論文の概要: (Im)Paired Programming: Coding Agents Improve Productivity but Harm Understanding

• arxiv url: http://arxiv.org/abs/2607.26375v1
• Date: Wed, 29 Jul 2026 01:23:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-30 21:06:25.506942
• Title: (Im)Paired Programming: Coding Agents Improve Productivity but Harm Understanding
• Title（参考訳）: (Im)ペアプログラミング:コーディングエージェントによる生産性向上とハーム理解
• Abstract要約: 54人の学生が2つのAIシステムのうちの1つでウェブサイトを作成しています。 我々は,エージェントを使わずにコードを拡張するタスクを,理解的質問や理解を通じてテストする。 自己報告の弱い理解にもかかわらず、ユーザはコーディングエージェントを好む。
• 参考スコア（独自算出の注目度）: 59.19634073105828
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Coding agents (e.g., Cursor) improve developer productivity by optimizing task completion, but shifting users from writing code to prompting and reviewing may harm their understanding, impeding oversight, learning, and communication. To probe this, we have 54 students create a website with one of two AI systems: an agent that edits user code; or a chatbot where users write code alone or adapt generic code snippets. We test understanding via comprehension questions and a task where users extend their code without agents, showing: (1) While agents aid initial task completion, they harm users' code comprehension and thus do not prepare users to extend their code; (2) Low-effort agent interaction types, like copy+paste prompts and auto-accepted edits, are linked with lower comprehension; and (3) Despite self-reported weaker understanding, users still prefer coding agents because they are quick and easy to use. While users stay in the loop for coding workflows, understanding should not be forgotten. Towards this goal, we distill our analyses into future research directions for coding agent developers: dissuading low-effort prompting, creating readable code, and promoting active engagement.
• Abstract（参考訳）: コーディングエージェント(例えばCursor)はタスク完了を最適化することで開発者の生産性を向上させるが、ユーザをコード記述からプロンプトやレビューに移行することで、理解や監視、学習、コミュニケーションを阻害する可能性がある。 これを調べるために、54人の学生が2つのAIシステムのうちの1つ、ユーザーコードを編集するエージェント、あるいはユーザーが単独でコードを書くチャットボット、あるいは汎用的なコードスニペットを適応するWebサイトを作成しました。 1) エージェントは初期タスク完了を補助するが,ユーザのコード理解を損なうため,ユーザによるコード拡張の準備ができない,2) コピー・ペースト・プロンプトや自動受け入れ編集などの低便なエージェントインタラクションタイプは低い理解とリンクされている,3) 自己申告された弱い理解にもかかわらず,ユーザは依然としてコーディングエージェントを好む。 ユーザはコーディングワークフローのループに留まるが、理解は忘れるべきではない。 この目標に向けて、我々は分析をコーディングエージェント開発者のための将来の研究方向、すなわち低努力の促進、読みやすいコードの作成、アクティブエンゲージメントの促進に精査する。

関連論文リスト

• Beyond the Traceback: Using LLMs for Adaptive Explanations of Programming Errors [52.619793817715326]
  本稿では,LLM生成したPythonエラーメッセージを,多段階のクラウドソースで評価する。 LLMで書き直されたメッセージは主観評価を著しく向上させたが、これらの評価結果は客観的デバッグ性能の統計的に有意な改善には至らなかった。 これは重要なヒューマンとAIの相補性ギャップを浮き彫りにしている。
  論文  参考訳（メタデータ） (2026-08-21T09:14:28Z)
• TRIM: Reducing AI-Generated CodeSlop via Agent Trajectory Minimization [57.14479960309637]
  コーディングエージェントは、多くの下流タスクでコード生成を加速するためにますます使われています。 その価値にもかかわらず、エージェント生成コードは、対応する人間による実装よりも大きく、冗長である傾向がある。 原因はエージェント自身の検索プロセスにあることを示す。
  論文  参考訳（メタデータ） (2026-07-20T17:06:19Z)
• SWE-chat: Coding Agent Interactions From Real Users in the Wild [70.18158706281724]
  SWE-chatは、オープンソースの開発者から収集された実際のコーディングエージェントセッションの大規模なデータセットである。 現在、データセットには6000のセッションが含まれており、63,000以上のユーザプロンプトと355,000のエージェントツールコールが含まれている。
  論文  参考訳（メタデータ） (2026-04-22T17:08:19Z)
• Exploring Direct Instruction and Summary-Mediated Prompting in LLM-Assisted Code Modification [10.964060011243234]
  本稿では,大規模言語モデル(LLM)を用いた既存コードの変更について検討する。 プロンプティング(prompting)は、開発者がLLMにインテントを伝えるための主要なインターフェースである。 本研究では,LLM支援符号修正のための2つの手順について検討した。
  論文  参考訳（メタデータ） (2025-08-02T23:52:49Z)
• Code with Me or for Me? How Increasing AI Automation Transforms Developer Workflows [60.04362496037186]
  本研究は,コーディングエージェントと開発者インタラクションを制御した最初の研究である。 我々は,2つの主要な協調型およびエージェント型符号化アシスタントの評価を行った。 結果から,エージェントはコピロトを超える方法で開発者を支援することができることがわかった。
  論文  参考訳（メタデータ） (2025-07-10T20:12:54Z)
• Beyond Autocomplete: Designing CopilotLens Towards Transparent and Explainable AI Coding Agents [4.960232980231203]
  CopilotLensは、シンプルな提案から透過的で説明可能なインタラクションにコード補完を再構築する、インタラクティブなフレームワークである。 CopilotLensは、動的で2段階のインターフェースを通じてAIエージェントの"思考プロセス"を再構築する説明レイヤとして機能する。
  論文  参考訳（メタデータ） (2025-06-24T23:50:03Z)
• Prompting LLMs for Code Editing: Struggles and Remedies [39.02507244469977]
  大規模言語モデル(LLM)は、コーディングアシスタントをIDEに組み込むことで、ソフトウェアエンジニアリングを急速に変化させています。 本稿では,LLMを利用したコード編集および変換機能であるTransform Codeと,Googleで広く使用されているIDEの開発者インタラクションに関するマルチフェーズ調査を通じて,このギャップの一部に対処する。 機能使用状況のテレメトリログを分析し、頻繁な再プロンプトがTransform Codeを使用する開発者の苦労の指標であることを明らかにする。 我々は、周囲のコードコンテキストから欠落した情報を推測してプロンプトを自動改善するツールAutoPrompterを提案し、評価し、27%の改善を実現した。
  論文  参考訳（メタデータ） (2025-04-28T18:59:28Z)
• Tell Me More! Towards Implicit User Intention Understanding of Language Model Driven Agents [110.25679611755962]
  現在の言語モデル駆動エージェントは、しばしば効果的なユーザ参加のメカニズムを欠いている。 Intention-in-Interaction (IN3) は明示的なクエリを通してユーザの暗黙の意図を検査するための新しいベンチマークである。 私たちは、タスクの曖昧さを積極的に評価し、ユーザの意図を問う強力なモデルであるMistral-Interactを経験的に訓練し、それらを実行可能な目標へと洗練させます。
  論文  参考訳（メタデータ） (2024-02-14T14:36:30Z)
• CodeAgent: Autonomous Communicative Agents for Code Review [12.163258651539236]
  コードレビュー自動化のための新しいマルチエージェント大規模言語モデル(LLM)システムであるツールを紹介する。 CodeAgentは、すべてのエージェントのコントリビューションが初期レビュー問題に対処するように、監督エージェントであるQA-Checkerを組み込んでいる。 結果はCodeAgentの有効性を実証し、コードレビュー自動化の新たな最先端に寄与している。
  論文  参考訳（メタデータ） (2024-02-03T14:43:14Z)

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。