論文の概要: The Matthew Effect of AI Programming Assistants: A Hidden Bias in Software Evolution
- arxiv url: http://arxiv.org/abs/2509.23261v1
- Date: Sat, 27 Sep 2025 11:30:17 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-10-07 19:24:02.211783
- Title: The Matthew Effect of AI Programming Assistants: A Hidden Bias in Software Evolution
- Title（参考訳）: AIプログラミングアシスタントのマシュー効果:ソフトウェア進化における隠れバイアス
- Authors: Fei Gu, Zi Liang, Hongzong LI, Jiahao MA,
- Abstract要約: 私たちは、AI支援プログラミングがソフトウェアエコシステムとどのように相互作用するかを調べるために、何千ものアルゴリズムプログラミングタスクと何百ものフレームワーク選択タスクで大規模な実験を行います。
プログラミング言語やフレームワークが普及すればするほど、LLM生成コードの成功率が高くなります。
この現象は、AIシステムが既存の人気階層を強化し、多様性とイノベーションを妨げる一方で、支配的なツールへの収束を加速する可能性を示唆している。
- 参考スコア（独自算出の注目度）: 7.753573982185398
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: AI-assisted programming is rapidly reshaping software development, with large language models (LLMs) enabling new paradigms such as vibe coding and agentic coding. While prior works have focused on prompt design and code generation quality, the broader impact of LLM-driven development on the iterative dynamics of software engineering remains underexplored. In this paper, we conduct large-scale experiments on thousands of algorithmic programming tasks and hundreds of framework selection tasks to systematically investigate how AI-assisted programming interacts with the software ecosystem. Our analysis reveals \textbf{a striking Matthew effect: the more popular a programming language or framework, the higher the success rate of LLM-generated code}. The phenomenon suggests that AI systems may reinforce existing popularity hierarchies, accelerating convergence around dominant tools while hindering diversity and innovation. We provide a quantitative characterization of this effect and discuss its implications for the future evolution of programming ecosystems.
- Abstract（参考訳）: AI支援プログラミングは、大規模な言語モデル(LLM)によって、バイブコーディングやエージェントコーディングといった新しいパラダイムを実現することで、ソフトウェア開発を急速に再構築している。
以前の研究は、迅速な設計とコード生成の品質に重点を置いていたが、LLM駆動開発がソフトウェアエンジニアリングの反復的ダイナミクスに与える影響は、まだ未定である。
本稿では,AI支援プログラミングがソフトウェアエコシステムとどのように相互作用するかを体系的に調査するために,数千のアルゴリズムプログラミングタスクと数百のフレームワーク選択タスクに関する大規模な実験を行う。
プログラミング言語やフレームワークが普及すればするほど、LLM生成コードの成功率が高くなります。
この現象は、AIシステムが既存の人気階層を強化し、多様性とイノベーションを妨げる一方で、支配的なツールへの収束を加速する可能性を示唆している。
本稿では,この効果を定量的に評価し,プログラミングエコシステムの進化にその影響を論じる。
関連論文リスト
- Rethinking Technology Stack Selection with AI Coding Proficiency [49.617080246389605]
大規模言語モデル(LLM)は今やソフトウェア開発の不可欠な部分です。
我々は、LLMが与えられた技術を用いて高品質なコードスニペットを生成することができる、AI符号化能力という概念を提案する。
我々は,170のサードパーティ製ライブラリと61のタスクシナリオを対象とした,AI習熟度に関する初の総合的研究を行った。
論文 参考訳（メタデータ） (2025-09-14T06:56:47Z) - Vibe Coding as a Reconfiguration of Intent Mediation in Software Development: Definition, Implications, and Research Agenda [4.451779041553598]
vibeコーディングは、人間と生成AIが協調してソフトウェアアーティファクトを創造する、ソフトウェア開発パラダイムである。
バイブ符号化は人間と機械の労働を再分配することで認知作業を再構成することを示す。
リスクとともに、民主化、加速、システムレバレッジなど、重要な機会を特定します。
論文 参考訳（メタデータ） (2025-07-29T15:44:55Z) - Vibe Coding vs. Agentic Coding: Fundamentals and Practical Implications of Agentic AI [0.36868085124383626]
レビューでは、AI支援ソフトウェア開発の新たなパラダイムとして、バイブコーディングとエージェントコーディングの2つを包括的に分析している。
Vibeのコーディングは、インプットベースで対話的なインタラクションを通じて、直感的で、ループ内の人間間インタラクションを強調する。
エージェントコーディングは、最小限の介入でタスクを計画、実行、テスト、反復できる目標駆動エージェントを通じて、自律的なソフトウェア開発を可能にする。
論文 参考訳（メタデータ） (2025-05-26T03:00:21Z) - A Path Less Traveled: Reimagining Software Engineering Automation via a Neurosymbolic Paradigm [9.900581015679935]
本稿では,ニューロシンボリック・ソフトウェア・エンジニアリングを,ニューラルネットワークとシンボリック(ルールベース)推論を組み合わせた有望なパラダイムとして提案する。
このハイブリッド方法論は、AI駆動ソフトウェアエンジニアリングの効率性、信頼性、透明性を高めることを目的としている。
論文 参考訳（メタデータ） (2025-05-04T22:10:21Z) - Generative AI and Empirical Software Engineering: A Paradigm Shift [8.65285948382426]
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。
論文 参考訳（メタデータ） (2025-02-12T04:13:07Z) - Agent-Driven Automatic Software Improvement [55.2480439325792]
本提案は,Large Language Models (LLMs) を利用したエージェントの展開に着目して,革新的なソリューションの探求を目的とする。
継続的学習と適応を可能にするエージェントの反復的性質は、コード生成における一般的な課題を克服するのに役立ちます。
我々は,これらのシステムにおける反復的なフィードバックを用いて,エージェントの基盤となるLLMをさらに微調整し,自動化されたソフトウェア改善のタスクに整合性を持たせることを目指している。
論文 参考訳（メタデータ） (2024-06-24T15:45:22Z) - Making Software Development More Diverse and Inclusive: Key Themes, Challenges, and Future Directions [50.545824691484796]
ソフトウェア開発者の多様性と包摂性(SDDI)を改善するための課題と機会に関する6つのテーマを特定します。
4つのテーマの利点、害、今後の研究の方向性を特定します。
残りの2つのテーマ、人工知能とSDDIとAIとコンピュータサイエンスの教育について論じる。
論文 参考訳（メタデータ） (2024-04-10T16:18:11Z) - 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) - Machine Psychology [54.287802134327485]
我々は、心理学にインスパイアされた行動実験において、研究のための実りある方向が、大きな言語モデルに係わっていると論じる。
本稿では,本手法が表に示す理論的視点,実験パラダイム,計算解析技術について述べる。
これは、パフォーマンスベンチマークを超えた、生成人工知能(AI)のための「機械心理学」の道を開くものだ。
論文 参考訳（メタデータ） (2023-03-24T13:24:41Z) - 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) - Distributed and Democratized Learning: Philosophy and Research
Challenges [80.39805582015133]
民主化学習(Dem-AI)という新しいデザイン哲学を提案する。
ヒトの社会的グループに触発され、提案されたDem-AIシステムの学習エージェントの専門グループは階層構造で自己組織化され、より効率的に学習タスクを遂行する。
本稿では,様々な学際分野に触発された未来のDem-AIシステムを実現するためのガイドラインとして,参照設計を提案する。
論文 参考訳（メタデータ） (2020-03-18T08:45:10Z)
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。