論文の概要: Empirical Study on the Characteristics and Evolution of AI-usage in GitHub Repositories: Evidence from Code Comments
- arxiv url: http://arxiv.org/abs/2606.06843v1
- Date: Fri, 05 Jun 2026 02:37:44 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-08 14:33:29.529044
- Title: Empirical Study on the Characteristics and Evolution of AI-usage in GitHub Repositories: Evidence from Code Comments
- Title（参考訳）: GitHubリポジトリにおけるAI利用の特徴と進化に関する実証的研究:コードコメントからの証拠
- Authors: Abdullah Al Mujahid, Preetha Chatterjee, Mia Mohammad Imran,
- Abstract要約: 私たちは、AIの使用と関連するコードブロックを明示的に参照する、35,361のGitHubコードコメントを分析します。
最初に500のユニークなコメントとコードブロックをオープンにし、AI支援開発活動の分類を導き出しました。
次に、2つのLCMベースの分類器と、Dawid-Skene予測最大化による集約予測を用いて、全データセットに注釈を付ける。
- 参考スコア（独自算出の注目度）: 7.213400161126317
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Developers increasingly use AI tools such as ChatGPT, Copilot, and Claude in everyday software workflows, but prior studies often evaluate LLM outputs in isolation rather than examining how developers adapt them in real projects. We analyze 35,361 GitHub code comments that explicitly reference AI use and their associated code blocks. We first open-code 500 unique comments and code blocks to derive a taxonomy of AI-assisted development activities, then annotate the full dataset using two LLM-based classifiers and aggregate predictions with Dawid-Skene expectation-maximization. We also analyze 12,996 subsequent commit messages to study how AI-assisted code evolves after introduction, and examine temporal trends from December 2022 to March 2026. Our results show that developers primarily use LLMs for code implementation, followed by code enhancement, debugging, documentation, and testing. Subsequent commits frequently involve refactoring and cleanup, feature integration and extension, and bug fixing, indicating sustained human oversight in adapting AI-assisted code. Over time, AI-referencing comments shift from direct code generation toward knowledge and conceptual support and code enhancement. These findings suggest that AI tools are becoming embedded not only as code-generation aids, but also as collaborative support mechanisms whose outputs are refined, extended, and corrected by developers over time.
- Abstract（参考訳）: 開発者は、日々のソフトウェアワークフローでChatGPT、Copilot、ClaudeといったAIツールをますます使います。
私たちは、AIの使用と関連するコードブロックを明示的に参照する、35,361のGitHubコードコメントを分析します。
最初に500のユニークなコメントとコードブロックをオープンにし、AI支援開発活動の分類を導き、次に2つのLCMベースの分類器とDawid-Skene予測最大化による集約予測を用いて全データセットに注釈を付ける。
また、その後12,996件のコミットメッセージを分析して、導入後のAI支援コードがどう進化するかを調べ、2022年12月から2026年3月までの時間的傾向を調べた。
我々の結果は、開発者は主にコード実装にLLMを使用し、次にコード拡張、デバッグ、ドキュメント、テストを行います。
その後のコミットでは、リファクタリングとクリーンアップ、機能統合と拡張、バグ修正が頻繁に行われ、AI支援コードの適応における人間の監視が持続していることを示している。
時間が経つにつれ、AI参照のコメントは、直接的なコード生成から知識、概念的サポート、コード拡張へとシフトする。
これらの結果は、AIツールがコード生成補助としてだけでなく、開発者がアウトプットを洗練、拡張、修正するコラボレーティブサポートメカニズムとして組み込まれていることを示唆している。
関連論文リスト
- To What Extent Does Agent-generated Code Require Maintenance? An Empirical Study [0.0]
本研究では、AI生成ファイルの保守範囲、人間による関与、修正タイプを、人間によるコードに対して実証的に検討する。
私たちは1,000以上のファイルを分析し、100の人気のあるリポジトリから約3,200の変更を加えました。
論文 参考訳（メタデータ） (2026-05-07T15:52:41Z) - RECAP: An End-to-End Platform for Capturing, Replaying, and Analyzing AI-Assisted Programming Interactions [21.75814643077238]
ReCAP(Replay and Examine Captured AI Programming)は、開発者がワークフローを中断することなく、AIチャットセッションとVS Code内のきめ細かいコード編集を受動的に記録する、オープンソースのプラットフォームです。
我々は、このプラットフォームのリンクデータとリプレイ機能が、単一のデータソースがサポートできない開発者とAIのインタラクションパターンの分析を可能にする方法を実証する。
論文 参考訳（メタデータ） (2026-05-01T21:20:38Z) - Debt Behind the AI Boom: A Large-Scale Empirical Study of AI-Generated Code in the Wild [13.35459155979355]
我々は6,275のGitHubリポジトリから304,362の認証済みAI認証コミットのデータセットを構築します。
484,606の異なる問題を特定し、コードの臭いは最も一般的な型であり、すべての問題の89.1%を占めています。
これらの結果は、AI生成コードは、実際のソフトウェアプロジェクトに長期のメンテナンスコストをもたらす可能性があることを示している。
論文 参考訳（メタデータ） (2026-03-30T15:38:05Z) - 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) - 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) - Codev-Bench: How Do LLMs Understand Developer-Centric Code Completion? [60.84912551069379]
Code-Development Benchmark (Codev-Bench)は、細粒度で現実世界、リポジトリレベル、開発者中心の評価フレームワークです。
Codev-Agentは、リポジトリのクローリングを自動化し、実行環境を構築し、既存のユニットテストから動的呼び出しチェーンを抽出し、データ漏洩を避けるために新しいテストサンプルを生成するエージェントベースのシステムである。
論文 参考訳（メタデータ） (2024-10-02T09:11:10Z) - Generation Probabilities Are Not Enough: Uncertainty Highlighting in AI Code Completions [54.55334589363247]
本研究では,不確実性に関する情報を伝達することで,プログラマがより迅速かつ正確にコードを生成することができるかどうかを検討する。
トークンのハイライトは、編集される可能性が最も高いので、タスクの完了が早くなり、よりターゲットを絞った編集が可能になることがわかりました。
論文 参考訳（メタデータ） (2023-02-14T18:43:34Z)
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。