論文の概要: From Human-Centric to Agentic Code Review: The Impact of Different Generations of Generative AI Technology on Review Quality
- arxiv url: http://arxiv.org/abs/2607.13196v1
- Date: Tue, 14 Jul 2026 18:48:20 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-16 16:39:12.568547
- Title: From Human-Centric to Agentic Code Review: The Impact of Different Generations of Generative AI Technology on Review Quality
- Title（参考訳）: 人間中心からエージェントコードレビュー:世代別AI技術のレビュー品質への影響
- Authors: Suzhen Zhong, Shayan Noei, Bram Adams, Ying Zou,
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 3.7086626614863984
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Code review helps maintain software quality before code integration, but it also imposes a substantial workload on human reviewers. As generative artificial intelligence becomes part of software development, code review is shifting from a primarily human review process toward AI-supported review processes in which large language model (LLM) reviewers and AI agent reviewers participate alongside human reviewers. However, we still lack empirical evidence on how this transition affects review efficiency and review quality. In this paper, we study 1.02 million reviewed pull requests from 207 GitHub projects that transition across three code review eras: human-centric review, LLM-assisted review, and agentic code review. We identify three AI reviewer adoption practices: Gradual AI Adoption, Rapid LLM Adoption, and Rapid AI Agent Adoption. We further model pull request review discussions as reviewer interaction sequences to characterize how human, LLM, and AI agent reviewers collaborate during the review process. Our results show that agent-involved collaboration patterns, especially reviews initiated by AI agents or involving multiple AI agents, are associated with faster review decisions under Gradual AI Adoption and Rapid AI Agent Adoption. However, these efficiency gains do not translate into better review quality. We also find that review activity and pull request type remain important across eras, while human-AI collaboration patterns become the strongest explanatory factor for review efficiency once LLM and AI agent reviewers participate. These findings provide empirical guidance for designing AI-supported code review processes that improve efficiency without weakening review quality.
- Abstract（参考訳）: コードレビューは、コード統合の前にソフトウェアの品質を維持するのに役立つが、人間レビュアーにかなりの負荷を課す。
生成的人工知能がソフトウェア開発の一部となるにつれ、コードレビューは主に人間によるレビュープロセスから、大規模言語モデル(LLM)レビューアとAIエージェントレビューアが人間のレビューアと一緒に参加するAI支援レビュープロセスへと移行しつつある。
しかし、この移行がレビュー効率とレビュー品質にどのように影響するかに関する実証的な証拠はいまだに欠けている。
本稿では、人間中心レビュー、LLM支援レビュー、エージェントコードレビューという3つのコードレビュー時代を移行した、207のGitHubプロジェクトからの1億200万件のプルリクエストを調査します。
AIレビュアーの採用プラクティスとして,Gradual AI Adoption,Rapid LLM Adoption,Rapid AI Agent Adoptionの3つを挙げる。
我々は、さらにプルリクエストレビューの議論をレビュアインタラクションシーケンスとしてモデル化し、レビュープロセス中に人間、LLM、AIエージェントのレビュアがどのように協力するかを特徴付ける。
以上の結果から,AIエージェントによるエージェント関連コラボレーションパターン,特にAIエージェントによるレビュー,あるいは複数のAIエージェントによるレビューは,Gradual AI AdoptionおよびRapid AI Agent Adoptionの下でのレビュー判断の迅速化に関連していることがわかった。
しかし、これらの効率性の向上は、レビュー品質の改善には寄与しない。
また,LLMやAIエージェントのレビュアーが参加すれば,人間とAIのコラボレーションパターンがレビュー効率の最も強力な説明要因となる一方で,レビュー活動やプルリクエストタイプは時代とともに重要であることが確認された。
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。
関連論文リスト
- 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) - Stop Automating Peer Review Without Rigorous Evaluation [51.53099943385505]
このポジションペーパーは、今日のAIシステムは、論文レビューの作成に使用すべきではない、と論じている。
1)AIレビュアーは、視点の多様性を低下させる論文内および新聞内における過剰な合意の隠れた効果を示す。
ピアレビューの危機に対処するには、ピアレビューの自動化の科学が必要です。
論文 参考訳（メタデータ） (2026-05-04T22:41:04Z) - 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) - Human-AI Synergy in Agentic Code Review [3.7086626614863984]
我々は、人間レビュアーとAIエージェントによるフィードバックの違いを比較した。
人間のレビュアーは、人間が書いたコードよりもAI生成コードをレビューする場合、11.8%のラウンドを交換する。
AIエージェントからの未確認の提案の半数以上が間違っているか、開発者による代替修正によって対処されている。
論文 参考訳（メタデータ） (2026-03-16T20:56:18Z) - How AI Coding Agents Communicate: A Study of Pull Request Description Characteristics and Human Review Responses [6.061536429904841]
AIDevデータセットを用いて、5つのAI符号化エージェントが生成したプルリクエストを実証分析する。
AIコーディングエージェントは、レビュアーのエンゲージメント、応答時間、マージ結果の違いに関連する、異なるPR記述スタイルを示す。
論文 参考訳（メタデータ） (2026-02-19T05:06:31Z) - What happens when reviewers receive AI feedback in their reviews? [9.57486570505445]
支持者はAIがレビュー担当者の負担を減らし、品質を改善する可能性があると考えているが、批判者は公正さ、説明責任、信頼へのリスクを警告している。
ICLR 2025では、レビュアーにレビュー後提案を提供するために、公式のAIフィードバックツールがデプロイされた。
この研究は、ライブレビュープロセスにおいて、このようなAIツールの実証的な証拠として初めて貢献する。
論文 参考訳（メタデータ） (2026-02-14T15:22:33Z) - Holistic Agent Leaderboard: The Missing Infrastructure for AI Agent Evaluation [87.47155146067962]
数百のタスクで並列評価をオーケストレーションする,標準化された評価ハーネスを提供する。
モデル、足場、ベンチマークにまたがる3次元解析を行う。
私たちの分析では、ほとんどのランで精度を低下させる高い推論努力など、驚くべき洞察が示されています。
論文 参考訳（メタデータ） (2025-10-13T22:22:28Z) - CoCoNUTS: Concentrating on Content while Neglecting Uninformative Textual Styles for AI-Generated Peer Review Detection [60.52240468810558]
我々は、AI生成ピアレビューの詳細なデータセットの上に構築されたコンテンツ指向ベンチマークであるCoCoNUTSを紹介する。
また、マルチタスク学習フレームワークを介してAIレビュー検出を行うCoCoDetを開発し、レビューコンテンツにおけるAIのより正確で堅牢な検出を実現する。
論文 参考訳（メタデータ） (2025-08-28T06:03:11Z) - The AI Imperative: Scaling High-Quality Peer Review in Machine Learning [49.87236114682497]
AIによるピアレビューは、緊急の研究とインフラの優先事項になるべきだ、と私たちは主張する。
我々は、事実検証の強化、レビュアーのパフォーマンスの指導、品質改善における著者の支援、意思決定におけるAC支援におけるAIの具体的な役割を提案する。
論文 参考訳（メタデータ） (2025-06-09T18:37:14Z)
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。