論文の概要: Impact of LLMs on Team Collaboration in Software Development
- arxiv url: http://arxiv.org/abs/2510.08612v1
- Date: Tue, 07 Oct 2025 18:16:17 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-10-14 00:38:47.191096
- Title: Impact of LLMs on Team Collaboration in Software Development
- Title（参考訳）: LLMがソフトウェア開発におけるチームコラボレーションに与える影響
- Authors: Devang Dhanuka,
- Abstract要約: 大規模言語モデル(LLM)は、ソフトウェア開発プロセスに統合されつつある。
本稿では,LLMがソフトウェア開発ライフサイクル全体を通してチームコラボレーションにどのように影響するかを検討する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Large Language Models (LLMs) are increasingly being integrated into software development processes, with the potential to transform team workflows and productivity. This paper investigates how LLMs affect team collaboration throughout the Software Development Life Cycle (SDLC). We reframe and update a prior study with recent developments as of 2025, incorporating new literature and case studies. We outline the problem of collaboration hurdles in SDLC and explore how LLMs can enhance productivity, communication, and decision-making in a team context. Through literature review, industry examples, a team survey, and two case studies, we assess the impact of LLM-assisted tools (such as code generation assistants and AI-powered project management agents) on collaborative software engineering practices. Our findings indicate that LLMs can significantly improve efficiency (by automating repetitive tasks and documentation), enhance communication clarity, and aid cross-functional collaboration, while also introducing new challenges like model limitations and privacy concerns. We discuss these benefits and challenges, present research questions guiding the investigation, evaluate threats to validity, and suggest future research directions including domain-specific model customization, improved integration into development tools, and robust strategies for ensuring trust and security.
- Abstract（参考訳）: 大規模言語モデル(LLM)は、チームのワークフローと生産性を変革する可能性があるため、ソフトウェア開発プロセスに統合されつつある。
本稿では,LCMがソフトウェア開発ライフサイクル(SDLC)全体のチームコラボレーションにどのように影響するかを検討する。
我々は2025年現在、新しい文献とケーススタディを取り入れた最近の研究で、以前の研究を再編成し、更新している。
SDLCにおけるコラボレーションのハードルに関する問題を概説し、LLMがチームのコンテキストにおける生産性、コミュニケーション、意思決定をいかに向上させるかを考察する。
文献レビューや業界事例,チーム調査,2つのケーススタディを通じて,LLM支援ツール(コード生成アシスタントやAIを活用したプロジェクト管理エージェントなど)がコラボレーションソフトウェアエンジニアリングプラクティスに与える影響を評価する。
この結果から, LLMは, 繰り返しタスクやドキュメントの自動化, コミュニケーションの明確化, クロスファンクショナルなコラボレーションを支援するとともに, モデル制限やプライバシの懸念といった新たな課題を導入し, 効率を著しく向上させることができることが示唆された。
本稿では,これらのメリットと課題について論じ,調査の指導,妥当性への脅威評価,ドメイン固有モデルのカスタマイズ,開発ツールへの統合の改善,信頼性とセキュリティを確保するための堅牢な戦略など,今後の研究方向性を提案する。
関連論文リスト
- Cognitive Agents Powered by Large Language Models for Agile Software Project Management [0.0]
本稿では,大規模言語モデル(LLM)を利用した認知エージェントの大規模アジャイルフレームワーク(SAFe)への統合について検討する。
シミュレーションソフトウェア環境に仮想エージェントを配置することにより、ITプロジェクト開発における基本的な役割を果たす可能性を探る。
論文 参考訳（メタデータ） (2025-08-21T09:19:08Z) - Exploring Individual Factors in the Adoption of LLMs for Specific Software Engineering Tasks [17.818350887316004]
本研究では,技術導入に伴う個々の属性と大規模言語モデル(LLM)の関係について検討する。
その結果、タスク固有の採用は異なる要因の影響を受けており、その一部は単独で考えると、採用に悪影響を及ぼすことが判明した。
論文 参考訳（メタデータ） (2025-04-03T13:07:04Z) - 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) - 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) - Cooperate or Collapse: Emergence of Sustainable Cooperation in a Society of LLM Agents [101.17919953243107]
GovSimは、大規模言語モデル(LLM)における戦略的相互作用と協調的意思決定を研究するために設計された生成シミュレーションプラットフォームである。
最強のLSMエージェントを除く全てのエージェントは、GovSimの持続的均衡を達成することができず、生存率は54%以下である。
道徳的思考の理論である「大学化」に基づく推論を活用するエージェントは、持続可能性を大幅に向上できることを示す。
論文 参考訳（メタデータ） (2024-04-25T15:59:16Z) - LLM-Based Multi-Agent Systems for Software Engineering: Literature Review, Vision and the Road Ahead [14.834072370183106]
本稿では,LMA(Multi-Agent)システムへのLarge Language Modelの統合の可能性について検討する。
複数のエージェントの協調的かつ専門的な能力を活用することで、LMAシステムは自律的な問題解決を可能にし、堅牢性を改善し、現実世界のソフトウェアプロジェクトの複雑さを管理するスケーラブルなソリューションを提供する。
論文 参考訳（メタデータ） (2024-04-07T07:05:40Z) - Large Language Model-based Human-Agent Collaboration for Complex Task
Solving [94.3914058341565]
複雑なタスク解決のためのLarge Language Models(LLM)に基づくヒューマンエージェントコラボレーションの問題を紹介する。
Reinforcement Learning-based Human-Agent Collaboration method, ReHACを提案する。
このアプローチには、タスク解決プロセスにおける人間の介入の最も急進的な段階を決定するために設計されたポリシーモデルが含まれている。
論文 参考訳（メタデータ） (2024-02-20T11:03:36Z) - 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) - Instruction Tuning for Large Language Models: A Survey [52.86322823501338]
我々は、教師付き微調整(SFT)の一般的な方法論を含む、文献の体系的なレビューを行う。
また、既存の戦略の欠陥を指摘しながら、SFTの潜在的な落とし穴についても、それに対する批判とともに検討する。
論文 参考訳（メタデータ） (2023-08-21T15:35:16Z) - 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。