論文の概要: Factors Influencing the Quality of AI-Generated Code: A Synthesis of Empirical Evidence
- arxiv url: http://arxiv.org/abs/2603.25146v1
- Date: Thu, 26 Mar 2026 08:06:42 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-27 20:52:48.175246
- Title: Factors Influencing the Quality of AI-Generated Code: A Synthesis of Empirical Evidence
- Title（参考訳）: AI生成コードの品質に影響を与える要因:実証的証拠の合成
- Authors: Vehid Geruslu, Zulfiyya Aliyeva, Eray Tüzün,
- Abstract要約: AI支援コード生成ツールの急速な採用は、ソフトウェア開発プラクティスの変革である。
AI生成コードの品質、信頼性、セキュリティに関する懸念は、アカデミックと業界の両方でますます報告されている。
- 参考スコア（独自算出の注目度）: 1.4465033892011254
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Context: The rapid adoption of AI-assisted code generation tools, such as large language models (LLMs), is transforming software development practices. While these tools promise significant productivity gains, concerns regarding the quality, reliability, and security of AI-generated code are increasingly reported in both academia and industry. --Objective: This study aims to systematically synthesize existing empirical evidence on the factors influencing the quality of AI-generated source code and to analyze how these factors impact software quality outcomes across different evaluation contexts. --Method: We conducted a systematic literature review (SLR) following established guidelines, supported by an AI-assisted workflow with human oversight. A total of 24 primary studies were selected through a structured search and screening process across major digital libraries. Data were extracted and analyzed using qualitative, pattern-based evidence synthesis. --Results: The findings reveal that code quality in AI-assisted development is influenced by a combination of human factors, AI system characteristics, and human AI interaction dynamics. Key influencing factors include prompt design, task specification, and developer expertise. The results also show variability in quality outcomes such as correctness, security, maintainability, and complexity across studies, with both improvements and risks reported. --Conclusion: AI-assisted code generation represents a socio-technical shift in software engineering, where achieving high-quality outcomes depends on both technological and human factors. While promising, AI-generated code requires careful validation and integration into development workflows.
- Abstract（参考訳）: コンテキスト: 大規模言語モデル(LLM)のようなAI支援コード生成ツールの急速な採用は、ソフトウェア開発プラクティスを変革させています。
これらのツールは生産性の大幅な向上を約束するが、AI生成コードの品質、信頼性、セキュリティに関する懸念は、アカデミックと業界の両方でますます報告されている。
目的:本研究は,AI生成ソースコードの品質に影響を与える要因について,既存の実証的証拠を体系的に合成し,これらの要因が評価コンテキストの異なるソフトウェア品質の成果に与える影響を分析することを目的としている。
方法: 従来のガイドラインに従って, 体系的文献レビュー(SLR)を実施し, 人間の監視を伴うAI支援ワークフローで支援した。
主要なデジタル図書館を横断する構造化された検索およびスクリーニングプロセスを通じて、24の初等的な研究が選択された。
定性的なパターンに基づくエビデンス合成を用いて,データを抽出,解析した。
結果: この結果から,AI支援開発におけるコード品質は,人的要因,AIシステム特性,人間のAIインタラクションダイナミクスの組み合わせの影響を受けていることが明らかになった。
主な影響要因は、プロンプトデザイン、タスク仕様、開発者の専門知識などである。
また, 精度, セキュリティ, 保守性, 複雑性などの品質結果の多様性が報告され, 改善とリスクが報告された。
結論:AIによるコード生成は、ソフトウェア工学における社会技術的シフトを表しており、高品質な成果を達成するには、技術と人的要因の両方に依存する。
有望ではあるが、AI生成コードは、開発ワークフローに慎重に検証と統合が必要である。
関連論文リスト
- Towards the Next Generation of Software: Insights from Grey Literature on AI-Native Applications [13.876049229274114]
AIネイティブアプリケーションは、ソフトウェアの設計、開発、進化の方法を根本的に再定義する、ソフトウェアエンジニアリングの新しいパラダイムである。
人気が高まっているにもかかわらず、AIネイティブアプリケーションには、統一されたエンジニアリング定義とアーキテクチャの青写真がない。
本研究は、AIネイティブアプリケーションの定義特性、キー品質特性、および典型的な技術スタックを識別することにより、AIネイティブアプリケーションの包括的な理解を確立することを目的とする。
論文 参考訳（メタデータ） (2025-09-16T15:01:23Z) - The AI Imperative: Scaling High-Quality Peer Review in Machine Learning [49.87236114682497]
AIによるピアレビューは、緊急の研究とインフラの優先事項になるべきだ、と私たちは主張する。
我々は、事実検証の強化、レビュアーのパフォーマンスの指導、品質改善における著者の支援、意思決定におけるAC支援におけるAIの具体的な役割を提案する。
論文 参考訳（メタデータ） (2025-06-09T18:37:14Z) - When Models Know More Than They Can Explain: Quantifying Knowledge Transfer in Human-AI Collaboration [79.69935257008467]
我々は,人間とAIの知識伝達能力に関する概念的かつ実験的フレームワークである知識統合と伝達評価(KITE)を紹介する。
最初の大規模人間実験(N=118)を行い,その測定を行った。
2段階のセットアップでは、まずAIを使って問題解決戦略を思いつき、その後独立してソリューションを実装し、モデル説明が人間の理解に与える影響を分離します。
論文 参考訳（メタデータ） (2025-06-05T20:48:16Z) - 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) - Computational Safety for Generative AI: A Signal Processing Perspective [65.268245109828]
計算安全性は、GenAIにおける安全性の定量的評価、定式化、研究を可能にする数学的枠組みである。
ジェイルブレイクによる悪意のあるプロンプトを検出するために, 感度解析と損失景観解析がいかに有効かを示す。
我々は、AIの安全性における信号処理の鍵となる研究課題、機会、そして重要な役割について論じる。
論文 参考訳（メタデータ） (2025-02-18T02:26:50Z) - Comparing Software Developers with ChatGPT: An Empirical Investigation [0.0]
本稿では,ChatGPTのようなソフトウェア技術者やAIシステムのパフォーマンスを,さまざまな評価指標で比較した実証的研究を行う。
この論文は、さまざまな評価基準を考慮して、ソフトウェアエンジニアとAIベースのソリューションの包括的な比較が、人間と機械のコラボレーションを促進する上で重要であることを示唆している。
論文 参考訳（メタデータ） (2023-05-19T17:25:54Z) - What is Software Quality for AI Engineers? Towards a Thinning of the Fog [9.401273164668092]
本研究の目的は,AI/MLコンポーネントやコードの開発,統合,メンテナンスにおいて採用されるソフトウェア品質保証戦略を検討することである。
インタビューデータの質的分析により、AI/MLコンポーネントの開発における12の課題が明らかになった。
本研究の結果は,AI/MLコンポーネントのソフトウェア品質保証プロセスと技術に関する今後の研究を導くものである。
論文 参考訳（メタデータ） (2022-03-23T19:43:35Z)
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。