論文の概要: Design-System-Aware Development with AI: Evaluating Productivity and Design Consistency
- arxiv url: http://arxiv.org/abs/2607.13156v1
- Date: Tue, 14 Jul 2026 18:06:29 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-16 16:39:12.558499
- Title: Design-System-Aware Development with AI: Evaluating Productivity and Design Consistency
- Title（参考訳）: AIによるデザイン・システム・アウェア開発:生産性と設計整合性の評価
- Authors: Luciane Silva, Thayssa Rocha, Nicole Davila, Gustavo Pinto,
- Abstract要約: 本稿では、ブラジルの大企業において、手動開発、DS専用開発、DS対応AI支援開発を比較した制御実験を報告する。
その結果,AI支援は納品時間を大幅に削減し,タスク完了度を向上し,多様性を低下させた。
これらの結果は、DS対応AIツールが開発を著しく加速し、設計の忠実性を改善し、工業用フロントエンドのパフォーマンスに実用的な利益をもたらすという実証的な証拠を提供する。
- 参考スコア（独自算出の注目度）: 2.325469439198971
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Design Systems (DS) help standardize front-end development, yet developers still face challenges when translating high-fidelity mockups into consistent, production-ready interfaces. Although AI-assisted tools have emerged as a potential solution, empirical evidence on their effectiveness within DS-centered workflows remains limited. This paper reports a controlled experiment conducted at a large Brazilian enterprise that compares manual development, DS-only development, and DS-aware AI-assisted development across Angular, iOS, and Android stacks. Results from two experimental cycles show that AI assistance significantly reduced time-to-delivery (by 46.7% to 69.4%), increased task completeness, and decreased performance variability. Analysis of break patterns further suggests reduced workflow friction and smoother task execution. These findings provide empirical evidence that DS-aware AI tools can significantly accelerate development, improve design fidelity, and yield practical benefits for industrial front-end workflows.
- Abstract（参考訳）: デザインシステム(DS)はフロントエンド開発を標準化するのに役立つが、開発者は高忠実なモックアップを一貫性のあるプロダクション対応のインターフェースに変換する際に、依然として課題に直面している。
AI支援ツールが潜在的なソリューションとして登場したが、DS中心のワークフローにおけるその有効性に関する実証的な証拠はまだ限られている。
本稿では,手動開発,DS専用開発,およびAngular,iOS,Androidスタックを対象としたDS対応AI支援開発を比較した,ブラジルの大企業で実施されたコントロール実験について報告する。
2つの実験サイクルの結果、AIアシストはデリバリにかかる時間を大幅に削減し(46.7%から69.4%)、タスクの完全性を高め、パフォーマンスのばらつきを低減した。
ブレークパターンの分析はさらにワークフローの摩擦を減らし、タスクの実行をスムーズにすることを示唆している。
これらの発見は、DS対応AIツールが開発を著しく加速し、設計の忠実性を改善し、工業用フロントエンドワークフローに実用的な利益をもたらすという実証的な証拠を提供する。
関連論文リスト
- Three-Phase Evaluation of AI-Assisted Software Development Life Cycle [0.0]
4人の開発者のチームが、GitHub Copilotを使用したフルスタックWebアプリケーション、GitHub Copilotを使用したAI排他ワークフロー、AWS Kiroを使用したAI排他ワークフローを再実装した。
フェーズを通じて、より高いレベルのAI自律性は、開発労力の削減、要求の順守の改善、自己報告されたメンタルワークロードの低減に関連付けられました。
AWS Kiroフェーズは、ほとんどの測定範囲で最大の全体的なパフォーマンスを達成し、ツーリングアーキテクチャがAIの自律性レベルとは独立して結果に影響を与える可能性があることを示唆している。
論文 参考訳（メタデータ） (2026-07-06T14:13:25Z) - Shift-Up: A Framework for Software Engineering Guardrails in AI-native Software Development -- Initial Findings [1.1523102135577732]
Generative AI(GenAI)は、開発を手作業によるコーディングからエージェント駆動の実装に移行することで、ソフトウェアエンジニアリングを再構築する。
本稿では,GenAIネイティブ開発のための構造的ガードレールとして,実行可能な要件(BDD)やアーキテクチャモデリング(C4),アーキテクチャ決定記録(ADR)といった,確立したソフトウェアエンジニアリングプラクティスを再解釈するフレームワークであるShift-Upを提案する。
論文 参考訳（メタデータ） (2026-04-22T10:55:57Z) - Scalable AI-assisted Workflow Management for Detector Design Optimization Using Distributed Computing [0.7287445515583322]
本稿では,多目的ベイズ最適化を統合した検出器設計最適化のためのAI支援フレームワークを提案する。
我々は、Electron-Ion Collider(EIC)のためのベンチマーク問題とePICおよびdRICH検出器の現実的研究を用いたフレームワークを実証する。
その結果、多目的最適化における自動化、スケーラビリティ、効率性が向上した。
論文 参考訳（メタデータ） (2026-03-31T17:11:16Z) - EmboCoach-Bench: Benchmarking AI Agents on Developing Embodied Robots [68.29056647487519]
Embodied AIは、高忠実度シミュレーションと大規模データ収集によって実現されている。
しかし、このスケーリング能力は、労働集約的な手作業の監視に依存しているため、いまだにボトルネックになっている。
実装ポリシーを自律的に構築するための LLM エージェントの能力を評価するベンチマークである textscEmboCoach-Bench を紹介する。
論文 参考訳（メタデータ） (2026-01-29T11:33:49Z) - Report for NSF Workshop on AI for Electronic Design Automation [56.48556959103223]
本報告は、電子設計自動化のためのAIワークショップ(NSF Workshop on AI for Electronic Design Automation, EDA)の議論とレコメンデーションを精査するものである。
機械学習とEDAを専門とするワークショップでは、AIが拡張する大規模言語モデル(LLM)、グラフニューラルネットワーク(GNN)、強化学習(RL)、ニューロシンボリックメソッドなどについて調査した。
報告書では、AI/EDAコラボレーションの促進、EDAのための基礎的AIへの投資、堅牢なデータインフラストラクチャの開発、スケーラブルなコンピューティングインフラストラクチャの促進、ハードウェア設計の民主化と次世代ハードウェアシステムの実現のための労働力開発への投資をNSFが推奨している。
論文 参考訳（メタデータ） (2026-01-20T23:45:40Z) - Evolving with AI: A Longitudinal Analysis of Developer Logs [3.7353323067733473]
我々は,持続的AI利用が日常的なコーディング実践を長期的にどのように改善するかを考察する。
生産性、コード品質、コード編集、コードの再利用、コンテキスト切り替えという、ワークフローの変更の5つの側面を分析します。
我々の結果は、ソフトウェアのサイレント再構築に関する実証的な洞察を提供し、将来のAI強化ツールの設計に影響を及ぼす。
論文 参考訳（メタデータ） (2026-01-15T10:30:24Z) - Exploring Prompt Patterns in AI-Assisted Code Generation: Towards Faster and More Effective Developer-AI Collaboration [3.1861081539404137]
本稿では,AI支援コード生成に必要となるインタラクション数を最小化するために,構造化されたプロンプトパターンの適用について検討する。
我々は,開発者とAI間の往復通信を減らすことの有効性を評価するために,異なる7つのプロンプトパターンを分析した。
論文 参考訳（メタデータ） (2025-06-02T12:43:08Z) - ORMind: A Cognitive-Inspired End-to-End Reasoning Framework for Operations Research [56.961539386979354]
ORMindは認知にインスパイアされたフレームワークで、反ファクト推論を通じて最適化を強化する。
提案手法は,要求を数学的モデルや実行可能なコードに変換するエンド・ツー・エンドのワークフローを実装し,人間の認識をエミュレートする。
現在はLenovoのAIアシスタントで内部でテストされており、ビジネスとコンシューマの両方の最適化機能を強化する予定である。
論文 参考訳（メタデータ） (2025-06-02T05:11:21Z) - Lingma SWE-GPT: An Open Development-Process-Centric Language Model for Automated Software Improvement [62.94719119451089]
Lingma SWE-GPTシリーズは、現実世界のコード提出活動から学び、シミュレーションする。
Lingma SWE-GPT 72BはGitHubの30.20%の問題を解決する。
論文 参考訳（メタデータ） (2024-11-01T14:27:16Z) - Data-Driven and SE-assisted AI Model Signal-Awareness Enhancement and
Introspection [61.571331422347875]
モデルの信号認識性を高めるためのデータ駆動型手法を提案する。
コード複雑性のSE概念とカリキュラム学習のAIテクニックを組み合わせる。
モデル信号認識における最大4.8倍の改善を実現している。
論文 参考訳（メタデータ） (2021-11-10T17:58:18Z)
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。