論文の概要: Generative AI for Object-Oriented Programming: Writing the Right Code and Reasoning the Right Logic

• arxiv url: http://arxiv.org/abs/2508.05005v1
• Date: Thu, 07 Aug 2025 03:38:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-08 18:59:39.701196
• Title: Generative AI for Object-Oriented Programming: Writing the Right Code and Reasoning the Right Logic
• Title（参考訳）: オブジェクト指向プログラミングのための生成AI: 正しいコードを書き、正しいロジックを推論する
• Authors: Gang Xu, Airong Wang, Yushan Pan,
• Abstract要約: 大規模言語モデル (LLM) は、財務、常識知識グラフ、医学、視覚分析にまたがる様々な応用がある。 私たちの研究は、OOPタスクに関わる主要な利害関係者の視点からビジョンを提示することで、このギャップに対処することを目的としています。 さらに,既存の論理的推論とコード記述を強化し,最終的にプログラミング体験を向上させる方法を提案する。
• 参考スコア（独自算出の注目度）: 2.170361965861349
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We find ourselves in the midst of an explosion in artificial intelligence research, particularly with large language models (LLMs). These models have diverse applications spanning finance, commonsense knowledge graphs, medicine, and visual analysis. In the world of Object-Oriented Programming(OOP), a robust body of knowledge and methods has been developed for managing complex tasks through object-oriented thinking. However, the intersection of LLMs with OOP remains an underexplored territory. Empirically, we currently possess limited understanding of how LLMs can enhance the effectiveness of OOP learning and code writing, as well as how we can evaluate such AI-powered tools. Our work aims to address this gap by presenting a vision from the perspectives of key stakeholders involved in an OOP task: programmers, mariners, and experienced programmers. We identify critical junctures within typical coding workflows where the integration of LLMs can offer significant benefits. Furthermore, we propose ways to augment existing logical reasoning and code writing, ultimately enhancing the programming experience.
• Abstract（参考訳）: 私たちは人工知能研究の爆発の最中、特に大きな言語モデル(LLM)で自分自身を見つけました。 これらのモデルには、財務、常識知識グラフ、医学、視覚分析にまたがる様々な応用がある。 オブジェクト指向プログラミング(OOP)の世界では、オブジェクト指向の思考を通じて複雑なタスクを管理するための堅牢な知識と手法が開発されています。 しかし、LLMとOOPの交わりは未探索領域のままである。 実証的なことに、LLMがOOP学習とコード記述の有効性をどのように向上するか、そしてそのようなAI駆動ツールをどのように評価できるかについて、私たちは限定的な理解を持っています。 私たちの研究は、OOPタスクに関わる主要なステークホルダー(プログラマ、船乗り、経験豊富なプログラマ)の視点からビジョンを提示することで、このギャップに対処することを目的としています。 LLMの統合が大きなメリットをもたらす、典型的なコーディングワークフローにおいて、重要な分岐を識別する。 さらに,既存の論理的推論とコード記述を強化し,最終的にプログラミング体験を向上させる方法を提案する。

関連論文リスト

• Code to Think, Think to Code: A Survey on Code-Enhanced Reasoning and Reasoning-Driven Code Intelligence in LLMs [53.00384299879513]
  大規模言語モデル(LLM)では、コードと推論が互いに強化される。 コードは検証可能な実行パスを提供し、論理的な分解を強制し、実行時の検証を可能にする。 我々は,このシナジーを強化するために,重要な課題を特定し,今後の研究方向性を提案する。
  論文  参考訳（メタデータ） (2025-02-26T18:55:42Z)
• Studying and Benchmarking Large Language Models For Log Level Suggestion [49.176736212364496]
  大規模言語モデル(LLM)は、様々な領域で研究の焦点となっている。 本稿では,12個のオープンソースLCMのログレベル提案における性能に及ぼす特性と学習パラダイムの影響について検討する。
  論文  参考訳（メタデータ） (2024-10-11T03:52:17Z)
• The why, what, and how of AI-based coding in scientific research [0.0]
  生成AI、特に大きな言語モデル(LLM)は、コーディングを直感的な会話に変換する可能性がある。 私たちは3つの重要なレンズを通してAIベースのコーディングを区別します。 コーディングにおけるAIの限界と将来の展望に対処する。
  論文  参考訳（メタデータ） (2024-10-03T02:36:30Z)
• Deep Learning and Machine Learning, Advancing Big Data Analytics and Management: Object-Oriented Programming [17.98778771365221]
  オブジェクト指向プログラミング(OOP)は、現代のソフトウェアシステムの複雑さの増大を管理するための重要なパラダイムになっています。 この作業は、これらのドメイン内でOOP技術を統合するための包括的な紹介を提供する。 機械学習システムの構造と効率を高めるために,設計パターンとモジュールプログラミングをどのように利用することができるかを検討する。
  論文  参考訳（メタデータ） (2024-09-30T03:37:10Z)
• CLR-Fact: Evaluating the Complex Logical Reasoning Capability of Large Language Models over Factual Knowledge [44.59258397967782]
  大規模言語モデル(LLM)は、様々な自然言語処理タスクにまたがる印象的な機能を示している。 本稿では,LLMの複雑な論理的推論能力の体系的評価について述べる。 LLMは一般世界の知識の推論に優れるが、専門分野固有の知識では重大な課題に直面している。
  論文  参考訳（メタデータ） (2024-07-30T05:40:32Z)
• WorkArena++: Towards Compositional Planning and Reasoning-based Common Knowledge Work Tasks [85.95607119635102]
  大型言語モデル(LLM)は人間のような知性を模倣することができる。 WorkArena++は、Webエージェントの計画、問題解決、論理的/論理的推論、検索、コンテキスト的理解能力を評価するように設計されている。
  論文  参考訳（メタデータ） (2024-07-07T07:15:49Z)
• An Empirical Study on Usage and Perceptions of LLMs in a Software Engineering Project [1.433758865948252]
  大規模言語モデル(LLM)は人工知能の飛躍であり、人間の言語を用いたタスクに優れる。 本稿では、AI生成したコードを分析し、コード生成に使用するプロンプトと人間の介入レベルを分析し、コードをコードベースに統合する。 ソフトウェア開発の初期段階において,LSMが重要な役割を担っていることが示唆された。
  論文  参考訳（メタデータ） (2024-01-29T14:32:32Z)
• If LLM Is the Wizard, Then Code Is the Wand: A Survey on How Code Empowers Large Language Models to Serve as Intelligent Agents [81.60906807941188]
  大型言語モデル(LLM)は、自然言語と形式言語(コード)の組み合わせに基づいて訓練される コードは、標準構文、論理一貫性、抽象化、モジュール性を備えた高レベルの目標を実行可能なステップに変換する。
  論文  参考訳（メタデータ） (2024-01-01T16:51:20Z)
• When Do Program-of-Thoughts Work for Reasoning? [51.2699797837818]
  本稿では,コードと推論能力の相関性を測定するために,複雑性に富んだ推論スコア(CIRS)を提案する。 具体的には、抽象構文木を用いて構造情報をエンコードし、論理的複雑性を計算する。 コードはhttps://github.com/zjunlp/EasyInstructのEasyInstructフレームワークに統合される。
  論文  参考訳（メタデータ） (2023-08-29T17:22:39Z)
• CREATOR: Tool Creation for Disentangling Abstract and Concrete Reasoning of Large Language Models [74.22729793816451]
  大規模言語モデル(LLM)はツールの利用において大きな進歩を遂げているが、その能力はAPIの可用性によって制限されている。 我々は、LCMがドキュメンテーションとコード実現を使って独自のツールを作成できる新しいフレームワークCREATORを提案する。 我々は,MATH と TabMWP のベンチマークで CREATOR を評価する。
  論文  参考訳（メタデータ） (2023-05-23T17:51:52Z)

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。