• Abstract（参考訳）: 大規模言語モデル(LLM)は、特にオープンソースソフトウェア(OSS)分野において、ソフトウェア開発に大きな影響を与える可能性がある。 この影響を理解するために、まず、コード開発、協調的な知識伝達、スキル開発を通じてLSMがOSSに影響を与えるメカニズムを概説する。 次に、これらの3つの重要な領域において、LSMがOSS開発者の作業にどのように影響するかを実証的に検証する。 イタリアの一時的なChatGPT禁止による自然な実験を活用して、差分-差分フレームワークを使って、イタリア、フランス、ポルトガルの3つの類似国において、GitHub上のOSS開発者すべてのデータを分析する。 ChatGPTへのアクセスは開発者の生産性を6.4%、知識共有を9.6%、スキル獲得を8.4%向上させる。 初心者の開発者は生産性の向上を主に経験するのに対して、経験豊富な開発者は知識共有の改善とスキル獲得の促進の恩恵を受ける。 さらに、LLM支援学習は文脈に依存しており、技術的に複雑で断片化され、急速に進化する文脈において、最も大きな利点がある。 LLMの生産性効果は、直接コード生成を超えて、開発者間の協調学習や知識交換の強化を含むことを示し、OSSにおけるLLMの影響を総合的に理解するために不可欠なダイナミクスを示す。 戦略的にLLMをデプロイすることで、初心者開発者の参加と生産性を向上し、中間開発者に対して知識共有とコラボレーションを促進させ、迅速なスキル獲得をサポートし、長期的な組織的生産性とアジリティを向上させることができます。

関連論文リスト

• LLMs' Reshaping of People, Processes, Products, and Society in Software Development: A Comprehensive Exploration with Early Adopters [3.4069804433026314]
  OpenAI ChatGPT、Google Gemini、GitHub Copilotといった大規模言語モデル(LLM)は、ソフトウェア業界で急速に注目を集めている。 私たちの研究は、LLMがソフトウェア開発のランドスケープをどう形作っているのか、微妙に理解しています。
  論文  参考訳（メタデータ） (2025-03-06T22:27:05Z)
• FactorLLM: Factorizing Knowledge via Mixture of Experts for Large Language Models [50.331708897857574]
  本稿では,高度に訓練された高密度FFNを余分なサブネットワークに分解する新しいアプローチであるFacterLLMを紹介する。 FactorLLMは、最大85%のモデル性能を確保しながら、推論速度を30%以上増加させながら、ソースモデルに匹敵するパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2024-08-15T16:45:16Z)
• A Study on Developer Behaviors for Validating and Repairing LLM-Generated Code Using Eye Tracking and IDE Actions [13.58143103712]
  GitHub Copilotは、LLM(Big Language Model)ベースのコード生成ツールである。 本稿では,Copilotが生成したコードを開発者がどのように検証し,修復するかを検討する。 コードの存在を認識したことにより、パフォーマンスの向上、検索努力の向上、コパイロットの使用頻度の向上、認知作業負荷の向上につながった。
  論文  参考訳（メタデータ） (2024-05-25T06:20:01Z)
• Empowering Large Language Model Agents through Action Learning [85.39581419680755]
  大規模言語モデル(LLM)エージェントは最近ますます関心を集めているが、試行錯誤から学ぶ能力は限られている。 我々は、経験から新しい行動を学ぶ能力は、LLMエージェントの学習の進歩に欠かせないものであると論じる。 我々はPython関数の形式でアクションを作成し改善するための反復学習戦略を備えたフレームワークLearningActを紹介した。
  論文  参考訳（メタデータ） (2024-02-24T13:13:04Z)
• Experiential Co-Learning of Software-Developing Agents [83.34027623428096]
  大規模言語モデル(LLM)は、特にソフトウェア開発において、様々な領域に大きな変化をもたらした。 本稿では,新しいLLM学習フレームワークであるExperiential Co-Learningを紹介する。 実験では、このフレームワークにより、エージェントは、目に見えないソフトウェア開発タスクをより効果的に対処できることを示した。
  論文  参考訳（メタデータ） (2023-12-28T13:50:42Z)
• Supervised Knowledge Makes Large Language Models Better In-context Learners [94.89301696512776]
  大規模言語モデル(LLM)は、素早い工学を通して、文脈内学習能力の出現を示す。 自然言語理解と質問応答におけるLLMの一般化性と事実性の向上という課題は、まだ未解決のままである。 本研究では, LLM の信頼性を高める枠組みを提案する。1) 分布外データの一般化,2) 差別モデルによる LLM のメリットの解明,3) 生成タスクにおける幻覚の最小化。
  論文  参考訳（メタデータ） (2023-12-26T07:24:46Z)

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。