論文の概要: 3100 Opinions on Code Review in an AI World: Building Causal Theory from Practitioner Discourse
- arxiv url: http://arxiv.org/abs/2607.07980v1
- Date: Wed, 08 Jul 2026 23:11:46 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-10 14:45:27.361279
- Title: 3100 Opinions on Code Review in an AI World: Building Causal Theory from Practitioner Discourse
- Title（参考訳）: AIの世界におけるコードレビューに関する3100の意見 - 実践者談話による因果論の構築
- Abstract要約: コーディングエージェントがプルリクエスト全体を作成できるようになった。
コードレビューにどう影響するか 実践者は強く反対します
エージェントによるプルリクエストは、頻繁にレビューされ、数倍早くマージされ、人間によるプルリクエストよりも議論される。
- 参考スコア（独自算出の注目度）: 15.948323546029714
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Coding agents now author entire pull requests, and practitioners sharply disagree about what this does to code review: whether it becomes the bottleneck, whether human review is still necessary, and whether it quietly erodes the understanding that it once built. Repository-mining studies measure surface trends but seldom explain the mechanisms beneath them, and the trends themselves prove unstable. A motivating observational analysis of public GITHUB activity finds that agent-authored pull requests are reviewed less often, merged several times faster, and discussed less than human-authored ones, yet the direction of these trends flips under different but equally defensible analysis choices, so the traces establish what is changing without explaining why. To recover the mechanisms, we synthesize practitioner discourse at scale into an explanatory theory: we collect 38,709 grey-literature documents (engineering blogs and Reddit threads), filter to those substantively about code review, and code a stratified random sample of 3,100 with an LLM-assisted pipeline, from which we build a causal model of 26 constructs and 67 relationships (64 directed, 3 contested). Its organizing claim is that review is the control point through which a coding agent's effect on software is decided, and that AI does not fix the sign of that effect: the team sets it, through the expertise its humans bring and how it structures the review process. The theory makes the competing positions explicit and turns "AI is changing code review" into falsifiable propositions with named constructs and moderators. As a secondary contribution, we offer the underlying LLM-assisted, grey-literature theory-building method as a scalable template for software-engineering research, with a public implementation.
- Abstract（参考訳）: コーディングエージェントがプルリクエスト全体を書き、コードレビューがボトルネックになるかどうか、人間によるレビューがまだ必要かどうか、そしてそれがかつて構築されたという理解をひそかに損なうかどうか、といった点について、実践者たちは激しく反対している。
リポジトリ・マイニング(Repository-mining)の研究は表面の傾向を測定するが、その下のメカニズムを説明することはめったになく、その傾向自体が不安定であることを証明している。
公開GITHUB活動のモチベーション的分析により、エージェントによるプルリクエストのレビュー頻度が減少し、数倍早くマージされ、人間によるプルリクエストよりも少ないことが判明した。
このメカニズムを回復するために,我々は,38,709件の灰色の文体文書(ブログやRedditスレッドをエンジニアリングする)を収集し,コードレビューについて即時的にフィルタリングし,LLM支援パイプラインで3100件のランダムサンプルをコード化し,26のコンストラクタと67のリレーション(64のコンストラクタ,3のコンテスト)からなる因果モデルを構築した。
その組織的主張は、レビューは、コーディングエージェントのソフトウェアへの影響が決定される制御ポイントであり、AIは、その効果の兆候を修正しない、というものである。
この理論は、競合するポジションを明確にし、"AIはコードレビューを変更しています"を名前のついたコンストラクタとモデレーターで偽りの命題にします。
第二の貢献として、ソフトウェア工学研究のためのスケーラブルなテンプレートとして、LLM支援のグレーリテラル理論構築法をパブリック実装で提供する。
関連論文リスト
- PaperDoctor: Evidence-Grounded and Actionable Feedback for Scientific Papers in Progress [130.58520199343707]
PaperDoctorは,3つの重要なイノベーションを備えた,サブミッション前のフィードバックのためのエージェントフレームワークである。
まず、全体論的階層的なフレームワークは、書き込み、レイアウト、参照、コード、理論、先行作業、実験を評価します。
第二に、各発見には、観察、文、方程式、コードラインなどの特定の証拠へのポインタ、修正提案が含まれる。
第3に、PaperDoctorはクレームの重要性と計算予算に基づいて実験を選択的に再構築し、再実行する。
論文 参考訳（メタデータ） (2026-09-15T11:08:11Z) - From Human-Centric to Agentic Code Review: The Impact of Different Generations of Generative AI Technology on Review Quality [3.7086626614863984]
私たちは、3つのコードレビュー期間に移行した207のGitHubプロジェクトからの1億200万のレビューされたプルリクエストを調査します。
エージェント関連のコラボレーションパターンは、Gradual AI AdoptionとRapid AI Agent Adoptionの下でのレビュー決定の迅速化に関連している。
これらの知見は、レビュー品質を弱めることなく効率を向上するAI支援のコードレビュープロセスを設計するための実証的なガイダンスを提供する。
論文 参考訳（メタデータ） (2026-07-14T18:48:20Z) - Empirical Study on the Characteristics and Evolution of AI-usage in GitHub Repositories: Evidence from Code Comments [7.213400161126317]
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。
論文 参考訳（メタデータ） (2026-06-05T02:37:44Z) - What Really Improves Mathematical Reasoning: Structured Reasoning Signals Beyond Pure Code [72.9921566968371]
ドメイン分離のきめ細かい10T-tokenコーパスにおける事前学習の制御実験により,コードが推論を改善するという主張を再考する。
コードはプログラミング能力を大幅に改善するが、一般的な推論エンハンサーとして機能しない。
コード-テキストと数学-テキストの混合のようなドメイン間構造的推論トレースがよりうまく説明されている。
論文 参考訳（メタデータ） (2026-05-19T12:37:01Z) - AI for Auto-Research: Roadmap & User Guide [107.0834449839233]
研究ライフサイクル全体にわたってAIをエンドツーエンドに分析する。
我々は、信頼できる援助と信頼できない自律性の間に、鋭くステージに依存した境界を特定できる。
障害モードを排除するのではなく、より大きな自動化が不明瞭であることが示されています。
論文 参考訳（メタデータ） (2026-05-18T17:08:26Z) - Rethinking Code Review in the Age of AI: A Vision for Agentic Code Review [2.2807488730605296]
本稿では,AIを利用したコードレビューワークフローの構想について述べる。
信頼性、バイアス、プライバシー、自動化バイアス、透明性、評価など、責任ある採用に対する大きなオープンな課題を特定します。
論文 参考訳（メタデータ） (2026-05-17T17:04:21Z) - When AI reviews science: Can we trust the referee? [73.47745294608072]
私たちは、トレーニングとデータ検索、デスクレビュー、深いレビュー、反論、システムレベルといった、レビューライフサイクル全体のアタックをマップします。
評価スコアに高名度フレーミング, 断定力, 反抗薬効, 文脈中毒の因果効果を分離するために, 2つの高度なLCMベースの審判を用いた。
論文 参考訳（メタデータ） (2026-04-26T08:03:32Z) - Understanding Dominant Themes in Reviewing Agentic AI-authored Code [6.183483850365225]
実世界のGitHubリポジトリから,3,177件のエージェントによるPRにまたがる19,450件のインラインレビューコメントを分析した。
AIエージェントはコード生成を加速できるが、対象とする人間レビューの監視を必要とするギャップは依然として残っている。
論文 参考訳（メタデータ） (2026-01-27T07:21:09Z) - Early-Stage Prediction of Review Effort in AI-Generated Pull Requests [0.0]
我々は,2,807リポジトリにわたるAIDevデータセットから,エージェントによるPR33,707件を分析した。
本稿では,高解像度PRを生成時に予測するサーキットブレーカートリアージモデルを提案する。
論文 参考訳（メタデータ） (2026-01-02T17:18:01Z) - Automatic Reviewers Fail to Detect Faulty Reasoning in Research Papers: A New Counterfactual Evaluation Framework [55.078301794183496]
我々は、高品質なピアレビューを支えるコアレビュースキル、すなわち欠陥のある研究ロジックの検出に注力する。
これは、論文の結果、解釈、クレームの間の内部の一貫性を評価することを含む。
本稿では,このスキルを制御条件下で分離し,テストする,完全自動対物評価フレームワークを提案する。
論文 参考訳（メタデータ） (2025-08-29T08:48:00Z) - Code Review as Decision-Making -- Building a Cognitive Model from the Questions Asked During Code Review [2.8299846354183953]
コードレビューの認知モデルを構築し、翻訳された資料の主題的、統計的、時間的、シーケンシャルな分析を通じてボトムアップする。
まず、コンテキストと合理性を確立するための配向フェーズ、次に、レビューの残りの部分を理解し、評価し、計画するための分析フェーズです。
論文 参考訳（メタデータ） (2025-07-13T14:04:16Z) - Unveiling the Magic of Code Reasoning through Hypothesis Decomposition and Amendment [54.62926010621013]
我々は,大規模言語モデルの推論能力に対する新たな視点を提供するために,新しいタスクであるコード推論を導入する。
論理的推論の確立した形式に基づいて3つのメタベンチマークを要約し、8つの特定のベンチマークタスクにインスタンス化する。
本稿では,人間の複雑な問題解決手法に触発された新たな経路探索パイプラインを提案する。
論文 参考訳（メタデータ） (2025-02-17T10:39:58Z)
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。