論文の概要: Applying SHAPR in AI-Assisted Research Software Development: Lessons Learnt from Building a Share Trading System

• arxiv url: http://arxiv.org/abs/2604.15020v1
• Date: Thu, 16 Apr 2026 13:51:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-17 21:29:31.927563
• Title: Applying SHAPR in AI-Assisted Research Software Development: Lessons Learnt from Building a Share Trading System
• Title（参考訳）: AI支援型リサーチソフトウェア開発におけるSHAPRの適用 - 共有トレーディングシステムの構築から学んだ教訓
• Authors: Ka Ching Chan,
• Abstract要約: ジェネレーティブAIは、研究ソフトウェアの開発方法を変えつつあるが、迅速なAI支援開発は、継続性、トレーサビリティ、方法論的明確性を弱める可能性がある。 本稿では,モジュール共有取引システムの開発にSHAPRを適用した事例について述べる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Generative AI is changing how research software is developed, but rapid AI-assisted development can weaken continuity, traceability, and methodological clarity. SHAPR (Solo, Human-centred, AI-assisted PRactice) was proposed as a framework for structuring AI-assisted research software development. This paper presents a documented case of applying SHAPR to the development of a modular share trading system. From the outset, the project adopted a SHAPR-informed working configuration that shaped how interaction, implementation, and documentation were organised. Across iterative development cycles, the project generated a structured evidence base including reflection notes, development cycle review notes, source-of-truth documents, contracts, quick captures, workflow notes, and evolving code artefacts. The case showed that continuous documentation updates, supported by quick capture and AI-assisted refinement, helped maintain organised and usable project knowledge throughout development. Five recurring lessons were identified: contracts stabilised AI-assisted coding, a maintained source-of-truth layer improved coherence, cycle-boundary snapshots strengthened continuity, code and documentation co-evolved through quick capture and iterative refinement, and environment setup itself contributed to knowledge generation. The case also illustrates a practical SHAPR operating configuration in which a ChatGPT Project and cycle-specific chats supported interaction, reasoning, summarisation, and coding collaboration, PyCharm supported artefact implementation, and Obsidian supported external working memory, structured documentation, reflection, continuity, and repository-oriented note organisation, while remaining consistent with SHAPR's tool-agnostic principle. The paper contributes practical guidance and good practices for researchers conducting AI-assisted research software development.
• Abstract（参考訳）: ジェネレーティブAIは、研究ソフトウェアの開発方法を変えつつあるが、迅速なAI支援開発は、継続性、トレーサビリティ、方法論的明確性を弱める可能性がある。 SHAPR(Solo, Human-centred, AI-assisted PRactice)は、AI支援研究ソフトウェア開発を構築するためのフレームワークとして提案されている。 本稿では,モジュール共有取引システムの開発にSHAPRを適用した事例について述べる。 当初から、プロジェクトはSHAPRでインフォームドされた作業構成を採用して、インタラクションや実装、ドキュメントの体系化を図った。 反復的な開発サイクル全体で、プロジェクトはリフレクションノート、開発サイクルレビューノート、ソース・オブ・トゥルースドキュメント、コントラクト、クイックキャプチャ、ワークフローノート、進化するコードアーティファクトを含む構造化されたエビデンスベースを生成した。 このケースでは、クイックキャプチャとAI支援による改善によってサポートされた継続的ドキュメント更新が、開発を通じて組織化され、使用可能なプロジェクト知識の維持に役立ったことが示されている。 コントラクト安定化AIアシストコーディング、一貫性の向上されたソース・オブ・トゥルースレイヤ、継続性を強化したサイクルバウンダリスナップショット、クイックキャプチャと反復的な改善を通じて共進化したコードとドキュメント、環境設定自体がナレッジ生成に寄与した。 このケースでは、ChatGPTプロジェクトとサイクル固有のチャットが相互作用、推論、要約、コーディングコラボレーションをサポートし、PyCharmはアーティファクト実装をサポートし、Obsidianは外部のワーキングメモリ、構造化ドキュメント、リフレクション、継続性、リポジトリ指向のノート組織をサポートし、SHAPRのツール非依存の原則と整合性を維持した、実用的なSHAPR運用構成も説明されている。 本稿では,AIを活用した研究ソフトウェア開発を行う研究者に対して,実践的な指導と実践を行う。

関連論文リスト

• From Helpful to Trustworthy: LLM Agents for Pair Programming [0.0]
  LLMベースのコーディングエージェントは、コード、テスト、ドキュメントの生成にますます使われています。 それでも、彼らのアウトプットは、開発者意図と正しく一致せず、進化するプロジェクトにおけるレビューの限られた証拠を提供することができる。 本研究では、意図を外部化し、反復検証に開発ツールを使用するマルチエージェントLLMペアプログラミングの体系的研究を提案する。
  論文  参考訳（メタデータ） (2026-04-11T17:39:57Z)
• SHAPR: Operationalising Human-AI Collaborative Research Through Structured Knowledge Generation [0.0]
  SHAPRは、人間中心の意思決定とAI支援機能を統合する研究ソフトウェア開発のためのフレームワークである。 本稿では,AIを活用した研究実践における構造的,トレース可能,知識生成的アプローチとしての運用に焦点を当てる。
  論文  参考訳（メタデータ） (2026-03-26T17:14:39Z)
• From Education to Evidence: A Collaborative Practice Research Platform for AI-Integrated Agile Development [1.6583003147024218]
  本稿では、プロジェクトベースのAI統合アジャイル教育プラットフォームを共同研究環境として紹介する。 このプラットフォームでは,スプリントのリズムや品質ゲート,真のステークホルダの関与などを通じて,迅速な調査が可能になる。
  論文  参考訳（メタデータ） (2026-03-11T11:44:42Z)
• 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)
• A Survey of Vibe Coding with Large Language Models [93.88284590533242]
  視覚符号化(Vibe Coding)は、開発者が成果観察を通じてAI生成の実装を検証する開発手法である。 変革の可能性にもかかわらず、この創発的パラダイムの有効性は未解明のままである。 この調査は、大規模な言語モデルによるVibe Codingの総合的かつ体系的なレビューを初めて提供する。
  論文  参考訳（メタデータ） (2025-10-14T11:26:56Z)
• Exploring Prompt Patterns in AI-Assisted Code Generation: Towards Faster and More Effective Developer-AI Collaboration [3.1861081539404137]
  本稿では,AI支援コード生成に必要となるインタラクション数を最小化するために,構造化されたプロンプトパターンの適用について検討する。 我々は,開発者とAI間の往復通信を減らすことの有効性を評価するために,異なる7つのプロンプトパターンを分析した。
  論文  参考訳（メタデータ） (2025-06-02T12:43:08Z)
• Paper2Code: Automating Code Generation from Scientific Papers in Machine Learning [70.04746094652653]
  機械学習論文を機能コードリポジトリに変換するフレームワークであるPaperCoderを紹介した。 PaperCoderは3つの段階で動作する。計画、図によるシステムアーキテクチャの設計、ファイル依存の特定、構成ファイルの生成である。 次に、モデルベースおよび人的評価の両方に基づいて、機械学習論文からコード実装を生成するPaperCoderを評価する。
  論文  参考訳（メタデータ） (2025-04-24T01:57:01Z)
• The Construction of Reality in an AI: A Review [0.0]
  本稿では,構成主義的AI実装に対する意識を高めることを目的とする。 2008年のGuerin氏の“Learning Like a Baby: A Survey of AI approach”をベースとしている。 その焦点は、ピアジェのスキーマのレンズを通して実際に見られる知識表現と学習アルゴリズムである。
  論文  参考訳（メタデータ） (2023-02-03T22:52:17Z)

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。