論文の概要: Faster Code, Deeper Debt? A Multivocal Literature Review on Technical Debt and Its Early Signs in LLM-Assisted Software Development
- arxiv url: http://arxiv.org/abs/2606.14796v1
- Date: Thu, 11 Jun 2026 14:44:30 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-23 13:47:08.545897
- Title: Faster Code, Deeper Debt? A Multivocal Literature Review on Technical Debt and Its Early Signs in LLM-Assisted Software Development
- Title（参考訳）: より高速なコード、より深い負債? LLM支援ソフトウェア開発における技術的負債とその初期の兆候に関する多言語文献レビュー
- Authors: Ramtin Ehsani, Shriya Rawal, Yuanfang Cai, Preetha Chatterjee,
- Abstract要約: 我々は、LCM支援開発が技術的負債にどのように貢献するかを検討するために、104ソースのマルチボーカルレビューを実施している。
コード品質よりも高速に生成され、ガバナンスの負債と長期のメンテナンスコストの増加につながるドミノ効果を引き起こします。
文献で提案されている戦略には、Human-in-the-loopフレームワーク、プロンプトエンジニアリング、データ品質アライメントなどがある。
- 参考スコア（独自算出の注目度）: 7.433830772352091
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: With the rapid adoption of LLM-assisted coding, the need to manage the technical debt these systems introduce has become urgent. In this paper, we conduct a multivocal literature review of 104 sources (31 formal, 73 grey) to examine how LLM-assisted development contributes to technical debt and what strategies, metrics, and benchmarks exist to mitigate it. We find that LLMs often amplify traditional forms of technical debt, particularly code, design, and documentation debts, while also introducing new LLM-specific debts. Notably, we identify fast-integration debt, where rapidly generated code prioritizes speed over quality, triggering a domino effect that leads to governance debt and increased long-term maintenance costs. Additional emerging categories include prompt, ethical, data, and provenance debt, reflecting new challenges unique to LLM adoption. To address these, strategies suggested in the literature include human-in-the-loop frameworks, prompt engineering, and data quality alignment. In practice, tools such as SonarQube are commonly used to detect technical debt indicators, while research prototypes such as CodeSmellEval are emerging to assess how LLMs contribute to debts. However, no standardized benchmarks or LLM-specific metrics yet exist, leaving an important gap. Based on findings, we outline insights and future directions to ensure reliable integration of LLMs into software engineering workflows.
- Abstract（参考訳）: LLM支援コーディングの急速な導入により、これらのシステムが導入する技術的負債を管理する必要性が高まっている。
本稿では,LCM支援開発が技術的負債にどのように貢献し,その軽減にどのような戦略,指標,ベンチマークが存在するかを検討するため,104ソース(31形式,73グレー)の多言語文献レビューを行う。
LLMは従来の技術的負債、特にコード、設計、ドキュメントの負債を増幅すると同時に、新たなLLM固有の負債を導入します。
特に、迅速に生成されたコードが品質よりも速度を優先し、ガバナンスの負債につながるドミノ効果を誘発し、長期のメンテナンスコストが増大する、高速な統合負債を特定します。
新たなカテゴリには、プロンプト、倫理的、データ、前兆負債が含まれており、LSMの採用に特有の新しい課題を反映している。
これらの問題を解決するために、文献で提案されている戦略には、ヒューマン・イン・ザ・ループ・フレームワーク、プロンプトエンジニアリング、データ品質アライメントが含まれる。
実際には、SonarQubeのようなツールは技術的負債の指標を検出するために一般的に使われ、CodeSmellEvalのような研究プロトタイプは、LLMが負債にどのように貢献するかを評価するために現れています。
しかし、標準ベンチマークやLLM固有のメトリクスは存在せず、重要なギャップを残している。
ソフトウェア工学のワークフローにLCMを確実に統合するための洞察と今後の方向性について概説する。
関連論文リスト
- Are LLMs Reliable Code Reviewers? Systematic Overcorrection in Requirement Conformance Judgement [8.059802912761919]
我々は,大規模言語モデル(LLM)が自然言語要求にマッチするコードの体系的失敗を明らかにする。
より詳細なプロンプト設計、特に説明や修正提案を必要とするものは、より高い誤判定率をもたらす。
そこで本稿では,提案した修正を実効的証拠として扱う固定誘導検証フィルタを提案する。
論文 参考訳（メタデータ） (2026-02-28T08:35:25Z) - Self-Admitted Technical Debt in LLM Software: An Empirical Comparison with ML and Non-ML Software [0.8156494881838944]
自己承認技術的負債(Self-admitted Technical debt、SATD)とは、最適化されたコードや不完全な機能を明確に認識する開発者によるコメントである。
大規模言語モデル時代におけるSATDの実証的研究を行った。
論文 参考訳（メタデータ） (2026-01-09T19:25:48Z) - Benchmarking Chinese Commonsense Reasoning with a Multi-hop Reasoning Perspective [53.594353527056775]
我々は,大言語モデル(LLM)を評価するために,中国語コモンセンスマルチホップ推論(CCMOR)を提案する。
CCMORは、中国固有の事実知識と多段階論理的推論を統合するLLMの能力を評価するように設計されている。
提案手法では,提案手法を用いて,提案手法の検証と検証を行う。
論文 参考訳（メタデータ） (2025-10-09T20:29:00Z) - Uncovering Systematic Failures of LLMs in Verifying Code Against Natural Language Specifications [0.6813925418351435]
大規模言語モデル(LLM)はソフトウェア開発において不可欠なツールとなり、要求工学、コード生成、レビュータスクに広く利用されている。
本稿では,LLMが自然言語の要求に適合するかどうかを評価する上で,体系的に失敗していることを明らかにする。
以上の結果から,LCMは要件を満たすことのできないコード実装や潜在的な欠陥を含むコード実装を誤って分類することが多いことが判明した。
論文 参考訳（メタデータ） (2025-08-17T13:07:26Z) - Discrete Tokenization for Multimodal LLMs: A Comprehensive Survey [69.45421620616486]
本研究は、大規模言語モデル(LLM)用に設計された離散トークン化手法の最初の構造的分類と解析である。
古典的および近代的なパラダイムにまたがる8つの代表的なVQ変種を分類し、アルゴリズムの原理を分析し、力学を訓練し、LLMパイプラインとの統合に挑戦する。
コードブックの崩壊、不安定な勾配推定、モダリティ固有の符号化制約など、重要な課題を特定する。
論文 参考訳（メタデータ） (2025-07-21T10:52:14Z) - Efficiency Unleashed: Inference Acceleration for LLM-based Recommender Systems with Speculative Decoding [61.45448947483328]
LLMベースのレコメンダシステム(LASER)の投機的復号化によるロスレス高速化について紹介する。
LASERは、検索効率を高めるためのカスタマイズされた検索プールと、ドラフトトークンの受け入れ率を改善するための緩和検証を備えている。
LASERは公開データセットの3～5倍のスピードアップを実現し、オンラインA/Bテスト中に約67%の計算リソースを節約する。
論文 参考訳（メタデータ） (2024-08-11T02:31:13Z) - What's Wrong with Your Code Generated by Large Language Models? An Extensive Study [92.62952504133926]
本研究は,3つの一般的なベンチマーク上で,3つの主要なクローズドソースLLMと6つの人気のあるオープンソースLLMの性能評価を行った。
間違ったコードに対するバグの分類を開発し、一般的なバグタイプに対する根本原因を分析した。
本稿では,自己批判を導入し,LLMが生成したコードに対する批判と修正を可能にする,新たな学習自由反復手法を提案する。
論文 参考訳（メタデータ） (2024-07-08T17:27:17Z) - Benchmarking Uncertainty Quantification Methods for Large Language Models with LM-Polygraph [83.90988015005934]
不確実性定量化は機械学習アプリケーションにおいて重要な要素である。
最新のUQベースラインの集合を実装した新しいベンチマークを導入する。
我々は、11タスクにわたるUQと正規化技術に関する大規模な実証的研究を行い、最も効果的なアプローチを特定した。
論文 参考訳（メタデータ） (2024-06-21T20:06:31Z) - Benchmarking and Explaining Large Language Model-based Code Generation:
A Causality-Centric Approach [12.214585409361126]
大規模言語モデル(LLM)ベースのコード生成は複雑で強力なブラックボックスモデルである。
本稿では,プロンプトと生成されたコードの因果グラフに基づく新しい表現を提案する。
我々は,12以上の迅速な調整戦略で3つの人気のあるLCMを研究することで,我々のフレームワークが提供できる洞察について説明する。
論文 参考訳（メタデータ） (2023-10-10T14:56:26Z)
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。