論文の概要: Aligning Academia with Industry: An Empirical Study of Industrial Needs and Academic Capabilities in AI-Driven Software Engineering

• arxiv url: http://arxiv.org/abs/2512.15148v1
• Date: Wed, 17 Dec 2025 07:29:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-18 17:06:26.887164
• Title: Aligning Academia with Industry: An Empirical Study of Industrial Needs and Academic Capabilities in AI-Driven Software Engineering
• Title（参考訳）: 産業界との連携:AI駆動ソフトウェア工学における産業ニーズとアカデミック能力の実証的研究
• Authors: Hang Yu, Yuzhou Lai, Li Zhang, Xiaoli Lian, Fang Liu, Yanrui Dong, Ting Zhang, Zhi Jin, David Lo,
• Abstract要約: 大規模言語モデル(LLM)の急速な進歩は、ソフトウェア工学(SE)を根本的に変えることである。 トップレベルのSE会場は、自動テストやプログラムの修理といった分野に持続的、あるいは新たな焦点を置き続けているが、これらの学術的進歩と実際の産業的ニーズとの整合性は依然として不明である。 本研究は,これらの重要かつ未解明の課題に学術的関心を振り返り,今後のSE研究を産業的インパクトに導くことを目的としている。
• 参考スコア（独自算出の注目度）: 45.09204791294318
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The rapid advancement of large language models (LLMs) is fundamentally reshaping software engineering (SE), driving a paradigm shift in both academic research and industrial practice. While top-tier SE venues continue to show sustained or emerging focus on areas like automated testing and program repair, with researchers worldwide reporting continuous performance gains, the alignment of these academic advances with real industrial needs remains unclear. To bridge this gap, we first conduct a systematic analysis of 1,367 papers published in FSE, ASE, and ICSE between 2022 and 2025, identifying key research topics, commonly used benchmarks, industrial relevance, and open-source availability. We then carry out an empirical survey across 17 organizations, collecting 282 responses on six prominent topics, i.e., program analysis, automated testing, code generation/completion, issue resolution, pre-trained code models, and dependency management, through structured questionnaires. By contrasting academic capabilities with industrial feedback, we derive seven critical implications, highlighting under-addressed challenges in software requirements and architecture, the reliability and explainability of intelligent SE approaches, input assumptions in academic research, practical evaluation tensions, and ethical considerations. This study aims to refocus academic attention on these important yet under-explored problems and to guide future SE research toward greater industrial impact.
• Abstract（参考訳）: 大規模言語モデル(LLM)の急速な進歩は、ソフトウェア工学(SE)を根本的に改革し、学術研究と産業プラクティスの両方においてパラダイムシフトを推進している。 トップレベルのSE会場は、自動テストやプログラムの修理といった分野に持続的、あるいは新たな焦点を置き続けているが、世界中の研究者が継続的なパフォーマンス向上を報告している一方で、これらの学術的進歩と実際の産業的ニーズとの整合性は依然として不明である。 このギャップを埋めるために、我々は2022年から2025年にかけて、FSE、ASE、ICSEで発行された1,367の論文を体系的に分析し、主要な研究トピック、一般的に使用されているベンチマーク、産業関連性、およびオープンソース可用性を特定した。 次に,プログラム分析,自動テスト,コード生成/補完,課題解決,事前学習されたコードモデル,依存関係管理の6つの主要なトピックに対して,構造化されたアンケートを通じて282の回答を集めた。 学術的能力と産業的フィードバックを対比することにより、ソフトウェア要件とアーキテクチャにおける過小評価された課題、インテリジェントSEアプローチの信頼性と説明可能性、学術研究における入力仮定、実践的評価緊張、倫理的考察の7つの重要な意味を導き出す。 本研究は,これらの重要かつ未探索の課題に学術的関心を振り返り,今後のSE研究を産業的インパクトに導くことを目的としている。

関連論文リスト

• Retrieval-Augmented Generation in Industry: An Interview Study on Use Cases, Requirements, Challenges, and Evaluation [0.0]
  Retrieval-Augmented Generation (RAG)は、AIにおける急速に進化する分野である。 工業的文脈におけるその実践的応用に関する研究の欠如がある。 本研究では,企業におけるRAGの適用状況について検討した。
  論文  参考訳（メタデータ） (2025-08-11T09:40:54Z)
• AI4Research: A Survey of Artificial Intelligence for Scientific Research [55.5452803680643]
  我々はAI for Research(AI4Research)に関する総合的な調査を行う。 まず、AI4Researchの5つの主要なタスクを分類する系統分類を導入する。 主要な研究ギャップを特定し、将来有望な方向性を明らかにする。
  論文  参考訳（メタデータ） (2025-07-02T17:19:20Z)
• AI Education in a Mirror: Challenges Faced by Academic and Industry Experts [15.332866859177747]
  この研究は、AI専門家が学術と産業の両方で直面する課題に関する予備的な洞察を提供する。 データ品質と可用性、モデルのスケーラビリティ、実践的な制約、ユーザの振る舞い、説明可能性に関する重要な課題を特定します。 これらの探索的な発見は、AIカリキュラムが現実世界の複雑さ、ソフトウェア工学の原則、学際的な学習をよりうまく統合できることを示唆している。
  論文  参考訳（メタデータ） (2025-05-02T16:52:49Z)
• SuperGPQA: Scaling LLM Evaluation across 285 Graduate Disciplines [118.8024915014751]
  大規模言語モデル(LLM)は、数学、物理学、計算機科学などの学問分野において顕著な熟練性を示している。 しかしながら、人間の知識は200以上の専門分野を含み、既存のベンチマークの範囲をはるかに超えている。 285分野にわたる大学院レベルの知識と推論能力を評価するベンチマークであるSuperGPQAを提案する。
  論文  参考訳（メタデータ） (2025-02-20T17:05:58Z)
• Bridging the Gap: A Study of AI-based Vulnerability Management between Industry and Academia [4.4037442949276455]
  人工知能(AI)の最近の研究進歩は、自動化されたソフトウェア脆弱性管理に有望な結果をもたらした。 業界は、AIベースのテクニックをセキュリティ脆弱性管理ワークフローに統合することに関して、非常に慎重で選択的だ。 我々は、産業の期待をよりよく理解し、AIベースのセキュリティ脆弱性研究の実践的ユーザビリティを改善し、産業とアカデミックの相乗効果を推し進めるための将来の方向性を提案する。
  論文  参考訳（メタデータ） (2024-05-03T19:00:50Z)
• Insights Towards Better Case Study Reporting in Software Engineering [0.0]
  本稿では,ケーススタディレポートの質と影響を高める知見を共有することを目的とする。 ケーススタディでは、確立されたガイドライン、正確な分類、詳細な文脈記述に従うことの必要性を強調した。 我々は,ケーススタディが方法論的に健全であることを保証するために,より厳密でコミュニケーション的な戦略を採用するよう研究者に促すことを目指している。
  論文  参考訳（メタデータ） (2024-02-13T12:29:26Z)
• The Technological Emergence of AutoML: A Survey of Performant Software and Applications in the Context of Industry [72.10607978091492]
  Automated/Autonomous Machine Learning (AutoML/AutonoML)は比較的若い分野である。 このレビューは、このトピックに関する知識に2つの主要な貢献をしている。 オープンソースと商用両方の既存のAutoMLツールについて、最新かつ包括的な調査を提供する。
  論文  参考訳（メタデータ） (2022-11-08T10:42:08Z)
• Artificial Intelligence for IT Operations (AIOPS) Workshop White Paper [50.25428141435537]
  AIOps(Artificial Intelligence for IT Operations)は、マシンラーニング、ビッグデータ、ストリーミング分析、IT運用管理の交差点で発生する、新たな学際分野である。 AIOPSワークショップの主な目的は、アカデミアと産業界の両方の研究者が集まり、この分野での経験、成果、作業について発表することです。
  論文  参考訳（メタデータ） (2021-01-15T10:43:10Z)

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。