論文の概要: Software Engineering Podcasts: An Empirical Study of Their Potential as a Research Resource
- arxiv url: http://arxiv.org/abs/2605.26793v1
- Date: Tue, 26 May 2026 10:09:02 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-27 17:51:41.871388
- Title: Software Engineering Podcasts: An Empirical Study of Their Potential as a Research Resource
- Title（参考訳）: ソフトウェアエンジニアリングポッドキャスト:研究資源としての可能性に関する実証的研究
- Authors: Marvin Wyrich, Marcos Kalinowski, Adolfo Neto, Sven Apel,
- Abstract要約: 本研究は,ソフトウェア工学(SE)ポッドキャストのランドスケープを体系的に探求する。
ポッドキャストの内容を分析し、研究者を調査し、ポッドキャストがソフトウェア工学の研究を前進させるための重要なリソースとなるかを評価する。
- 参考スコア（独自算出の注目度）: 9.219158597814346
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Podcasts have become an increasingly popular medium for knowledge sharing within the software engineering (SE) community, offering insights into industry developments and the perspectives of professionals with different backgrounds. As this medium grows, it presents a potentially valuable resource not only for practitioners but also for researchers seeking to understand the evolving field. However, little is known about the actual content of SE podcasts or how they are perceived and used by researchers. This study systematically explores the SE podcast landscape, analyzing its content and surveying researchers to assess how podcasts can serve as a meaningful resource for advancing empirical software engineering research.
- Abstract（参考訳）: Podcastsは、ソフトウェアエンジニアリング(SE)コミュニティ内で知識共有のメディアとしてますます人気を博し、業界の発展と異なるバックグラウンドを持つプロフェッショナルの視点に関する洞察を提供する。
この媒体が成長するにつれて、実践者だけでなく、進化する分野を理解しようとする研究者にとっても、潜在的に価値のある資源となる。
しかし、SEポッドキャストの実際の内容や、研究者によってどのように認識され、使用されるかについてはほとんど分かっていない。
本研究は,SEポッドキャストのランドスケープを体系的に調査し,その内容を分析し,研究者を調査し,ポッドキャストが経験的ソフトウェア工学研究を進展させる上で有意義な資源となるかを評価する。
関連論文リスト
- AutoResearchBench: Benchmarking AI Agents on Complex Scientific Literature Discovery [55.70879973230979]
AutoResearchBenchは、自律的な科学文献発見のためのベンチマークである。
エージェントWebブラウジングに関する以前のベンチマークと比較すると、AutoResearchBenchは研究指向である。
最も強力なLCMでさえ、BrowseCompのような一般的なエージェントによるWebブラウジングベンチマークをほとんど征服したにもかかわらず、Deep Researchでは9.39%、Wide Researchでは9.31%の精度しか達成していない。
論文 参考訳（メタデータ） (2026-04-28T06:05:17Z) - ACM SIGSOFT SEN Empirical Software Engineering: Introducing Our New Regular Column [7.447436322111677]
ESEの研究は、新しい障害、欠点、技術が出現するにつれて、依然として進化し続ける必要がある。
新たなACM SIGSOFT SENSEN-ESEコラムでは,ESE研究のメタアスペクトを議論する場を紹介した。
カラムの目的は、しばしば触れられたり、暗黙にされたりしないかもしれないESEトピックに関する会話を定期的に発火できる場所になることです。
論文 参考訳（メタデータ） (2025-10-02T13:28:54Z) - From Web Search towards Agentic Deep Research: Incentivizing Search with Reasoning Agents [96.65646344634524]
推論とエージェント能力を備えた大規模言語モデル(LLM)は、エージェントディープリサーチ(Agenic Deep Research)と呼ばれる新しいパラダイムを取り入れている。
静的なWeb検索から,計画,探索,学習を行う対話型エージェントベースのシステムへの進化を辿ります。
我々はエージェントディープリサーチが既存のアプローチを著しく上回るだけでなく、将来の情報探索において支配的なパラダイムになることを実証する。
論文 参考訳（メタデータ） (2025-06-23T17:27:19Z) - Transforming Science with Large Language Models: A Survey on AI-assisted Scientific Discovery, Experimentation, Content Generation, and Evaluation [58.064940977804596]
多くの新しいAIモデルとツールが提案され、世界中の研究者や学者が研究をより効果的かつ効率的に実施できるようにすることを約束している。
これらのツールの欠点と誤用の可能性に関する倫理的懸念は、議論の中で特に顕著な位置を占める。
論文 参考訳（メタデータ） (2025-02-07T18:26:45Z) - A Systematic Mapping Study of Crowd Knowledge Enhanced Software Engineering Research Using Stack Overflow [0.8621608193534838]
すべてのソフトウェアプロフェッショナルの30%が、最も人気のあるQ&AサイトStackOverflow (SO)を毎日訪問している。
SOデータを利用した傾向,含意,影響,今後の研究の可能性を明らかにするためには,系統地図研究が必要である。
我々は384のSOに基づく研究論文を収集し、それらを10の面(テーマ)に分類した。
私たちは、SOが、QuoraやRedditのような人気のあるQ&Aサイトと比較して、SE研究の85%に寄与していることを発見しました。
論文 参考訳（メタデータ） (2024-08-15T03:40:44Z) - A Survey on Large Language Model based Autonomous Agents [105.2509166861984]
大規模言語モデル(LLM)は、人間レベルの知性を達成する上で、顕著な可能性を示している。
本稿では,LLMに基づく自律エージェントの分野を総合的な観点から体系的に検討する。
本稿では、社会科学、自然科学、工学の分野におけるLLMベースの自律エージェントの多様な応用について概観する。
論文 参考訳（メタデータ） (2023-08-22T13:30:37Z) - Researching Alignment Research: Unsupervised Analysis [14.699455652461726]
AIアライメント研究は、人工知能(AI)が人間に利益をもたらすことを保証することを目的としている。
このプロジェクトでは、既存のAIアライメント研究を収集、分析した。
フィールドは急速に成長しており、いくつかのサブフィールドが平行して出現している。
論文 参考訳（メタデータ） (2022-06-06T18:24:17Z) - A Baseline Analysis for Podcast Abstractive Summarization [18.35061145103997]
本稿では,Spotify Podcastデータセットを用いたポッドキャスト要約のベースライン解析について述べる。
研究者が現在の最先端の事前訓練モデルを理解するのを助け、より良いモデルを作るための基盤を構築することを目的としている。
論文 参考訳（メタデータ） (2020-08-24T18:38:42Z)
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。