論文の概要: Adoption of Large Language Models in Scrum Management: Insights from Brazilian Practitioners

• arxiv url: http://arxiv.org/abs/2602.08192v1
• Date: Mon, 09 Feb 2026 01:21:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-10 20:26:25.020616
• Title: Adoption of Large Language Models in Scrum Management: Insights from Brazilian Practitioners
• Title（参考訳）: スクラムマネジメントにおける大規模言語モデルの導入:ブラジルの実践者からの洞察
• Authors: Mirko Perkusich, Danyllo Albuquerque, Allysson Allex Araújo, Matheus Paixão, Rohit Gheyi, Marcos Kalinowski, Angelo Perkusich,
• Abstract要約: 最近のLLM(Large Language Models)の出現は、知識集約型スクラムプラクティスをサポートする新たな機会を生み出しました。 本研究では,ブラジルの70人のプロフェッショナルを対象に,スクラムマネジメント活動におけるLLMの使用状況について調査した。 その結果, LLMは高い習熟度と頻繁な使用率を示し, 回答者の85%が中級または上級の習熟度, 52%が毎日使用していることがわかった。
• 参考スコア（独自算出の注目度）: 2.0118771669399327
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Scrum is widely adopted in software project management due to its adaptability and collaborative nature. The recent emergence of Large Language Models (LLMs) has created new opportunities to support knowledge-intensive Scrum practices. However, existing research has largely focused on technical activities such as coding and testing, with limited evidence on the use of LLMs in management-related Scrum activities. In this study, we investigate the use of LLMs in Scrum management activities through a survey of 70 Brazilian professionals. Among them, 49 actively use Scrum, and 33 reported using LLM-based assistants in their Scrum practices. The results indicate a high level of proficiency and frequent use of LLMs, with 85% of respondents reporting intermediate or advanced proficiency and 52% using them daily. LLM use concentrates on exploring Scrum practices, with artifacts and events receiving targeted yet uneven support, whereas broader management tasks appear to be adopted more cautiously. The main benefits include increased productivity (78%) and reduced manual effort (75%). However, several critical risks remain, as respondents report 'almost correct' outputs (81%), confidentiality concerns (63%), and hallucinations during use (59%). This work provides one of the first empirical characterizations of LLM use in Scrum management, identifying current practices, quantifying benefits and risks, and outlining directions for responsible adoption and integration in Agile environments.
• Abstract（参考訳）: スクラムは、適応性と協調性のために、ソフトウェアプロジェクト管理に広く採用されています。 最近のLLM(Large Language Models)の出現は、知識集約型スクラムプラクティスをサポートする新たな機会を生み出しました。 しかしながら、既存の研究はコーディングやテストといった技術的な活動に重点を置いており、マネージメント関連のスクラム活動におけるLLMの使用に関する証拠は限られている。 本研究では,ブラジルの70人のプロを対象に,スクラムマネジメント活動における LLM の使用状況について調査した。 そのうち49人はスクラムを積極的に使い、33人はLLMベースのアシスタントをスクラムプラクティスに用いていると報告した。 その結果, LLMは高い習熟度と頻繁な使用率を示し, 回答者の85%が中級または上級の習熟度, 52%が毎日使用していることがわかった。 LLMはスクラムプラクティスの探求に重点を置いており、成果物やイベントがターゲットとして不均一なサポートを受けるのに対して、より広範な管理タスクは慎重に採用されているようだ。 主なメリットは生産性の向上(78%)と手作業の削減(775%)である。 しかし、回答者は「ほぼ正しい」出力(81%)、機密性に関する懸念(63%)、使用中の幻覚(59%)を報告し、いくつかの重大なリスクが残っている。 この作業は、スクラム管理におけるLLMの使用に関する最初の経験的特徴の1つとして、現在のプラクティスを特定し、メリットとリスクを定量化し、アジャイル環境での責任ある採用と統合の方向性を概説する。

関連論文リスト

• Prompts as Software Engineering Artifacts: A Research Agenda and Preliminary Findings [39.35547205954143]
  この研究プログラムは、ソフトウェア工学における現在の急進的な実践、課題、および影響要因を特徴づける。 我々は6カ国から74人のソフトウェア専門家を対象に,現在の迅速な実践と課題について調査を行った。 プロンプトは、試行錯誤によって洗練され、滅多に再利用されず、標準化されたプラクティスよりも個々の実践者が形作ることが多い。
  論文  参考訳（メタデータ） (2025-09-22T09:08:29Z)
• Self-Generated In-Context Examples Improve LLM Agents for Sequential Decision-Making Tasks [11.125564622217892]
  大規模言語モデルエージェントは、人間の介入なしに自身の成功経験から学習することで改善する。 提案手法は,将来的なタスクのコンテキスト内例として機能する,自己生成トラジェクトリのデータベースを構築し,改良する。 我々の軌道ブートストラッピング技術は、エージェントが経験を通じて自律的に改善できることを示し、労働集約的な知識工学に代わるスケーラブルな代替手段を提供する。
  論文  参考訳（メタデータ） (2025-05-01T00:48:12Z)
• MLRC-Bench: Can Language Agents Solve Machine Learning Research Challenges? [66.87201770167012]
  MLRC-Benchは、機械学習(ML)リサーチコンペティションの挑戦において、言語エージェントがいかに効果的に対処できるかを定量化するために設計されたベンチマークである。 MLRC-Benchは以前の研究とは異なり、新しい研究手法を提案し、実装する上で重要なステップを計測する。 最も優れた試験薬でさえ、ベースラインとトップヒューマンのスコアの差の9.3%しか閉じていない。
  論文  参考訳（メタデータ） (2025-04-13T19:35:43Z)
• Understanding the Role of LLMs in Multimodal Evaluation Benchmarks [77.59035801244278]
  本稿では,MLLM評価におけるLarge Language Model (LLM)バックボーンの役割について検討する。 本研究は4つのMLLMベンチマークと8つの最先端MLLMベンチマークを含む。 鍵となる発見は、いくつかのベンチマークでは視覚的な入力がなくても高いパフォーマンスを実現しており、最大50%のエラーレートは、LLMバックボーンにおける不十分な世界的知識に起因していることを示している。
  論文  参考訳（メタデータ） (2024-10-16T07:49:13Z)
• Self-Evolving GPT: A Lifelong Autonomous Experiential Learner [40.16716983217304]
  大規模言語モデル(LLM)に基づく生涯の自律的経験学習フレームワークを設計する。 自律的に学習し、経験の伝達と帰納を通じて経験を蓄積し、どのような種類の入力質問を分類し、どの蓄積された経験を雇用するかを選択する。 6つのNLPデータセットによる実験結果から,本フレームワークは各中間段階において確実に動作し,GPT-3.5およびGPT-4の性能を効果的に向上することが示された。
  論文  参考訳（メタデータ） (2024-07-12T02:49:13Z)
• BigCodeBench: Benchmarking Code Generation with Diverse Function Calls and Complex Instructions [72.56339136017759]
  BigCodeBenchは、大規模言語モデル(LLM)に対して、139のライブラリと7つのドメインから1140のきめ細かいタスクに対して、複数の関数呼び出しをツールとして呼び出すためのベンチマークである。 評価の結果,LLMは機能コールを正確に使用するための複雑な指示に従うことができず,スコアは最大60%,人的性能は97%と極めて低いことがわかった。 そこで本研究では,BigCodeBench-Instructという自然言語指向の変種を提案する。
  論文  参考訳（メタデータ） (2024-06-22T15:52:04Z)
• Automated Commit Message Generation with Large Language Models: An Empirical Study and Beyond [24.151927600694066]
  コミットメッセージ生成(CMG)アプローチは、与えられたコード差分に基づいてコミットメッセージを自動的に生成することを目的としている。 本稿では,Large Language Models (LLMs) を用いて高品質なコミットメッセージの生成にどの程度の期間を費やしてきたかを調べるための,最初の包括的な実験を行う。
  論文  参考訳（メタデータ） (2024-04-23T08:24:43Z)
• 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)

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。