論文の概要: ADEMM: A Longitudinal Method for Monitoring Developer Efficiency in Industry
- arxiv url: http://arxiv.org/abs/2608.16580v1
- Date: Mon, 17 Aug 2026 13:42:30 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-18 19:59:03.720227
- Title: ADEMM: A Longitudinal Method for Monitoring Developer Efficiency in Industry
- Title（参考訳）: ADEMM: 産業における開発者の効率モニタリングのための縦断的手法
- Abstract要約: 本研究では, ADEMM (Adaptive Developer Efficiency Monitoring Method) を提案し, 評価する。
ADEMMは、監視組織が開発者を直接採用していない場合に、開発者の効率を監視するための適応的な縦方向の手法である。
- 参考スコア（独自算出の注目度）: 0.8373057326694192
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Context: Developer efficiency is influenced by technical, organizational, cognitive, and communication-related factors. However, most studies rely on one-time assessments or fixed instruments, limiting the ability to monitor how barriers emerge and change over time, especially in consulting and professional education contexts. Objective: This study proposes and evaluates the Adaptive Developer Efficiency Monitoring Method (ADEMM), an adaptive longitudinal method for monitoring developer efficiency when the monitoring organization does not directly employ the developers. Method: Following Design Science Research and Action Design Research, we conducted a mixed-method longitudinal study with 27 software developers over twelve survey cycles. ADEMM was designed and refined through five iterative cycles, combining recurring surveys, 18 semi-structured interviews, and joint evaluation with a problem owner. Results: The study resulted in ADEMM, a method that supports continuous data collection, mixed-methods integration, and iterative redesign of monitoring instruments. The evaluation produced three design principles: prioritization with the problem owner based on actionability, combination of closed and open data collection, and adaptation of items based on low variance and emerging qualitative signals. Conclusions: ADEMM provides a transferable approach for adaptive longitudinal monitoring of developer efficiency. It helps balance comparability, contextual sensitivity, and practical utility in environments where organizations need to support developers without directly controlling their work contexts.
- Abstract（参考訳）: コンテキスト: 開発者の効率性は、技術的、組織的、認知的、コミュニケーションに関連する要因に影響されます。
しかし、ほとんどの研究は、特にコンサルティングや専門的な教育の文脈において、バリアの出現と変化をモニターする能力を制限する、ワンタイムアセスメントや固定楽器に依存している。
目的: 本研究は, 開発者を直接利用しない場合の開発者の効率を適応的に監視するための, 適応型開発効率モニタリング手法(ADEMM)を提案し, 評価する。
Method: Design Science Research and Action Design Researchに続き、27人のソフトウェア開発者と12回のサーベイサイクルで縦断的研究を行った。
ADEMMは、5回の反復的な調査、18回の半構造化インタビュー、および問題所有者との共同評価を組み合わせることで設計され、洗練された。
結果: ADEMMは連続データ収集,混合メソッド統合,モニタリング機器の反復的再設計をサポートする手法である。
評価は,行動可能性に基づく問題所有者との優先順位付け,クローズドデータとオープンデータの組み合わせ,低分散および定性的信号に基づく項目の適応という3つの設計原則を導出した。
結論:ADEMMは、開発者の効率を適応的かつ経時的に監視するための、転送可能なアプローチを提供する。
組織が作業コンテキストを直接コントロールすることなく、開発者をサポートする必要がある環境で、コンパラビリティ、コンテキスト感受性、実用的なユーティリティのバランスを取るのに役立つ。
関連論文リスト
- Beyond "ChatGPT Can Make Mistakes": Designing Interventions to Support Metacognitive Monitoring in AI-Assisted Work [21.306270561292454]
AIアシストは、自身の能力とシステムの能力を判断しなければならないユーザに対して、メタ認知的要求を課す。
私たちは11人の専門家から30の介入を募り、それらを設計空間にまとめました。
我々は、共有語彙、設計空間、計測された監視とタスクパフォーマンスが分離可能な設計目標であることの証明に貢献する。
論文 参考訳（メタデータ） (2026-09-15T12:09:18Z) - Factors Impacting Developer Efficiency: Results from an Adaptive Longitudinal Study [0.8373057326694192]
本研究では,コンサルティング・プロフェッショナル開発における開発者の認識効率を阻害する要因について検討した。
そこで我々は,Adaptive Developer Efficiency Monitoring Method (ADEMM) を27名の外部ソフトウェア開発者に適用した混合手法のケーススタディを行った。
論文 参考訳（メタデータ） (2026-08-17T13:53:03Z) - Exploring Dependence, Overreliance, and Addiction Related Behaviors Associated with Large Language Model Use Among Software Engineers [1.8757823231879849]
本研究では,ソフトウェア技術者が専門的ソフトウェア開発において,Large Language Models (LLM) の使用経験について検討する。
参加者のオープンエンド応答に関する記述的統計と定性的セマンティック分析を用いて分析した。
論文 参考訳（メタデータ） (2026-08-06T03:27:57Z) - Towards a Virtual Neuroscientist: Autonomous Neuroimaging Analysis via Multi-Agent Collaboration [53.772014300855375]
我々は,自律型エンドツーエンド神経画像解析のためのマルチエージェントシステムであるNIAgentを紹介する。
従来のフラットなツール呼び出しエージェントとは異なり、NIAgentはコード中心の実行パラダイムを採用している。
本稿では,コホートレベルの検定とエージェント視覚検査を組み合わせた,自律的品質管理のための階層的検証フレームワークを提案する。
論文 参考訳（メタデータ） (2026-05-10T06:30:19Z) - Interaction-Grounded Learning for Contextual Markov Decision Processes with Personalized Feedback [59.287761696290865]
本稿では,個人化されたフィードバックを伴って,文脈的マルコフ決定プロセス(MDP)のサブ線形後悔保証を実現する計算効率の高いアルゴリズムを提案する。
提案手法の有効性を,合成エピソードMDPと実世界のユーザ予約データセットの両方を用いた実験を通じて,マルチターンインタラクションからパーソナライズされた目的を学習する際の有効性を示す。
論文 参考訳（メタデータ） (2026-02-09T06:29:54Z) - Understanding Specification-Driven Code Generation with LLMs: An Empirical Study Design [2.687678248171195]
大規模言語モデル(LLM)は、ますますソフトウェア開発に統合されているが、構造化された仕様駆動プロセスにおけるそれらの振る舞いは、いまだに理解されていない。
本稿では,LLM支援コード生成のためのヒューマン・イン・ザ・ループ・ワークフローを実現するVisual Studio Code拡張であるCURRANTEを用いた実証的研究設計を提案する。
本研究の目的は,LLM生成コードの品質と力学に人間による介入がどう影響するかを解析することである。
論文 参考訳（メタデータ） (2026-01-07T12:46:57Z) - SelfAI: Building a Self-Training AI System with LLM Agents [79.10991818561907]
SelfAIは、高レベルの研究目的を標準化された実験構成に変換するためのUser Agentを組み合わせた、一般的なマルチエージェントプラットフォームである。
実験マネージャは、連続的なフィードバックのための構造化知識ベースを維持しながら、異種ハードウェアをまたいだ並列かつフォールトトレラントなトレーニングを編成する。
回帰、コンピュータビジョン、科学計算、医用画像、薬物発見ベンチマークなどを通じて、SelfAIは一貫して高いパフォーマンスを達成し、冗長な試行を減らしている。
論文 参考訳（メタデータ） (2025-11-29T09:18:39Z) - From <Answer> to <Think>: Multidimensional Supervision of Reasoning Process for LLM Optimization [62.07990937720985]
DRM(Dimension-level Reward Model)は、大規模言語モデルのための新しい監視フレームワークである。
DRMは3つの基本的、相補的、解釈可能な次元に沿って推論プロセスの品質を評価する。
実験の結果、DRMは効果的な監視信号を提供し、LCMの最適化を誘導し、推論能力を向上することが示された。
論文 参考訳（メタデータ） (2025-10-13T14:29:15Z) - Toward Effective Tool-Integrated Reasoning via Self-Evolved Preference Learning [68.89572566071575]
Tool-Integrated Reasoning (TIR)により、大きな言語モデル(LLM)は、外部ツールを統合することで、内部推論能力を改善することができる。
提案するTool-Lightは,LDMがTIRを効率的にかつ正確に実行できるようにするためのフレームワークである。
10個のデータセットの実験結果は、ツールライトの有効性を示している。
論文 参考訳（メタデータ） (2025-09-27T12:53:37Z) - MLE-Dojo: Interactive Environments for Empowering LLM Agents in Machine Learning Engineering [57.156093929365255]
自律型大規模言語モデル(LLM)エージェントを体系的に強化し、評価し、改善するためのガイムスタイルのフレームワーク。
MLE-Dojoは、現実的なエンジニアリングシナリオを反映した、多様でオープンなMLEタスクを慎重にキュレートする。
完全に実行可能な環境は、教師付き微調整と強化学習の両方を通して包括的なエージェントトレーニングをサポートする。
論文 参考訳（メタデータ） (2025-05-12T17:35:43Z) - Bridging Expertise Gaps: The Role of LLMs in Human-AI Collaboration for Cybersecurity [17.780795900414716]
本研究では,大規模言語モデル(LLM)が知的協力者として機能し,サイバーセキュリティ意思決定における専門的ギャップを埋めることができるかを検討する。
我々は,人間とAIのコラボレーションによって作業性能が向上し,フィッシング検出における偽陽性と侵入検出における偽陰性が低減されることを見出した。
論文 参考訳（メタデータ） (2025-05-06T04:47:52Z) - Model Contribution Rate Theory: An Empirical Examination [0.0]
本稿では,ソフトウェア開発者の生産性を定量的に分析する手法として,コントリビューション率の指標を精査し,意味のある開発努力と異常を区別する手法を提案する。
この発見は、現代のソフトウェアエンジニアリングプラクティスにおけるチームのパフォーマンスとワークフロー管理を最適化するための実用的な洞察を提供する。
論文 参考訳（メタデータ） (2024-12-08T15:56:23Z)
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。