論文の概要: Developers' Experience with Generative AI Beyond Productivity Assessment -- Insights from an Empirical Mixed-Methods Field Study
- arxiv url: http://arxiv.org/abs/2607.02337v2
- Date: Thu, 09 Jul 2026 07:25:09 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-10 16:54:55.148539
- Title: Developers' Experience with Generative AI Beyond Productivity Assessment -- Insights from an Empirical Mixed-Methods Field Study
- Title（参考訳）: 生産性評価以外のジェネレーティブAIを使った開発者の経験-実証的混合手法のフィールドスタディから
- Authors: Charlotte Brandebusemeyer, Kerim Zunic, Thomas Zimmermann, Tobias Schimmer, Bert Arnrich,
- Abstract要約: 本稿では,プロの開発者が自然作業環境においてどのようにGenerative AI(GenAI)と関わるかを検討する。
結果として、開発者は一般的にGenAI、特に単調で反復的で構造化されたタスクに満足している。
開発が重いタスクでは、認知的負荷はAIのインタラクションから生じるが、生産性はAIの出力品質に依存している。
- 参考スコア（独自算出の注目度）: 7.932998356208937
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: With the growing adoption of AI-powered coding assistants, organizations and developers are increasingly seeking to optimize their interaction with these tools. Prior research has largely focused on output quality and productivity gains, with limited attention paid to developers' well-being and interaction experiences. This paper presents a developer-centered empirical mixed-methods study to investigate how professional developers engage with Generative AI (GenAI) in their natural work environment. Controlled data collection sessions are combined with natural work periods. Results show that developers are generally satisfied with GenAI, particularly for monotonous, repetitive, and structured tasks, and report perceived efficiency and productivity gains. Copilot interaction type preferences differ by task type and complexity: While both in-code suggestions and chat-based prompting independently improve task efficiency and reduce perceived workload, combining these interaction types within a single task diminishes benefits. We propose a rule-of-thumb for selecting an interaction type based on task characteristics. During development-heavy tasks, results indicate that perceived cognitive load arises from AI interaction, while perceived productivity depends on AI output quality. Participation in this study positively influenced developers' awareness and intentional use of GenAI tools. These findings demonstrate the value of real-world, mixed-methods study designs to understand GenAI tools and developers' experiences with them.
- Abstract（参考訳）: AIを利用したコーディングアシスタントの普及に伴い、組織や開発者は、これらのツールとの対話を最適化したいと考えている。
これまでの研究は、開発者の幸福感とインタラクションエクスペリエンスに限られた注意を払って、アウトプットの品質と生産性の向上に重点を置いてきた。
本稿では,プロの開発者が自然作業環境において生成型AI(GenAI)とどのように関わるかを研究するために,開発者中心の複合手法に関する実証的研究を行う。
制御されたデータ収集セッションは、自然な作業期間と組み合わせられる。
結果は、開発者は一般的にGenAI、特に単調で反復的で構造化されたタスクに満足していることを示し、効率性と生産性の向上を報告している。
コード内提案とチャットベースのプロンプトの両方が、タスク効率を独立して改善し、認識されたワークロードを減らす一方で、これらのインタラクションタイプをひとつのタスク内で組み合わせることで、メリットが減少します。
本稿では,タスク特性に基づいて対話型を選択するためのルール・オブ・サンプを提案する。
開発が重いタスクでは、認知的負荷はAIのインタラクションから生じるが、生産性はAIの出力品質に依存している。
この研究への参加は、開発者の認識とGenAIツールの意図的な使用に肯定的な影響を与えた。
これらの知見は、GenAIツールと開発者の経験を理解するために、実世界の混合方法論の研究設計の価値を示している。
関連論文リスト
- Intentmaking and Sensemaking: Human Interaction with AI-Guided Mathematical Discovery [72.49593499512092]
インテントメイキングという別のワークフローを特定し、特徴付けします。
私たちはこれをセンスメイキングの自然な拡張と捉えています。
これらのテーマのドキュメンテーションは、科学的発見のためのAIツール設計へのアプローチを示唆している。
論文 参考訳（メタデータ） (2026-05-07T09:30:25Z) - Impacts of Generative AI on Agile Teams' Productivity: A Multi-Case Longitudinal Study [5.9568322124195845]
生成人工知能(GenAI)ツールは、ソフトウェア工学におけるパラダイムシフトを表している。
この研究は、GenAIがアジャイルチームに与える影響の経年的評価を提供することを目的としている。
論文 参考訳（メタデータ） (2026-02-14T13:26:16Z) - The SPACE of AI: Real-World Lessons on AI's Impact on Developers [0.807084206814932]
我々は,SPACEフレームワークの次元にまたがるAIの影響,すなわち満足度,パフォーマンス,アクティビティ,コラボレーション,効率を,開発者がどのように認識するかを研究する。
AIは広く採用されており、生産性の向上、特にルーチンタスクに広く見なされている。
開発者の報告によると、効率性と満足度は向上し、コラボレーションへの影響の証拠は少なくなった。
論文 参考訳（メタデータ） (2025-07-31T21:45:54Z) - Cross-Task Experiential Learning on LLM-based Multi-Agent Collaboration [63.90193684394165]
マルチエージェント・クロスタスク体験学習(MAEL)は,LSM駆動型エージェントに明示的なクロスタスク学習と経験蓄積を付与する新しいフレームワークである。
経験的学習フェーズでは、タスク解決ワークフローの各ステップの品質を定量化し、その結果の報酬を記憶する。
推論中、エージェントは、各推論ステップの有効性を高めるために、いくつかの例として、高頻度のタスク関連体験を検索する。
論文 参考訳（メタデータ） (2025-05-29T07:24:37Z) - Evaluations at Work: Measuring the Capabilities of GenAI in Use [28.124088786766965]
現在のAIベンチマークは、人間とAIのコラボレーションの混乱したマルチターンの性質を見逃している。
実世界のタスクを相互依存サブタスクに分解する評価フレームワークを提案する。
論文 参考訳（メタデータ） (2025-05-15T23:06:23Z) - Interactive Agents to Overcome Ambiguity in Software Engineering [61.40183840499932]
AIエージェントは、あいまいで不明確なユーザー指示に基づいて、タスクを自動化するためにますますデプロイされている。
不安定な仮定をし、明確な質問をしないことは、最適以下の結果につながる可能性がある。
対話型コード生成設定において,LLMエージェントが不明瞭な命令を処理する能力について,プロプライエタリモデルとオープンウェイトモデルを評価して検討する。
論文 参考訳（メタデータ） (2025-02-18T17:12:26Z) - Towards Decoding Developer Cognition in the Age of AI Assistants [9.887133861477233]
本稿では,生理的計測(EEGとアイトラッキング)とインタラクションデータを組み合わせて,AI支援プログラミングツールの開発者による使用状況を調べるための制御された観察的研究を提案する。
私たちは、認知負荷とタスク完了時間を計測しながら、AIアシストの有無に関わらず、プログラムタスクを完了させるために、プロの開発者を募集します。
論文 参考訳（メタデータ） (2025-01-05T23:25:21Z) - ComfyBench: Benchmarking LLM-based Agents in ComfyUI for Autonomously Designing Collaborative AI Systems [80.69865295743149]
この研究は、LLMベースのエージェントを使用して、協調AIシステムを自律的に設計する試みである。
ComfyBenchをベースとしたComfyAgentは,エージェントが自律的に協調的なAIシステムを生成して設計できるようにするフレームワークである。
ComfyAgentは、o1-previewに匹敵する解像度を達成し、ComfyBenchの他のエージェントをはるかに上回っているが、ComfyAgentはクリエイティブタスクの15%しか解決していない。
論文 参考訳（メタデータ） (2024-09-02T17:44:10Z) - ProAgent: Building Proactive Cooperative Agents with Large Language
Models [89.53040828210945]
ProAgentは、大規模な言語モデルを利用してプロアクティブエージェントを生成する新しいフレームワークである。
ProAgentは現状を分析し、チームメイトの意図を観察から推測することができる。
ProAgentは高度なモジュール化と解釈可能性を示し、様々な調整シナリオに容易に統合できる。
論文 参考訳（メタデータ） (2023-08-22T10:36:56Z)
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。