論文の概要: Pre-AI Baseline: Developer IDE Satisfaction and Tool Autonomy in 2022
- arxiv url: http://arxiv.org/abs/2603.06050v1
- Date: Fri, 06 Mar 2026 09:01:53 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-09 13:17:45.398651
- Title: Pre-AI Baseline: Developer IDE Satisfaction and Tool Autonomy in 2022
- Title（参考訳）: 前AIベースライン:2022年の開発者IDE満足度とツールの自律性
- Authors: Nikola Balić,
- Abstract要約: 本研究では、2022年7月に収集された1,155人のソフトウェア開発者の満足度データを分析した。
当社は、Visual Studio Code(79%の使用)が支配する、高い満足度エコシステムを報告している。
高いツールチャーンを特徴とする「実験者」セグメント(29.9%)を同定したが,満足度には有意な差は認められなかった。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: To quantify the impact of AI on software development, the community requires a robust pre-AI baseline. This study analyzes valid satisfaction data from 1,155 software developers collected in July 2022, immediately preceding the mainstream adoption of generative AI tools. We report a high-satisfaction ecosystem (Mean = 8.14 [95% CI 8.01-8.25]), dominated by Visual Studio Code (79% usage). Multivariable regression confirms that autonomy in tool choice is the strongest predictor of IDE satisfaction (beta = 0.51), significantly outweighing demographic or role-based factors. Conversely, cloud IDE adoption was negligible (4.3% regular usage), with 40.1% citing network dependency as the primary barrier, a constraint that remains relevant for modern cloud-reliant AI agents. Additionally, we identify an "experimenter" segment (29.9%) characterized by high tool churn but no significant satisfaction difference (t = 0.43, p = 0.67), and demonstrate significant variation in IDE retention rates (VS Code: 68.5%, traditional IDEs: 3.9-25%), suggesting underlying dissatisfaction despite high overall satisfaction. By providing a quantitative snapshot of developer sentiment and workflows on the eve of the AI revolution, this study establishes a verifiable baseline for longitudinal research into the productivity-satisfaction misalignment observed in the post-AI era.
- Abstract（参考訳）: ソフトウェア開発におけるAIの影響を定量化するために、コミュニティは堅牢なAI前ベースラインを必要とします。
本研究では,2022年7月に収集した1,155人のソフトウェア開発者の満足度データを分析する。
高満足度エコシステム(Mean = 8.14 [95% CI 8.01-8.25])を報告します。
多変量回帰は、ツールの選択における自律性がIDE満足度(ベータ=0.51)の最も高い予測因子であることを確認する。
逆に、クラウドIDEの採用は無視され(通常の使用率4.3%)、40.1%がネットワーク依存を主要な障壁として挙げている。
さらに、高いツールチャーンを特徴とする"experimenter"セグメント(29.9%)を識別するが、大きな満足度差(t = 0.43, p = 0.67)はなく、IDE保持率(VS Code: 68.5%、従来のIDE: 3.9-25%)の著しい変動を示す。
本研究は,AI革命前日における開発者の感情とワークフローの定量的スナップショットを提供することにより,ポストAI時代に観察された生産性と満足度の相違について,縦断的な調査を行うための検証可能なベースラインを確立する。
関連論文リスト
- Predicting Developer Acceptance of AI-Generated Code Suggestions [12.254014187965831]
本稿では,大手テクノロジー企業による66,329の産業開発者とAIのインタラクションを用いた実証的研究を行った。
承認されたコード提案と拒否された機能とは大きく異なる機能を分析します。
我々はCSAP(Code Suggestion Acceptance Prediction)を導入し、開発者が表示前にコード提案を受け入れるかどうかを予測する。
論文 参考訳（メタデータ） (2026-01-29T08:14:24Z) - AI IDEs or Autonomous Agents? Measuring the Impact of Coding Agents on Software Development [12.50615284537175]
大規模言語モデル(LLM)ベースのコーディングエージェントは、プルリクエストの生成とマージを行う自律的なコントリビュータとして機能するようになっている。
本稿では,オープンソースリポジトリにおけるエージェント導入の経時的因果関係について検討する。
論文 参考訳（メタデータ） (2026-01-20T04:51:56Z) - WhatsCode: Large-Scale GenAI Deployment for Developer Efficiency at WhatsApp [0.8197659035200293]
WhatsAppをサポートするドメイン固有のAI開発システムであるWhatsCodeの産業展開に関するレポート。
WhatsCodeは、ターゲットとするプライバシ自動化から、エンドツーエンドの機能開発とDevOpsプロセスに統合された自律エージェントへと進化した。
システムは692の自動化/修正変更、711のフレームワーク採用、141のフィーチャ開発アシスト、バグトリアージの精度維持にコミットした。
論文 参考訳（メタデータ） (2025-12-04T23:25:06Z) - Intuition to Evidence: Measuring AI's True Impact on Developer Productivity [30.02516976149379]
本稿では,企業規模でのAI支援ソフトウェア開発ツールの総合的実環境評価について述べる。
1年以上にわたり、複数のチームにわたる300人のエンジニアが、コード生成と自動レビュー機能を組み合わせた社内AIプラットフォーム(DeputyDev)を統合した。
論文 参考訳（メタデータ） (2025-09-24T02:34:11Z) - LIMI: Less is More for Agency [49.63355240818081]
LIMI(Less Is More for Intelligent Agency)は、機関が根本的に異なる開発原則に従うことを示す。
高度なエージェント・インテリジェンスは、最小でも戦略的にキュレートされた自律行動のデモンストレーションから生まれる可能性がある。
マシンの自律性はデータの豊富さではなく、高品質なエージェント実証の戦略的キュレーションから生まれる。
論文 参考訳（メタデータ） (2025-09-22T10:59:32Z) - UI-TARS-2 Technical Report: Advancing GUI Agent with Multi-Turn Reinforcement Learning [155.51875080423883]
グラフィカルユーザインタフェースのための自律エージェントの開発は、人工知能における大きな課題を示している。
本稿では,GUI中心のエージェントモデルであるUI-TARS-2を提案する。
実証的な評価では、UI-TARS-2は以前のUI-TARS-1.5よりも大幅に改善されている。
論文 参考訳（メタデータ） (2025-09-02T17:44:45Z) - OmniEAR: Benchmarking Agent Reasoning in Embodied Tasks [52.87238755666243]
OmniEARは,言語モデルが身体的相互作用やツールの使用,マルチエージェントの協調にどう影響するかを評価するためのフレームワークである。
我々は、家庭と工業領域にまたがる1500のシナリオにおける連続的な物理的特性と複雑な空間的関係をモデル化する。
我々の体系的な評価は、モデルが制約から推論しなければならない場合、厳しい性能劣化を示す。
論文 参考訳（メタデータ） (2025-08-07T17:54:15Z) - Tool-Augmented Reward Modeling [58.381678612409]
本稿では,外部環境へのアクセスによるRMの強化により,制約に対処するツール拡張された嗜好モデリング手法であるThemisを提案する。
我々の研究は、外部ツールをRMに統合し、様々な外部ソースとの相互作用を可能にすることを目的としている。
人間の評価では、テミスで訓練されたRLHFはベースラインと比較して平均32%の勝利率を得る。
論文 参考訳（メタデータ） (2023-10-02T09:47:40Z)
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。