論文の概要: From Social Coding to Agentic Coding: Productivity and Relational Reconfiguration in Open-Source Communities
- arxiv url: http://arxiv.org/abs/2608.03585v1
- Date: Tue, 04 Aug 2026 12:41:32 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-05 15:30:23.191806
- Title: From Social Coding to Agentic Coding: Productivity and Relational Reconfiguration in Open-Source Communities
- Title（参考訳）: ソーシャルコーディングからエージェントコーディングへ:オープンソースコミュニティにおける生産性とリレーショナル再構成
- Authors: Mengying Zhou, Yongjie Yin, Yang Chen,
- Abstract要約: オープンソースソフトウェアコミュニティは、可視的なコラボレーションを通じて、公開知識と対人関係を生成する。
LLMをベースとしたマルチエージェントシミュレーションと,1,084人のアクティブ開発者によるGitHubデータを用いて,このシフトを研究する。
ジェネレーティブ・コーディング・エージェント(CA)は、公共の人間との相互作用からプライベート・ヒューマン・エージェント・ループへ活動の一部を移行しながら、開発効率を向上させるための先進的なツールである。
- 参考スコア（独自算出の注目度）: 5.037326192621355
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Open-source software communities are a form of digital public infrastructure that not only produces code, but also generates public knowledge and interpersonal relationships through visible collaboration. Generative coding agents (CAs) are an advanced tool to improve development efficiency while shifting part of activities from public human interaction to private human-agent loops. We study this shift using an LLM-based multi-agent simulation initialized with real GitHub data from 1,084 active developers and their repository relationships. After a warm-up with historical commits, we branch the same community state into parallel No-CA and CA conditions for 4-week simulations. CA introduction increases planned and completed tasks by 34.0% and 39.0%, respectively, and reduces median completion time from 45 to 20 minutes. However, adoption reaches only 26.0%, and the gains concentrate among developers who are already more active and well connected. CAs also restructure task execution pathways. Direct human-human interaction declines from 32.4% to 11.6%, while CA-involved modes increase to 57.3%, including 40.3% completed through CA-assisted self-loops. Public knowledge generated under CA condition also provides less support for later tasks. On a standardized retrieval benchmark, the CA corpus achieves 22.3% knowledge coverage, far below the 81.1% achieved by the real-human corpus, and requires more retrieval steps with a lower success rate. These results reveal a productivity-public knowledge tension: coding agents increase technical production, but more work shifts to agent-mediated or private loops, leaving public records less useful to future contributors.
- Abstract（参考訳）: オープンソースソフトウェアコミュニティは、コードを生成するだけでなく、可視的なコラボレーションを通じて、公開知識や対人関係を生成するデジタルパブリックインフラストラクチャの形式である。
ジェネレーティブ・コーディング・エージェント(CA)は、公共の人間との相互作用からプライベート・ヒューマン・エージェント・ループへ活動の一部を移行しながら、開発効率を向上させるための先進的なツールである。
LLMをベースとしたマルチエージェントシミュレーションを用いて,1,084人のアクティブ開発者のGitHubデータとリポジトリの関係を初期化した。
歴史的コミットによるウォームアップの後,同じコミュニティ状態を4週間のシミュレーションのために, No-CA 条件と CA 条件に分割する。
CA導入は計画されたタスクと完了したタスクをそれぞれ34.0%、39.0%増加させ、中央値の完了時間を45分から20分に短縮する。
しかし、採用率は26.0%に過ぎず、既によりアクティブで、つながりの深い開発者の間では利益が集中している。
CAはタスク実行経路も再構築する。
ヒトとヒトの直接の相互作用は32.4%から11.6%に減少し、CA関連モードは57.3%に増加した。
CA条件下で生成された公開知識は、後続のタスクに対するサポートも少ない。
標準化された検索ベンチマークでは、CAコーパスは、実際の人間コーパスが達成した81.1%よりもはるかに低い22.3%の知識カバレッジを達成し、より低い成功率でより多くの検索ステップを必要とする。
コーディングエージェントは技術的生産を増加させるが、より多くの作業がエージェントを介し、プライベートループに移行し、公開記録は将来のコントリビュータにとって役に立たないままになる。
関連論文リスト
- DeepResearch Agent System [0.919770842662809]
DeepResearch Agent Systemは、ディープ情報検索、多段階推論、自律的な研究タスクのために設計された、大規模な言語モデルシステムである。
システムは128Kのコンテキストウィンドウをサポートし、18.7%の精度と23.4%のリコール改善をもたらす階層的な注意機構を備えている。
システムは、データ合成、トレーニング、推論コードを含む完全にオープンソースであり、学術研究、ビジネス分析、研究開発支援、教育の応用をサポートする。
論文 参考訳（メタデータ） (2026-07-30T01:15:47Z) - A corrective agentic hybrid RAG and an operations-grounded evaluation for a scientific facility [0.0]
APS-RAG(Advanced Photon Source Retrieval Augmented Generation)を提案する。
検索エンジンは、密度、スパース、知識グラフチャネルをクエリ型適応逆数融合で融合する。
APS-Benchは50問の質問応答(QA)データセットで、監査可能な金の回答を提供する。
論文 参考訳（メタデータ） (2026-07-27T17:01:30Z) - Augmentation with Dilution: A Large-Scale Empirical Study of Human Contributor Ecosystems After AI Coding Agent Adoption [5.3319140556634315]
オープンソースプロジェクトにおけるAIコーディングエージェントの導入により,人間の参加者の数,構成,行動がどう変化するかを検討する。
以上の結果から,AIエージェントの採用は,人間のコントリビュータの絶対数を大きく変えるものではないことが示唆された。
AIエージェントが人間のコントリビュータに取って代わるのではなく、オープンソースのエコシステムの構造を体系的に再構築していることが分かりました。
論文 参考訳（メタデータ） (2026-06-24T18:36:01Z) - Building Digital Societies as Ecosystems: How Recognition and Repeat Relationships Sustain Cross-Community Work in Open Source [0.525685083367962]
2001年10月から2022年5月までに,464のサイバーセキュリティプロジェクトと11,372人のコントリビュータからなる2部構成のコントリビュータリポジトリグラフを再構築して,オープンソースソフトウェア(OSS)エコシステムにおけるクロスバウンダリーコラボレーションを測定する。
論文 参考訳（メタデータ） (2026-05-24T13:04:24Z) - Orchard: An Open-Source Agentic Modeling Framework [124.68499958175111]
スケーラブルなエージェントモデリングのためのオープンソースのフレームワークOrchardを紹介します。
Orchard Envは、サンドボックスライフサイクル管理のための再利用可能なプリミティブを提供する軽量環境サービスである。
Orchard Envの上に、3つのエージェントモデリングレシピを構築します。
論文 参考訳（メタデータ） (2026-05-14T16:35:12Z) - 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) - SCUBA: Salesforce Computer Use Benchmark [63.66753028386581]
SCUBAは、Salesforceプラットフォーム内の顧客関係管理(CRM)上のコンピュータ利用エージェントを評価するために設計されたベンチマークである。
SCUBAには、実際のユーザインタビューから派生した300のタスクインスタンスが含まれており、3つの主要なペルソナ、プラットフォーム管理者、セールス担当者、サービスエージェントで構成されている。
ゼロショット設定とデモ拡張設定の両方で、多様なエージェントのセットをベンチマークします。
論文 参考訳（メタデータ） (2025-09-30T16:48:49Z) - Intuition to Evidence: Measuring AI's True Impact on Developer Productivity [30.02516976149379]
本稿では,企業規模でのAI支援ソフトウェア開発ツールの総合的実環境評価について述べる。
1年以上にわたり、複数のチームにわたる300人のエンジニアが、コード生成と自動レビュー機能を組み合わせた社内AIプラットフォーム(DeputyDev)を統合した。
論文 参考訳（メタデータ） (2025-09-24T02:34:11Z) - Agent KB: Leveraging Cross-Domain Experience for Agentic Problem Solving [62.71545696485824]
我々は,異種エージェントフレームワーク間のシームレスな体験共有を可能にするユニバーサルメモリ基盤であるAgent KBを紹介した。
Agent KBはトラジェクトリを構造化知識ベースに集約し、軽量APIを提供する。
我々は,GAIA,Humanity's Last Exam,GPQA,SWE-benchなどの主要フレームワークにまたがるエージェントを検証した。
論文 参考訳（メタデータ） (2025-07-08T17:59:22Z) - SyncMind: Measuring Agent Out-of-Sync Recovery in Collaborative Software Engineering [74.04271300772155]
SyncMindは、ソフトウェア工学において、大きな言語モデル(LLM)エージェントが直面している非同期の問題を体系的に定義するフレームワークである。
SyncMindをベースとしたSyncBenchは,実世界のCSEで24,332のエージェントアウトオブシンクシナリオを特徴とするベンチマークです。
論文 参考訳（メタデータ） (2025-02-10T19:38:36Z)
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。