論文の概要: GitHub Copilot and Developer Productivity: An Observational Dose-Response Analysis
- arxiv url: http://arxiv.org/abs/2606.00438v1
- Date: Sat, 30 May 2026 00:09:51 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-09 18:34:51.641456
- Title: GitHub Copilot and Developer Productivity: An Observational Dose-Response Analysis
- Title（参考訳）: GitHubのコパイロットと開発者の生産性: 観察的量-レスポンス分析
- Abstract要約: GitHub Copilot(GHCP)は、エンジニアをより生産的にします。
私たちは、MicrosoftのCloud+AI組織全体で16,223人のソフトウェアエンジニアから43週間のデータを使ってこれらの質問を調査します。
- 参考スコア（独自算出の注目度）: 0.5437663254559298
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Does GitHub Copilot (GHCP) make engineers more productive, or do the engineers who use it more differ from those who use it less? And even within a single engineer, are GHCP-heavy weeks just busy weeks in which more of everything gets done? We study these questions using 43 weeks of data from 16,223 software engineers across Microsoft's Cloud+AI organization. Engineer fixed effects address the first concern by comparing each engineer against themselves rather than against other engineers, eliminating time-invariant differences in skill, role, and team. Active coding time and browser time then enter a Poisson Pseudo-Maximum Likelihood model with two-way fixed effects to address the harder, within-engineer confound: that GHCP-heavy weeks coincide with high-effort weeks. This defines our estimand as an efficiency effect: more pull requests completed at equivalent levels of coding time. Engineers are estimated to complete 40.5% more PRs in their highest GHCP usage weeks relative to their zero-usage weeks, holding measured development effort constant. The gradient is monotonic with diminishing returns at high intensity. Seven robustness and falsification tests target the remaining plausible alternative explanations (non-coding AI engagement, team-level shocks, within-week task reallocation, cross-week contamination, PR slicing into smaller units, shifts toward easier task types, and sensitivity to how the treatment is operationalized). Under an explicitly stated conditional-independence assumption, the within-engineer design estimates a tool-specific efficiency effect that is consistent with all seven robustness tests.
- Abstract（参考訳）: GitHub Copilot(GHCP)によってエンジニアは生産性が向上するのでしょうか?
そして、1人のエンジニアの中でさえ、GHCPが多忙な数週間で、もっと多くのことを成し遂げられるだろうか?
私たちは、MicrosoftのCloud+AI組織全体で16,223人のソフトウェアエンジニアから43週間のデータを使ってこれらの質問を調査します。
エンジニアの固定効果は、各エンジニアを他のエンジニアよりも自分自身と比較することで最初の懸念に対処し、スキル、役割、チームの時間的な違いを排除します。
アクティブなコーディング時間とブラウザ時間は、Poisson Pseudo-Maximum Likelihoodモデルに2方向の固定効果で入力される。
より多くのプルリクエストが、同等レベルのコーディング時間で完了します。
技術者は、ゼロ使用週と比較してGHCP使用週が最も多く40.5%のPRを完了し、開発作業は一定であると見積もられている。
勾配は単調であり、高い強度でリターンが減少する。
7つの堅牢性とファルシフィケーションテストは、残りの有効な代替説明(非コーディングAIエンゲージメント、チームレベルのショック、週内のタスク再配置、週単位の汚染、より小さなユニットへのPRスライシング、より簡単なタスクタイプへのシフト、治療の運用方法への感受性)をターゲットにしている。
明示的な条件独立性仮定の下では、エンジニア内部の設計は7つの堅牢性テストすべてと一致したツール固有の効率効果を推定する。
関連論文リスト
- ETA: A New Agentic Paradigm for Embodied Tasks [76.25893120982523]
本稿では,デジタルエージェントを物理世界へ拡張するための新しいパラダイムであるEmbodied Task Agent(ETA)を紹介する。
ETAは、一度に1つのツールコールを選択するPlanner、実行を制御するInterface、結果と新鮮な観察を返送するWorldを中心にロボットを集中させる。
ETAは、置換可能なPlanner、構成可能なツールとスキル、監査可能なメモリ、再生可能なトラジェクトリ、シミュレーションと実際のロボットのための一般的なインターフェースを提供する。
論文 参考訳（メタデータ） (2026-08-04T16:56:09Z) - MirrorCode: AI can rebuild entire programs from behavior alone [1.052679131856939]
MirrorCodeは、ソフトウェアプロジェクト全体の再実装に基づく、長期にわたるコーディングベンチマークである。
既存のAIモデルは、すでに複雑なソフトウェアを再実装できる。
我々はAIエージェントが、特に要求が正確に指定された場合に、既に長期のソフトウェアエンジニアリングタスクを完了できることを示します。
論文 参考訳（メタデータ） (2026-06-29T11:57:32Z) - LongCLI-Bench: A Preliminary Benchmark and Study for Long-horizon Agentic Programming in Command-Line Interfaces [65.11019654023978]
LongCLI-Benchは、長期にわたる現実的なタスクにまたがるエージェント能力を評価するために設計されたベンチマークである。
私たちは、1000以上のコンピュータサイエンスの課題と現実世界のタスクから、20の高品質で長い水平タスクをキュレートしました。
実験によると、最先端のエージェントでさえLongCLI-Benchの20%未満のパスレートを達成する。
論文 参考訳（メタデータ） (2026-02-15T23:12:57Z) - AIRS-Bench: a Suite of Tasks for Frontier AI Research Science Agents [49.67355440164857]
AIRS-Benchは、最先端の機械学習論文から得られた20のタスクからなるスイートである。
Airs-Benchタスクは、研究ライフサイクル全体のエージェント能力を評価する。
本稿では,AIRS-Benchタスク定義と評価コードをオープンソースとして公開し,自律科学研究のさらなる発展を促す。
論文 参考訳（メタデータ） (2026-02-06T16:45:02Z) - Evolving with AI: A Longitudinal Analysis of Developer Logs [3.7353323067733473]
我々は,持続的AI利用が日常的なコーディング実践を長期的にどのように改善するかを考察する。
生産性、コード品質、コード編集、コードの再利用、コンテキスト切り替えという、ワークフローの変更の5つの側面を分析します。
我々の結果は、ソフトウェアのサイレント再構築に関する実証的な洞察を提供し、将来のAI強化ツールの設計に影響を及ぼす。
論文 参考訳（メタデータ） (2026-01-15T10:30:24Z) - Does AI-Assisted Coding Deliver? A Difference-in-Differences Study of Cursor's Impact on Software Projects [18.271710138834536]
Cursorの採用は、プロジェクトレベルの開発速度を著しく、大きく、しかし過渡的に増加させます。
静的解析警告の増加とコードの複雑さは、長期の速度低下を引き起こす主要な要因である。
論文 参考訳（メタデータ） (2025-11-06T15:00:51Z) - Reinforcement Learning for Machine Learning Engineering Agents [52.03168614623642]
強化学習によって改善される弱いモデルによって支援されるエージェントは、はるかに大きいが静的モデルによって支援されるエージェントよりも優れていることを示す。
分散非同期RLフレームワークにおいて,高コストかつ高利回りな動作を増幅するための時間依存性の勾配更新を提案する。
また,早期に失敗するプログラムとほぼ正しくないプログラムを区別し,部分クレジットを提供する環境機器を提案する。
論文 参考訳（メタデータ） (2025-09-01T18:04:10Z) - Impact of the Availability of ChatGPT on Software Development: A Synthetic Difference in Differences Estimation using GitHub Data [49.1574468325115]
ChatGPTは、ソフトウェア生産効率を向上させるAIツールである。
10万人あたりのgitプッシュ数、リポジトリ数、ユニークな開発者数に対するChatGPTの影響を見積もっています。
これらの結果は、ChatGPTのようなAIツールが開発者の生産性を大幅に向上させる可能性があることを示唆している。
論文 参考訳（メタデータ） (2024-06-16T19:11:15Z) - Impact of AI-tooling on the Engineering Workspace [0.0]
Copilotユーザ間では,コーディング時間に有意な変化がみられた。
一部の企業は、PRのピックアップ時間を最大33%削減した。
ある企業は、メンテナンスとサポート作業から製品成長イニシアチブへの最大17%の労力を経験しました。
論文 参考訳（メタデータ） (2024-06-11T20:04:09Z) - The Impact of AI Tool on Engineering at ANZ Bank An Empirical Study on GitHub Copilot within Corporate Environment [0.0]
本研究では,大規模組織におけるソフトウェアエンジニアリングプラクティスにおけるAIツールの統合について検討する。
私たちは、ソフトウェア開発ライフサイクルのすべての側面をカバーする5000人以上のエンジニアを雇用するANZ Bankに重点を置いています。
本稿では、実世界のエンジニアリングタスクにおけるその有効性を評価するために、制御された環境内で、注目すべきAIツールであるGitHub Copilotを使用して実施された実験について詳述する。
論文 参考訳（メタデータ） (2024-02-08T12:47:57Z) - Straggler-aware Distributed Learning: Communication Computation Latency
Trade-off [56.08535873173518]
ストラグワーカーは冗長な計算を割り当て、データと計算をまたいでコーディングすることで許容できる。
既存のほとんどのスキームでは、各非ストラグリングワーカーは、全ての計算を完了した後、1イテレーションごとに1つのメッセージをパラメータサーバ(PS)に送信する。
このような制限を課すことで、ストレグリング動作の不正確な予測による過剰計算と、ストレグラー/非ストレグラーとしての作業員の処理による未使用の2つの主な欠点が生じる。
論文 参考訳（メタデータ） (2020-04-10T08:39:36Z)
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。