論文の概要: Learning to Code with Context: A Study-Based Approach
- arxiv url: http://arxiv.org/abs/2512.05242v1
- Date: Thu, 04 Dec 2025 20:40:36 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-12-13 22:40:56.805421
- Title: Learning to Code with Context: A Study-Based Approach
- Title（参考訳）: コンテキストでプログラミングを学ぶ: 学習に基づくアプローチ
- Authors: Uwe M. Borghoff, Mark Minas, Jannis Schopp,
- Abstract要約: 生成AIツールの急速な出現は、ソフトウェアの開発方法を変えつつある。
プロジェクトベースのコースは、実世界の開発プラクティスへのAIアシストの統合を探求し、評価するための効果的な環境を提供する。
本稿では,学生が共同でコンピュータゲームを開発する大学プログラミングプロジェクトにおいて,本手法とユーザスタディについて述べる。
- 参考スコア（独自算出の注目度）: 0.28675177318965045
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The rapid emergence of generative AI tools is transforming the way software is developed. Consequently, software engineering education must adapt to ensure that students not only learn traditional development methods but also understand how to meaningfully and responsibly use these new technologies. In particular, project-based courses offer an effective environment to explore and evaluate the integration of AI assistance into real-world development practices. This paper presents our approach and a user study conducted within a university programming project in which students collaboratively developed computer games. The study investigates how participants used generative AI tools throughout different phases of the software development process, identifies the types of tasks where such tools were most effective, and analyzes the challenges students encountered. Building on these insights, we further examine a repository-aware, locally deployed large language model (LLM) assistant designed to provide project-contextualized support. The system employs Retrieval-Augmented Generation (RAG) to ground responses in relevant documentation and source code, enabling qualitative analysis of model behavior, parameter sensitivity, and common failure modes. The findings deepen our understanding of context-aware AI support in educational software projects and inform future integration of AI-based assistance into software engineering curricula.
- Abstract（参考訳）: 生成AIツールの急速な出現は、ソフトウェアの開発方法を変えつつある。
結果として、ソフトウェア工学教育は、学生が伝統的な開発手法を学ぶだけでなく、これらの新しい技術をどのように有意義かつ責任を持って使うかを理解するために適応する必要がある。
特に、プロジェクトベースのコースは、実世界の開発プラクティスへのAIアシストの統合を探求し、評価するための効果的な環境を提供する。
本稿では,学生が共同でコンピュータゲームを開発する大学プログラミングプロジェクトにおいて実施したアプローチとユーザスタディについて述べる。
この研究は、参加者がソフトウェア開発プロセスの異なるフェーズで生成AIツールをどのように利用したかを調べ、そのようなツールが最も効果的であるタスクの種類を特定し、学生が遭遇した課題を分析した。
これらの知見に基づいて,プロジェクトコンテキスト化されたサポートを提供するために設計された,リポジトリ対応でローカルにデプロイされた大規模言語モデル(LLM)アシスタントについても検討する。
このシステムはRetrieval-Augmented Generation(RAG)を使用して、関連するドキュメントやソースコードの応答を基底として、モデルの振る舞いやパラメータの感度、一般的な障害モードの定性的な分析を可能にする。
この調査結果は、教育ソフトウェアプロジェクトにおけるコンテキスト対応AIサポートの理解を深め、AIベースの支援をソフトウェアエンジニアリングカリキュラムに統合することを通知する。
関連論文リスト
- Lessons Learned from the Use of Generative AI in Engineering and Quality Assurance of a WEB System for Healthcare [0.6982947801732751]
ソフトウェアエンジニアリングプラクティスにおける生成AIの利用は、まだ初期段階にある。
本報告では,ソフトウェア開発プロセスにおけるジェネレーティブAIの利用に関する,開発チームの学習経験について報告する。
開発プロセスを著しく発展させる決定的な技術的証拠はまだ持っていませんが、その結果は、生成AIでソフトウェア品質を達成するための開発プラクティスを革新しようとするソフトウェア組織にとって、貴重な洞察となりました。
論文 参考訳（メタデータ） (2025-11-01T18:42:29Z) - Edge-Cloud Collaborative Computing on Distributed Intelligence and Model Optimization: A Survey [58.50944604905037]
エッジクラウドコラボレーティブコンピューティング(ECCC)は、現代のインテリジェントアプリケーションの計算要求に対処するための重要なパラダイムとして登場した。
AIの最近の進歩、特にディープラーニングと大規模言語モデル(LLM)は、これらの分散システムの能力を劇的に向上させてきた。
この調査は、基本的なアーキテクチャ、技術の実現、新しいアプリケーションに関する構造化されたチュートリアルを提供する。
論文 参考訳（メタデータ） (2025-05-03T13:55:38Z) - Human-AI Experience in Integrated Development Environments: A Systematic Literature Review [2.1749194587826026]
人工知能のIDE(Integrated Development Environments)への統合は、開発者がツールと対話する方法を変えようとしている。
このシフトは、統合開発環境(IDE HAX)におけるヒューマンAI体験の出現を表している。
IDE内HAXの研究は依然として断片的であり、現在のプラクティス、課題、機会の統一的な概要の必要性を強調している。
論文 参考訳（メタデータ） (2025-03-08T12:40:18Z) - Generative AI and Empirical Software Engineering: A Paradigm Shift [9.284024538100063]
本稿では,大規模言語モデルのソフトウェア工学への統合が,確立した研究パラダイムをいかに破壊するかを考察する。
我々は、我々が研究している現象、我々が依存する方法や理論、分析するデータ、そして、動的AIを介する環境で発生する妥当性に対する脅威をどう変えるかについて議論する。
私たちの目標は、経験豊かなソフトウェアエンジニアリングコミュニティが、AIシステムが単なるツールではなく、ソフトウェアエンジニアリングとその研究を形作る活発な協力者の未来に、その質問や道具、検証基準を適合させることです。
論文 参考訳（メタデータ） (2025-02-12T04:13:07Z) - 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) - In-IDE Human-AI Experience in the Era of Large Language Models; A
Literature Review [2.6703221234079946]
IDEにおけるヒューマンAIエクスペリエンスの研究は、これらのAIツールがソフトウェア開発プロセスをどのように変化させているかを理解する上で非常に重要である。
我々は,IDE内人間-AI体験研究の現状を研究するために文献レビューを行った。
論文 参考訳（メタデータ） (2024-01-19T14:55:51Z) - Charting a Path to Efficient Onboarding: The Role of Software
Visualization [49.1574468325115]
本研究は,ソフトウェアビジュアライゼーションツールを用いたマネージャ,リーダ,開発者の親しみやすさを探求することを目的としている。
本手法は, 質問紙調査と半構造化面接を用いて, 実践者から収集したデータの量的, 質的分析を取り入れた。
論文 参考訳（メタデータ） (2024-01-17T21:30:45Z) - 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) - 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) - Machine Learning for Software Engineering: A Systematic Mapping [73.30245214374027]
ソフトウェア開発業界は、現代のソフトウェアシステムを高度にインテリジェントで自己学習システムに移行するために、機械学習を急速に採用している。
ソフトウェアエンジニアリングライフサイクルの段階にわたって機械学習の採用について、現状を探求する包括的な研究は存在しない。
本研究は,機械学習によるソフトウェア工学(MLSE)分類を,ソフトウェア工学ライフサイクルのさまざまな段階に適用性に応じて,最先端の機械学習技術に分類するものである。
論文 参考訳（メタデータ） (2020-05-27T11:56:56Z)
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。