論文の概要: Teaching Machine Learning to Software Engineers
- arxiv url: http://arxiv.org/abs/2606.14618v1
- Date: Fri, 12 Jun 2026 16:42:34 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-15 16:00:42.994358
- Title: Teaching Machine Learning to Software Engineers
- Title（参考訳）: ソフトウェアエンジニアに機械学習を教える
- Abstract要約: 機械学習(ML)と人工知能(AI)コンポーネントはますますソフトウェア製品に組み込まれている。
ソフトウェアエンジニアリングカリキュラムは、AI/MLベースのソフトウェアシステムの構築、テスト、デプロイ、保守のための体系的な準備を提供することはめったにない。
本稿では,AI/ML関連コンテンツを中核的なSE教育に統合するためのエビデンスベースのガイダンスを提供することを目的とする。
- 参考スコア（独自算出の注目度）: 1.217503190366097
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Machine learning (ML) and Artificial Intelligence (AI) components are increasingly embedded in software products, yet undergraduate software engineering (SE) curricula rarely provide systematic preparation for building, testing, deploying, and maintaining AI/ML-based software systems. This paper aims to provide evidence-based guidance for integrating AI/MLrelevant content into core SE education. We compile and define a structured inventory of topics relevant to SE practice in AI/MLbased software, then map these topics against required courses in a set of representative SE curricula to identify coverage gaps. To assess educational priorities and feasibility, we survey SE instructors on topic importance and integration constraints. Based on the crosswalk between topic definitions, curriculum coverage, and instructor prioritization, we derive a guideline that recommends where and how high-priority topics can be embedded within existing SE courses.
- Abstract（参考訳）: 機械学習(ML)と人工知能(AI)コンポーネントはソフトウェア製品にますます組み込まれているが、学部ソフトウェア工学(SE)カリキュラムは、AI/MLベースのソフトウェアシステムの構築、テスト、デプロイ、保守のための体系的な準備をほとんど提供していない。
本稿では,AI/ML関連コンテンツを中核的なSE教育に統合するためのエビデンスベースのガイダンスを提供することを目的とする。
AI/MLベースのソフトウェアで、SEプラクティスに関連するトピックの構造化されたインベントリをコンパイルし、定義します。
教育の優先順位と実現可能性を評価するため,SEインストラクターを対象に,トピックの重要度と統合の制約について調査する。
トピック定義、カリキュラムのカバレッジ、インストラクターの優先順位付けの横断歩道に基づいて、既存のSEコースにどのように高優先度のトピックを組み込むかを推奨するガイドラインを導出します。
関連論文リスト
- Mapping the Emerging Curriculum for AI-Assisted Software Engineering via Syllabus Analysis [3.6136185855401473]
大学は、AI支援開発のための学生のためのコースの設計を開始した。
公立のシラビ23点と, 上層部, クレジット・ベアリングコースの教材について検討した。
分析の結果、これらのコースの共通点と相違点が明らかとなり、研究者や教育者が将来のコースを研究・開発することができる。
論文 参考訳（メタデータ） (2026-08-06T11:24:10Z) - Reshaping Undergraduate Computer Science Education in the Generative AI Era [85.78707817763434]
生成AIはコンピュータサイエンス(CS)教育の転換点である。
AI技術の進歩に追随するため、CSカリキュラムは、AI生成したアーティファクトの理解と検証へのシフトを検討するべきである。
我々は、未来のコンピュータサイエンスの卒業生を効果的に準備し、問題を作成し、解決し、管理し、AIで人工物を作ることができると信じています。
論文 参考訳（メタデータ） (2026-05-02T05:26:24Z) - Advances and Frontiers of LLM-based Issue Resolution in Software Engineering: A Comprehensive Survey [59.3507264893654]
課題解決は、現実世界の開発に不可欠な複雑なソフトウェアエンジニアリングタスクです。
SWE-benchのようなベンチマークでは、このタスクは大規模言語モデルでは極めて困難であることが判明した。
本稿では,この新興領域を体系的に調査する。
論文 参考訳（メタデータ） (2026-01-15T18:55:03Z) - A Comprehensive Survey on Benchmarks and Solutions in Software Engineering of LLM-Empowered Agentic System [56.40989626804489]
この調査は、Large Language Modelsを使ったソフトウェアエンジニアリングに関する、最初の総合的な分析を提供する。
本稿では,150以上の最近の論文をレビューし,(1)素早い,微調整,エージェントベースのパラダイムに分類した解法,(2)コード生成,翻訳,修復などのタスクを含むベンチマークという2つの重要な側面に沿った分類法を提案する。
論文 参考訳（メタデータ） (2025-10-10T06:56:50Z) - Integrating Human-Centric Approaches into Undergraduate Software Engineering Education: A Scoping Review and Curriculum Analysis in the Australian Context [0.0]
ヒューマン・センター・ソフトウェア・エンジニアリング(Human-Centric Software Engineering)とは、人間の要求と要求をコア・プラクティスとするソフトウェア・エンジニアリング・プロセスを指す。
ソフトウェアプロジェクトの大部分が人的ニーズに対応できず、結果として予算やデリバリ、ユーザビリティの問題に陥ります。
本稿では,大学院ソフトウェア工学の学生にHCSEを教えるのに適したトピックとカリキュラムのアプローチを特定するためのスコーピング・レビューを提案する。
論文 参考訳（メタデータ） (2024-07-10T02:34:58Z) - A Systematic Literature Review on the Use of Machine Learning in Software Engineering [0.0]
本研究は,ソフトウェア工学プロセスに機械学習技術を適用する際の技術の現状を探るため,その目的と研究課題に従って実施された。
レビューでは、ソフトウェア品質保証、ソフトウェア保守、ソフトウェア理解、ソフトウェアドキュメントなど、MLが適用されたソフトウェアエンジニアリングにおける重要な領域を特定している。
論文 参考訳（メタデータ） (2024-06-19T23:04:27Z) - Towards Integrating Emerging AI Applications in SE Education [4.956066467858058]
本稿では,AI分野における現在のトレンドの体系的分析の予備的結果を示す。
我々は、AIアプリケーションとさらなる研究分野の一連の機会について論じる。
論文 参考訳（メタデータ） (2024-05-28T11:21:45Z) - Physical Computing for Materials Acceleration Platforms [81.09376948478891]
我々は、MAPs研究プログラムの一環として、新しい素材の探索を加速する同じシミュレーションとAIツールが、根本的に新しいコンピュータ媒体の設計を可能にすると論じている。
シミュレーションに基づくMAPプログラムの概要を述べる。
我々は、材料研究者と計算機科学者の革新的なコラボレーションの新たな時代を導入することを期待している。
論文 参考訳（メタデータ） (2022-08-17T23:03:54Z) - Automated Machine Learning: A Case Study on Non-Intrusive Appliance Load Monitoring [81.06807079998117]
非侵入的機器負荷モニタリング(NIALM)のための自動機械学習(AutoML)を実現する新しい手法を提案する。
NIALMは、電子機器や家電のエネルギー消費を測定するためのスマートメーターに代わる費用対効果を提供する。
論文 参考訳（メタデータ） (2022-03-06T10:12:56Z) - Technology Readiness Levels for Machine Learning Systems [107.56979560568232]
機械学習システムの開発とデプロイは、現代のツールで簡単に実行できますが、プロセスは一般的に急ぎ、エンドツーエンドです。
私たちは、機械学習の開発と展開のための実証済みのシステムエンジニアリングアプローチを開発しました。
当社の「機械学習技術準備レベル」フレームワークは、堅牢で信頼性が高く、責任あるシステムを確保するための原則的なプロセスを定義します。
論文 参考訳（メタデータ） (2021-01-11T15:54:48Z) - Software engineering for artificial intelligence and machine learning
software: A systematic literature review [6.681725960709127]
本研究は,AI/MLシステムの開発において,ソフトウェア工学がどのように応用されてきたかを検討することを目的とする。
プロフェッショナルが直面する主な課題は、テスト、AIソフトウェアの品質、データ管理といった分野だ。
論文 参考訳（メタデータ） (2020-11-07T11:06:28Z) - Machine Learning for Software Engineering: A Systematic Mapping [73.30245214374027]
ソフトウェア開発業界は、現代のソフトウェアシステムを高度にインテリジェントで自己学習システムに移行するために、機械学習を急速に採用している。
ソフトウェアエンジニアリングライフサイクルの段階にわたって機械学習の採用について、現状を探求する包括的な研究は存在しない。
本研究は,機械学習によるソフトウェア工学(MLSE)分類を,ソフトウェア工学ライフサイクルのさまざまな段階に適用性に応じて,最先端の機械学習技術に分類するものである。
論文 参考訳（メタデータ） (2020-05-27T11:56:56Z)
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。