論文の概要: Usage, Effects and Requirements for AI Coding Assistants in the Enterprise: An Empirical Study
- arxiv url: http://arxiv.org/abs/2601.20112v1
- Date: Tue, 27 Jan 2026 22:57:20 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-01-29 15:46:06.693226
- Title: Usage, Effects and Requirements for AI Coding Assistants in the Enterprise: An Empirical Study
- Title（参考訳）: 企業におけるAIコーディングアシスタントの利用、効果、必要条件:実証的研究
- Authors: Maja Vukovic, Rangeet Pan, Tin Kam Ho, Rahul Krishna, Raju Pavuluri, Michele Merler,
- Abstract要約: AIコーディングアシスタントとCodeLLMを使った経験について、57人の開発者を調査した。
我々は、AIコーディングアシスタントとCodeLLMを使用して、専門家や学生の使い方、経験、期待に関する35のユーザー調査をレビューした。
- 参考スコア（独自算出の注目度）: 4.01226690413941
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The rise of large language models (LLMs) has accelerated the development of automated techniques and tools for supporting various software engineering tasks, e.g., program understanding, code generation, software testing, and program repair. As CodeLLMs are being employed toward automating these tasks, one question that arises, especially in enterprise settings, is whether these coding assistants and the code LLMs that power them are ready for real-world projects and enterprise use cases, and how do they impact the existing software engineering process and user experience. In this paper we survey 57 developers from different domains and with varying software engineering skill about their experience with AI coding assistants and CodeLLMs. We also reviewed 35 user surveys on the usage, experience and expectations of professionals and students using AI coding assistants and CodeLLMs. Based on our study findings and analysis of existing surveys, we discuss the requirements for AI-powered coding assistants.
- Abstract（参考訳）: 大規模言語モデル(LLM)の台頭により、プログラム理解、コード生成、ソフトウェアテスト、プログラム修復など、さまざまなソフトウェアエンジニアリングタスクをサポートする自動化技術やツールの開発が加速した。
CodeLLMがこれらのタスクの自動化に採用されているため、特にエンタープライズ環境で発生する問題のひとつは、これらのコーディングアシスタントとそれらを動かすコードLLMが現実世界のプロジェクトやエンタープライズユースケースに対応可能かどうか、既存のソフトウェアエンジニアリングプロセスやユーザエクスペリエンスにどのように影響するのかである。
本稿では、異なるドメインから57人の開発者を対象に、AIコーディングアシスタントやCodeLLMを使った経験について、さまざまなソフトウェアエンジニアリングスキルについて調査する。
また、AIコーディングアシスタントとCodeLLMを使用して、専門家や学生の使用状況、経験、期待度に関する35のユーザ調査をレビューした。
既存の調査結果と分析に基づいて,AIを利用したコーディングアシスタントの要件について考察する。
関連論文リスト
- Learning to Code with Context: A Study-Based Approach [0.28675177318965045]
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。
論文 参考訳（メタデータ） (2025-12-04T20:40:36Z) - From Code Foundation Models to Agents and Applications: A Practical Guide to Code Intelligence [150.3696990310269]
大規模言語モデル(LLM)は、自然言語記述を直接関数コードに変換することによって、自動ソフトウェア開発を変革した。
コードLLMに関する総合的な合成と実践的ガイド(一連の解析および探索実験)を提供する。
一般LLM(GPT-4, Claude, LLaMA)とコード特殊化LLM(StarCoder, Code LLaMA, DeepSeek-Coder, QwenCoder)のコード機能の解析を行う。
論文 参考訳（メタデータ） (2025-11-23T17:09:34Z) - 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) - Examining the Use and Impact of an AI Code Assistant on Developer Productivity and Experience in the Enterprise [16.33294877731443]
Watsonx Code Assistant (WCA) はIBM内に配置されている。
WCAの開発者エクスペリエンスとその生産性への影響について検討した。
論文 参考訳（メタデータ） (2024-12-09T15:53:00Z) - 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) - Developer Experiences with a Contextualized AI Coding Assistant:
Usability, Expectations, and Outcomes [11.520721038793285]
この研究は、コンテキスト化されたコーディングAIアシスタントであるStackSpot AIを制御された環境で使用した62人の参加者の初期体験に焦点を当てる。
アシスタントの使用は、大幅な時間を節約し、ドキュメントへのアクセスを容易にし、内部APIの正確なコードを生成する結果となった。
コーディングアシスタントが、複雑なコードを扱う際の変数応答や制限と同様に、よりコンテキスト情報にアクセスできるようにするために必要な知識ソースに関連する課題が観察された。
論文 参考訳（メタデータ） (2023-11-30T10:52:28Z) - 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) - Software engineering for artificial intelligence and machine learning
software: A systematic literature review [6.681725960709127]
本研究は,AI/MLシステムの開発において,ソフトウェア工学がどのように応用されてきたかを検討することを目的とする。
プロフェッショナルが直面する主な課題は、テスト、AIソフトウェアの品質、データ管理といった分野だ。
論文 参考訳（メタデータ） (2020-11-07T11:06:28Z) - 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。