論文の概要: Past, Present, and Future of Bug Tracking in the Generative AI Era
- arxiv url: http://arxiv.org/abs/2510.08005v1
- Date: Thu, 09 Oct 2025 09:42:30 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-10-10 17:54:14.991332
- Title: Past, Present, and Future of Bug Tracking in the Generative AI Era
- Title（参考訳）: 次世代AI時代におけるバグ追跡の過去・現在・未来
- Authors: Utku Boran Torun, Mehmet Taha Demircan, Mahmut Furkan Gön, Eray Tüzün,
- Abstract要約: 従来のバグトラッキングシステムは、手動のレポート、再生、トリアージ、解像度に大きく依存している。
我々は、インテリジェントで大規模言語モデル(LLM)による自動化によって既存のツールを拡張するAIベースのバグトラッキングフレームワークを提案する。
- 参考スコア（独自算出の注目度）: 1.3241176321860364
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Traditional bug tracking systems rely heavily on manual reporting, reproduction, triaging, and resolution, each carried out by different stakeholders such as end users, customer support, developers, and testers. This division of responsibilities requires significant coordination and widens the communication gap between non-technical users and technical teams, slowing the process from bug discovery to resolution. Moreover, current systems are highly asynchronous; users often wait hours or days for a first response, delaying fixes and contributing to frustration. This paper examines the evolution of bug tracking, from early paper-based reporting to today's web-based and SaaS platforms. Building on this trajectory, we propose an AI-powered bug tracking framework that augments existing tools with intelligent, large language model (LLM)-driven automation. Our framework addresses two main challenges: reducing time-to-fix and minimizing human overhead. Users report issues in natural language, while AI agents refine reports, attempt reproduction, and request missing details. Reports are then classified, invalid ones resolved through no-code fixes, and valid ones localized and assigned to developers. LLMs also generate candidate patches, with human oversight ensuring correctness. By integrating automation into each phase, our framework accelerates response times, improves collaboration, and strengthens software maintenance practices for a more efficient, user-centric future.
- Abstract（参考訳）: 従来のバグトラッキングシステムは、手動によるレポート、再現、トリアージ、解決に大きく依存しており、それぞれがエンドユーザ、顧客サポート、開発者、テスタなど、さまざまなステークホルダによって実行される。
この責務の分割は、大幅な調整を必要とし、非技術ユーザと技術チーム間のコミュニケーションギャップを拡大し、バグ発見から解決までプロセスを遅くする。
さらに、現在のシステムは非常に非同期であり、ユーザは最初のレスポンスに何時間も何日も待つことがあり、修正を遅らせ、フラストレーションに寄与する。
本稿では、初期の紙ベースのレポートから今日のWebベースおよびSaaSプラットフォームまで、バグトラッキングの進化について検討する。
この軌道に基づいて、我々は、インテリジェントで大規模言語モデル(LLM)駆動の自動化で既存のツールを拡張するAIベースのバグトラッキングフレームワークを提案する。
当社のフレームワークは,修正までの時間を短縮し,オーバーヘッドを最小限にする,という2つの課題に対処する。
ユーザーは自然言語で問題を報告し、AIエージェントはレポートを精査し、再生を試みる。
レポートは分類され、ノーコード修正によって解決された無効なものが、ローカライズされ、開発者に割り当てられる。
LLMはまた、人間の監視が正しいことを保証して、候補パッチを生成する。
各フェーズに自動化を統合することで、私たちのフレームワークはレスポンスタイムを加速し、コラボレーションを改善し、より効率的でユーザ中心の未来のソフトウェアメンテナンスプラクティスを強化します。
関連論文リスト
- Code with Me or for Me? How Increasing AI Automation Transforms Developer Workflows [60.04362496037186]
本研究は,コーディングエージェントと開発者インタラクションを制御した最初の研究である。
我々は,2つの主要な協調型およびエージェント型符号化アシスタントの評価を行った。
結果から,エージェントはコピロトを超える方法で開発者を支援することができることがわかった。
論文 参考訳（メタデータ） (2025-07-10T20:12:54Z) - From Code Generation to Software Testing: AI Copilot with Context-Based RAG [8.28588489551341]
本稿では,2つの相互接続問題として,バグ検出と少ないバグでコーディングを行うことにより,ソフトウェアテストの新たな視点を提案する。
我々は、バグ検出と更新を同期する自動テストシステムであるCopilot for Testingを紹介した。
評価の結果,バグ検出精度が31.2%向上し,テストカバレッジが12.6%向上し,ユーザ受け入れ率が10.5%向上した。
論文 参考訳（メタデータ） (2025-04-02T16:20:05Z) - LLMs as Continuous Learners: Improving the Reproduction of Defective Code in Software Issues [62.12404317786005]
EvoCoderは、イシューコード再現のための継続的学習フレームワークである。
その結果,既存のSOTA法よりも20%改善した。
論文 参考訳（メタデータ） (2024-11-21T08:49:23Z) - MarsCode Agent: AI-native Automated Bug Fixing [7.909344108948294]
MarsCode Agentは、大規模な言語モデルを利用して、ソフトウェアコードのバグを自動的に識別し、修復する新しいフレームワークである。
提案手法は, 計画, バグ再現, 障害局所化, パッチの候補生成, バリデーションといった, 高品質なバグ修正を確実にするための体系的なプロセスに従う。
以上の結果から,MarsCode Agentは既存の自動化アプローチと比較して,バグ修正において高い成功率を達成していることがわかった。
論文 参考訳（メタデータ） (2024-09-02T02:24:38Z) - 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) - Prompting Is All You Need: Automated Android Bug Replay with Large Language Models [28.69675481931385]
本稿では,バグ報告から迅速なエンジニアリングを通じてバグを自動的に再現する,新しい軽量なアプローチであるAdbGPTを提案する。
AdbGPTは、LLMから人間の知識と論理的推論を引き出すために、少数ショットの学習と連鎖推論を活用する。
この評価は,253.6秒で81.3%のバグレポートを再現するAdbGPTの有効性と有効性を示すものである。
論文 参考訳（メタデータ） (2023-06-03T03:03:52Z) - Using Developer Discussions to Guide Fixing Bugs in Software [51.00904399653609]
我々は,タスク実行前に利用可能であり,また自然発生しているバグレポートの議論を,開発者による追加情報の必要性を回避して利用することを提案する。
このような議論から派生したさまざまな自然言語コンテキストがバグ修正に役立ち、オラクルのバグ修正コミットに対応するコミットメッセージの使用よりもパフォーマンスの向上につながることを実証する。
論文 参考訳（メタデータ） (2022-11-11T16:37:33Z) - Learning to Communicate and Correct Pose Errors [75.03747122616605]
本稿では、V2VNetで提案された設定について検討し、近くにある自動運転車が共同で物体検出と動き予測を協調的に行う方法を提案する。
本稿では,コミュニケーションを学習し,潜在的な誤りを推定し,それらの誤りについてコンセンサスを得るための新しいニューラルネットワーク推論フレームワークを提案する。
論文 参考訳（メタデータ） (2020-11-10T18:19:40Z)
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。