論文の概要: How Software Engineers Engage with AI: A Pragmatic Process Model and Decision Framework Grounded in Industry Observations
- arxiv url: http://arxiv.org/abs/2507.17930v1
- Date: Wed, 23 Jul 2025 21:00:21 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-07-25 15:10:42.612775
- Title: How Software Engineers Engage with AI: A Pragmatic Process Model and Decision Framework Grounded in Industry Observations
- Title（参考訳）: ソフトウェア技術者がAIを利用する方法 - 業界観測に基づく実践的なプロセスモデルと意思決定フレームワーク
- Authors: Vahid Garousi, Zafar Jafarov,
- Abstract要約: GitHub CopilotとChatGPTが"バイブコーディング"を実施
本稿では2つの補完的貢献について述べる。
まず、現実世界のAI支援SEアクティビティをキャプチャする実用的なプロセスモデル。
第二に、2Dの意思決定フレームワークは、開発者が労力の節約と品質のアウトプットのトレードオフを判断するのに役立ちます。
- 参考スコア（独自算出の注目度）: 1.516251872371896
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Artificial Intelligence (AI) has the potential to transform Software Engineering (SE) by enhancing productivity, efficiency, and decision support. Tools like GitHub Copilot and ChatGPT have given rise to "vibe coding"-an exploratory, prompt-driven development style. Yet, how software engineers engage with these tools in daily tasks, especially in deciding whether to trust, refine, or reject AI-generated outputs, remains underexplored. This paper presents two complementary contributions. First, a pragmatic process model capturing real-world AI-assisted SE activities, including prompt design, inspection, fallback, and refinement. Second, a 2D decision framework that could help developers reason about trade-offs between effort saved and output quality. Grounded in practitioner reports and direct observations in three industry settings across Turkiye and Azerbaijan, our work illustrates how engineers navigate AI use with human oversight. These models offer structured, lightweight guidance to support more deliberate and effective use of AI tools in SE, contributing to ongoing discussions on practical human-AI collaboration.
- Abstract（参考訳）: 人工知能(AI)は、生産性、効率、意思決定支援を強化することによって、ソフトウェア工学(SE)を変革する可能性がある。
GitHub CopilotやChatGPTといったツールは、探索的でプロンプト駆動の開発スタイルとして“バイブコーディング”を実現している。
しかし、ソフトウェアエンジニアが日々のタスク、特にAIが生成したアウトプットを信頼するか、洗練するか、拒否するかを決めるために、これらのツールとどのように関わるかは、まだ解明されていない。
本稿では2つの補完的貢献について述べる。
まず、現実世界のAI支援SEアクティビティをキャプチャする実用的なプロセスモデル。
第二に、2Dの意思決定フレームワークは、開発者が労力の節約と品質のアウトプットのトレードオフを判断するのに役立ちます。
トルコとアゼルバイジャンの3つの業界環境での実践的なレポートと直接的な観察に基づいて、我々の研究は、エンジニアが人間の監視によってAIの使用をナビゲートする方法を示している。
これらのモデルは、SEにおけるAIツールのより意図的に効果的な使用を支援するために、構造化された軽量なガイダンスを提供する。
関連論文リスト
- Code with Me or for Me? How Increasing AI Automation Transforms Developer Workflows [66.1850490474361]
コーディングエージェントとの開発者インタラクションを探求する最初の学術的研究を行う。
私たちは、GitHub CopilotとOpenHandsの2つの主要なコピロとエージェントコーディングアシスタントを評価します。
この結果から、エージェントは、コピロトを超越した方法で開発者を支援する可能性を示唆している。
論文 参考訳（メタデータ） (2025-07-10T20:12:54Z) - Explainable Artificial Intelligence Techniques for Software Development Lifecycle: A Phase-specific Survey [1.4513830934124627]
説明可能な人工知能(XAI)は、AIシステムをより解釈可能で透明にするブラックボックス問題に対処するために登場した。
本稿では,SDLC(Software Development Life Cycle)のすべてのフェーズを対象としたXAI技術に関する総合的な調査を行う。
論文 参考訳（メタデータ） (2025-05-11T17:09:57Z) - Challenges and Paths Towards AI for Software Engineering [55.95365538122656]
ソフトウェア工学におけるAIの進歩を3倍に議論する。
まず、ソフトウェア工学のためのAIにおいて、具体的なタスクを構造化した分類法を提供する。
次に、現在のアプローチを制限するいくつかの重要なボトルネックを概説する。
論文 参考訳（メタデータ） (2025-03-28T17:17:57Z) - AI's Impact on Traditional Software Development [0.0]
人工知能(AI)の応用は、従来の戦術ソフトウェア開発に大きな変化をもたらした。
本稿では,従来のソフトウェア開発ライフサイクル方法論にAIを統合する技術的側面について考察する。
論文 参考訳（メタデータ） (2025-02-05T14:58:09Z) - Augmenting software engineering with AI and developing it further towards AI-assisted model-driven software engineering [0.0]
本稿は,AIを活用したソフトウェア工学の現状を概説し,それに対応する分類学であるai4seを開発した。
ソフトウェア開発におけるAI支援型ビッグデータのビジョンは、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) - Exploring the intersection of Generative AI and Software Development [0.0]
生成AIとソフトウェアエンジニアリングの相乗効果は、変革的なフロンティアとして現れます。
このホワイトペーパーは、探索されていない領域に展開し、生成的AI技術がソフトウェア開発にどのように革命をもたらすかを解明する。
これはステークホルダーのためのガイドとして機能し、ソフトウェア工学における生成AIの適用に関する議論と実験を促している。
論文 参考訳（メタデータ） (2023-12-21T19:23:23Z) - Exploration with Principles for Diverse AI Supervision [88.61687950039662]
次世代の予測を用いた大規模トランスフォーマーのトレーニングは、AIの画期的な進歩を生み出した。
この生成AIアプローチは印象的な結果をもたらしたが、人間の監督に大きく依存している。
この人間の監視への強い依存は、AIイノベーションの進歩に重大なハードルをもたらす。
本稿では,高品質なトレーニングデータを自律的に生成することを目的とした,探索型AI(EAI)という新しいパラダイムを提案する。
論文 参考訳（メタデータ） (2023-10-13T07:03:39Z) - Selected Trends in Artificial Intelligence for Space Applications [69.3474006357492]
この章は、差別化可能なインテリジェンスとオンボード機械学習に焦点を当てている。
欧州宇宙機関(ESA)Advanced Concepts Team(ACT)から選ばれたいくつかのプロジェクトについて論じる。
論文 参考訳（メタデータ） (2022-12-10T07:49:50Z) - Seamful XAI: Operationalizing Seamful Design in Explainable AI [59.89011292395202]
AIシステムのミスは必然的であり、技術的制限と社会技術的ギャップの両方から生じる。
本稿では, 社会工学的・インフラ的ミスマッチを明らかにすることにより, シームレスな設計がAIの説明可能性を高めることを提案する。
43人のAI実践者と実際のエンドユーザでこのプロセスを探求します。
論文 参考訳（メタデータ） (2022-11-12T21:54:05Z) - Automated Machine Learning: A Case Study on Non-Intrusive Appliance Load Monitoring [81.06807079998117]
非侵入的機器負荷モニタリング(NIALM)のための自動機械学習(AutoML)を実現する新しい手法を提案する。
NIALMは、電子機器や家電のエネルギー消費を測定するためのスマートメーターに代わる費用対効果を提供する。
論文 参考訳（メタデータ） (2022-03-06T10:12:56Z) - Building Bridges: Generative Artworks to Explore AI Ethics [56.058588908294446]
近年,人工知能(AI)技術が社会に与える影響の理解と緩和に重点が置かれている。
倫理的AIシステムの設計における重要な課題は、AIパイプラインには複数の利害関係者があり、それぞれがそれぞれ独自の制約と関心を持っていることだ。
このポジションペーパーは、生成的アートワークが、アクセス可能で強力な教育ツールとして機能することで、この役割を果たすことができる可能性のいくつかを概説する。
論文 参考訳（メタデータ） (2021-06-25T22:31:55Z) - Explainable AI for Software Engineering [12.552048647904591]
まず、ソフトウェアエンジニアリングにおける説明可能なAIの必要性を強調します。
次に、上記の課題に対処するために、説明可能なAI技術をどのように利用できるか、という3つのケーススタディを要約する。
論文 参考訳（メタデータ） (2020-12-03T00:42:29Z)
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。