論文の概要: Augmentation with Dilution: A Large-Scale Empirical Study of Human Contributor Ecosystems After AI Coding Agent Adoption
- arxiv url: http://arxiv.org/abs/2606.26289v1
- Date: Wed, 24 Jun 2026 18:36:01 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-26 18:46:32.053768
- Title: Augmentation with Dilution: A Large-Scale Empirical Study of Human Contributor Ecosystems After AI Coding Agent Adoption
- Title（参考訳）: 希釈による拡張:AI符号化エージェント導入後のヒトコントリビュータ生態系の大規模実証研究
- Abstract要約: オープンソースプロジェクトにおけるAIコーディングエージェントの導入により,人間の参加者の数,構成,行動がどう変化するかを検討する。
以上の結果から,AIエージェントの採用は,人間のコントリビュータの絶対数を大きく変えるものではないことが示唆された。
AIエージェントが人間のコントリビュータに取って代わるのではなく、オープンソースのエコシステムの構造を体系的に再構築していることが分かりました。
- 参考スコア（独自算出の注目度）: 5.3319140556634315
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: AI coding agents are penetrating open-source software development at an unprecedented pace, yet existing research predominantly treats human contributors as a static backdrop rather than as the subject of inquiry. This paper presents the first large-scale empirical study that takes the human contributor ecosystem as its dependent variable, examining how the number, composition, and behavior of human participants change following AI coding agent adoption in open-source projects. Using a staggered difference-in-differences design on a dataset of 11,097 GitHub repositories spanning January 2023 to May 2026, we provide causal evidence via the Sun and Abraham estimator. Our results show that AI agent adoption does not significantly change the absolute number of human contributors (ATT = 0.014, p = 0.224), but significantly reduces human contributor density (ATT = -0.019, p = 0.002), indicating that the relative share of human participation declines as AI-generated pull requests accumulate. The relative participation share of newcomers declines significantly by 3.7 percentage points (ATT = -0.037, p < 0.001), with the effect emerging immediately after adoption and remaining stable throughout the observation window. Review depth increases significantly by 5.3% (ATT = +0.0168, p < 0.001), indicating that AI agents shift burden from the code production stage to the review stage. Moderator analysis reveals that these effects vary systematically with project size, programming language, and project maturity. Together, these findings present a pattern of augmentation with dilution: AI agents are not displacing human contributors, but are systematically reshaping the participation structure of open-source ecosystems.
- Abstract（参考訳）: AIコーディングエージェントは、前例のないペースでオープンソースソフトウェア開発を浸透させているが、既存の研究は、人間のコントリビュータを調査の対象ではなく静的な背景として扱う。
本稿では,ヒトコントリビュータのエコシステムを依存変数として捉え,AIコーディングエージェントをオープンソースプロジェクトに導入した上で,人間の参加者の数,構成,行動がどう変化するかを検討する。
2023年1月から2026年5月にかけて、11,097のGitHubリポジトリのデータセットに散在する差分設計を用いて、SunとAbraham estimatorを通じて因果証拠を提供します。
以上の結果から,AIエージェントの採用は,ヒトのコントリビュータの絶対数(ATT = 0.014, p = 0.224)を大きく変化させるものではないが,ヒトのコントリビュータ密度(ATT = -0.019, p = 0.002)を大幅に低下させることが示唆された。
新規参画者の相対参加率は3.7ポイント(ATT=-0.037, p < 0.001)と著しく減少し, 導入直後に出現し, 観察窓全体を通して安定している。
レビューの深さは5.3%増加し(ATT = +0.0168, p < 0.001)、AIエージェントがコード生産段階からレビューステージに負担を移すことを示している。
モデレーター分析は、これらの効果がプロジェクトのサイズ、プログラミング言語、プロジェクトの成熟度と体系的に異なることを明らかにしている。
AIエージェントは人間の貢献者を軽視するのではなく、オープンソースのエコシステムの参加構造を体系的に再構築している。
関連論文リスト
- Interrupting the Chain: Human Perception of AI-Generated Disinformation Through a Kill Chain Lens [47.03825808787752]
本研究は,ニュースの断片を原点(人間対機械)と真偽(本物対偽)で分類する人間-対象研究から得られた経験的知見を提示する。
我々は、介入のための分類として、適応されたサイバーセキュリティキルチェーンを用いて、認知的攻撃ライフサイクルの段階に知覚データをマッピングする結果を編成する。
3つの主要な発見は,(1)疑念の高揚が検出を改善しない知覚精度のギャップ,(2)現代のLSMは人間の識別不可能なテキストを頻繁に生成する,(3)偽ニュース検出が持続的暴露下で10.2ポイント低下し,AI-オリジン検出が安定している不斉認知疲労効果である。
論文 参考訳（メタデータ） (2026-07-26T15:40:41Z) - Decoupling Code Complexity from Newcomer Participation: A Causal Study of AI Coding Agent Adoption in OSS [17.63430909072108]
オープンソースプロジェクトは、新参者の安定した流入に依存している。
ますます懸念されるのは、AIのコーディングエージェントが彼らを群がらせることだ。
設定ファイルの最初のコミットによって,エージェントを採用した1,888のプロジェクトを特定した。
論文 参考訳（メタデータ） (2026-07-02T07:24:20Z) - These Aren't the Reviews You're Looking For How Humans Review AI-Generated Pull Requests [0.0]
AIDevデータセットを使用して、GitHub上のAI生成プルリクエスト(PR)のコードレビューインタラクションを分析する。
ほとんどのAI生成PRはレビューを受けておらず、レビューされると、主に人間ではなくAIエージェントが支配していることがわかった。
論文 参考訳（メタデータ） (2026-05-04T06:32:50Z) - AI-Assisted Peer Review at Scale: The AAAI-26 AI Review Pilot [45.90272517740283]
本稿では,AI支援ピアレビューの大規模展開について報告する。
AAAI-26のすべてのメイントラックは、最先端のシステムから明確に特定されたAIレビューを受け取りました。
論文 参考訳（メタデータ） (2026-04-15T14:51:07Z) - Industrialized Deception: The Collateral Effects of LLM-Generated Misinformation on Digital Ecosystems [47.03825808787752]
本稿では,文献レビューから実践的対策へ移行する。
本稿では,Large Language Models(LLM)とマルチモーダルシステムによるAI生成コンテンツの改善について報告する。
我々は, LLMに基づく検出, 接種アプローチ, および生成AIの二重利用特性を含む緩和戦略について論じる。
論文 参考訳（メタデータ） (2026-01-29T16:42:22Z) - Will It Survive? Deciphering the Fate of AI-Generated Code in Open Source [3.6525095710982924]
一般的な仮説では、コードは"使い捨て"であり、すぐにマージされるが、その後すぐに破棄される。
我々は,201件のオープンソースプロジェクトの生存状況を分析し,AIエージェントが作成した20万件のコード修復ユニットを人に対して追跡する。
論文 参考訳（メタデータ） (2026-01-23T15:00:46Z) - AI IDEs or Autonomous Agents? Measuring the Impact of Coding Agents on Software Development [12.50615284537175]
大規模言語モデル(LLM)ベースのコーディングエージェントは、プルリクエストの生成とマージを行う自律的なコントリビュータとして機能するようになっている。
本稿では,オープンソースリポジトリにおけるエージェント導入の経時的因果関係について検討する。
論文 参考訳（メタデータ） (2026-01-20T04:51:56Z) - Is General-Purpose AI Reasoning Sensitive to Data-Induced Cognitive Biases? Dynamic Benchmarking on Typical Software Engineering Dilemmas [47.582118202259394]
汎用AI(GPAI)システムは、人間の非人間性による認知バイアスを軽減するのに役立つ。
GPAIシステム自体に認知バイアスがあるのだろうか?
ソフトウェア工学におけるGPAIにおけるデータ誘発認知バイアスを評価するための最初のベンチマークフレームワークを提案する。
論文 参考訳（メタデータ） (2025-08-15T07:29:46Z) - Human aversion? Do AI Agents Judge Identity More Harshly Than Performance [0.06554326244334868]
我々は,大規模言語モデルに基づくAIエージェントがどのように人間の入力を評価し,統合するかを検討する。
AIシステムは人間のアドバイスを体系的に減らし、アルゴリズムの誤りよりも人間の誤りを厳しく罰する。
論文 参考訳（メタデータ） (2025-03-31T02:05:27Z) - ScaleMAI: Accelerating the Development of Trusted Datasets and AI Models [46.80682547774335]
我々はAI統合データキュレーションとアノテーションのエージェントであるScaleMAIを提案する。
まず、ScaleMAIは25,362個のCTスキャンを作成した。
第2に、プログレッシブなヒューマン・イン・ザ・ループのイテレーションを通じて、ScaleMAIはFragship AI Modelを提供する。
論文 参考訳（メタデータ） (2025-01-06T22:12:00Z) - Measuring Human Contribution in AI-Assisted Content Generation [66.06040950325969]
本研究は,AIによるコンテンツ生成における人間の貢献度を測定する研究課題を提起する。
人間の入力とAI支援出力の自己情報に対する相互情報を計算することにより、コンテンツ生成における人間の比例情報貢献を定量化する。
論文 参考訳（メタデータ） (2024-08-27T05:56:04Z)
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。