論文の概要: The Influence of Fraudulent AI-Generated Responses on Software Engineering Surveys

• arxiv url: http://arxiv.org/abs/2607.23805v1
• Date: Sun, 26 Jul 2026 19:08:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-28 22:34:15.231668
• Title: The Influence of Fraudulent AI-Generated Responses on Software Engineering Surveys
• Title（参考訳）: フラデュレントAI生成応答がソフトウェア工学的調査に及ぼす影響
• Abstract要約: 大規模言語モデル(LLM)は、ソフトウェアエンジニアリング調査への不正またはAIの支援に関する新たな懸念を導入する。 本研究は,疑わしい,あるいは潜在的にAI支援応答がソフトウェア工学調査の妥当性に与える影響について検討する。
• 参考スコア（独自算出の注目度）: 3.183470571353323
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Background: Large Language Models (LLMs) introduce new concerns regarding fraudulent or AI assisted participation in software engineering surveys. Aims: This study investigates how suspicious or potentially AI assisted responses may affect the validity of software engineering survey findings. Method: We conducted a secondary analysis of four software engineering survey datasets using manual identification of suspicious responses, automated AI generated text detection, descriptive statistical analysis, and thematic analysis. We compared findings obtained from the original and manually cleaned datasets. Results: Quantitative findings generally remained stable after filtering suspicious responses, although some demographic and analytical variables showed moderate variation, affecting the interpretation of specific participant groups and contextual characteristics. In contrast, qualitative findings were more strongly influenced by changes in contextual framing, code prominence, and the nature of the evidence supporting interpretation, shaping how participants' experiences and study contexts were interpreted and characterized. Conclusions: AI assisted participation may influence software engineering survey findings differently depending on the type of analysis being conducted. The findings reinforce the importance of combining multiple validation procedures, particularly in studies relying on open ended responses.
• Abstract（参考訳）: 背景: 大規模言語モデル(LLM)は、ソフトウェアエンジニアリング調査への不正またはAIの支援に関する新たな懸念を導入する。 Aims: 本研究は、疑わしい、あるいは潜在的にAI支援応答が、ソフトウェア工学調査の妥当性にどのように影響するかを調査する。 方法:疑わしい応答を手動で同定し,AIによる自動テキスト検出,記述統計分析,テーマ解析を用いて,ソフトウェア工学調査データセットの二次分析を行った。 元のデータセットと手作業によるデータセットから得られた結果を比較した。 結果: 疑わしい回答をフィルタリングした後, 定量的な結果は概ね安定していたが, 人口統計学的, 分析的変数によっては, 特定の参加者群と文脈的特徴の解釈に影響を及ぼし, 適度な変動がみられた。 対照的に質的な発見は、文脈的フレーミングの変化、コードの卓越性、解釈を支持する証拠の性質に強く影響され、参加者の経験や研究の文脈がどのように解釈され、特徴づけられたかを形成する。 結論: AIの支援による参加は、ソフトウェアエンジニアリングの調査結果に、実施されている分析の種類によって異なる影響を与える可能性がある。 この結果は、特にオープンエンド応答に依存する研究において、複数の検証手順を組み合わせることの重要性を補強する。

関連論文リスト

• Pitfalls in Evaluating Interpretability Agents [91.49742416116635]
  我々は,実験を反復的に設計し,仮説を洗練するエージェントシステムを構築した。 我々の研究は、複雑な自動解釈可能性システムを評価する上での根本的な課題を実証している。
  論文  参考訳（メタデータ） (2026-03-20T16:27:17Z)
• Many AI Analysts, One Dataset: Navigating the Agentic Data Science Multiverse [22.927943525772857]
  大規模言語モデル(LLM)上に構築された完全自律型AIアナリストは、同様の構造化された分析的多様性を安価かつ大規模に再現可能であることを示す。 アナリストペルソナやLSMの再割り当ては, 方法論的に不十分なランニングを除いた後でも, 結果の分布をシフトさせる。
  論文  参考訳（メタデータ） (2026-02-21T04:10:21Z)
• Human-AI Collaborative Inductive Thematic Analysis: AI Guided Analysis and Human Interpretive Authority [0.750605871308538]
  本研究は,インダクティブ・セマティック・アナリティクスGPT(ITA-GPT)と研究者がどのように相互作用するかを検討する。 ITA-GPTは、帰納的テーマ分析をサポートするように設計されたAIツールである。 この研究は、実体的な発見よりも分析過程に焦点を当てている。
  論文  参考訳（メタデータ） (2026-01-17T00:38:36Z)
• An Investigation on How AI-Generated Responses Affect SoftwareEngineering Surveys [3.183470571353323]
  本研究では,大規模言語モデル (LLM) がソフトウェア工学のサーベイでいかに誤用されているかを考察する。 我々は2025年にProlificプラットフォームを通じて行われた2回の調査からのデータを分析した。 ソフトウェア工学のサーベイにおいて、データの真正性は新たな妥当性の次元として認識される。
  論文  参考訳（メタデータ） (2025-12-19T11:17:05Z)
• AutoMalDesc: Large-Scale Script Analysis for Cyber Threat Research [81.04845910798387]
  脅威検出のための自然言語の説明を生成することは、サイバーセキュリティ研究において未解決の問題である。 本稿では,大規模に独立して動作する自動静的解析要約フレームワークAutoMalDescを紹介する。 アノテーション付きシード(0.9K)データセットや方法論,評価フレームワークなど,100万以上のスクリプトサンプルの完全なデータセットを公開しています。
  論文  参考訳（メタデータ） (2025-11-17T13:05:25Z)
• Data Fusion for Partial Identification of Causal Effects [62.56890808004615]
  本稿では,研究者が重要な疑問に答えられるような,新しい部分的識別フレームワークを提案する。 因果効果は肯定的か否定的か? 本研究の枠組みをSTARプロジェクトに適用し,第3級の標準試験性能に対する教室規模の影響について検討する。
  論文  参考訳（メタデータ） (2025-05-30T07:13:01Z)
• Methodological Foundations for AI-Driven Survey Question Generation [41.94295877935867]
  本稿では,ジェネレーティブAIを教育調査に活用するための方法論的枠組みを提案する。 大規模言語モデルが適応的でコンテキスト対応のサーベイ質問を生成する方法について検討する。 偏見、プライバシー、透明性などの倫理的問題を考察する。
  論文  参考訳（メタデータ） (2025-05-02T09:50:34Z)
• Dataset resulting from the user study on comprehensibility of explainable AI algorithms [5.775094401949666]
  本稿では、説明可能な人工知能(XAI)アルゴリズムの理解度に関するユーザ研究の結果であるデータセットを紹介する。 研究参加者は149人の候補者から募集され, 菌学領域の専門家を代表する3つのグループを結成した。 データセットの主な部分には39のインタビュー書が含まれており、参加者は、食べられるキノコと食べられないキノコを区別するために訓練された機械学習モデルの意思決定の解釈に関する一連のタスクと質問を完了するよう求められた。
  論文  参考訳（メタデータ） (2024-10-21T11:37:58Z)
• A Literature Review of Literature Reviews in Pattern Analysis and Machine Intelligence [51.26815896167173]
  本稿では,3つの相補的な側面からPAMIレビューを総合的に分析する。 我々の分析は、現在のレビューの実践において、独特の組織パターンと永続的なギャップを明らかにします。 最後に、最先端のAI生成レビューの評価は、コヒーレンスと組織の進歩を奨励していることを示している。
  論文  参考訳（メタデータ） (2024-02-20T11:28:50Z)
• A Mechanistic Interpretation of Arithmetic Reasoning in Language Models using Causal Mediation Analysis [128.0532113800092]
  算数問題に対するトランスフォーマーに基づくLMの機械的解釈を提案する。 これにより、算術に関連する情報がLMによってどのように処理されるかについての洞察が得られる。
  論文  参考訳（メタデータ） (2023-05-24T11:43:47Z)
• Sentiment Analysis Based on Deep Learning: A Comparative Study [69.09570726777817]
  世論の研究は我々に貴重な情報を提供することができる。 感情分析の効率性と正確性は、自然言語処理で直面する課題によって妨げられている。 本稿では、感情分析の問題を解決するためにディープラーニングを用いた最新の研究をレビューする。
  論文  参考訳（メタデータ） (2020-06-05T16:28:10Z)

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。