論文の概要: Factors Impacting Developer Efficiency: Results from an Adaptive Longitudinal Study
- arxiv url: http://arxiv.org/abs/2608.16596v1
- Date: Mon, 17 Aug 2026 13:53:03 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-18 19:59:03.735338
- Title: Factors Impacting Developer Efficiency: Results from an Adaptive Longitudinal Study
- Title（参考訳）: 開発者の効率に影響を与える要因:適応型縦断的研究の結果
- Abstract要約: 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。
- 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 driven by technical, organizational, and personal factors, yet few longitudinal studies explore how these factors evolve over time. Objective: This study investigates the primary factors hindering the perceived efficiency of developers in a consulting and professional development context, analyzing how these factors vary across recurring data collection cycles and how they are described qualitatively. Method: We conducted a mixed-methods longitudinal case study applying the Adaptive Developer Efficiency Monitoring Method (ADEMM) to 27 external software developers, combining twelve waves of periodic surveys with eighteen semi-structured interviews, analyzed through statistical and thematic analysis. Results: The most frequent bottlenecks were organizational dependencies and waiting for external validation, which stayed structurally stable, followed by technical knowledge gaps, which declined as developers adapted. A generative AI usage barrier emerged qualitatively nine waves into the study, was incorporated into the survey instrument, and became the most frequently coded interview theme. Interviews corroborated the quantitative findings, with insufficient requirements documentation and organizational dependencies as the most recurrent themes alongside AI-related challenges. Conclusions: Perceived developer efficiency is highly dynamic and cannot be accurately captured through a single cross-sectional measurement. Adaptive monitoring via ADEMM identified an emerging factor, generative AI usage barriers, that a fixed instrument would have missed, and informed a concrete organizational intervention during the study. For organizations managing external developers, actions should target external dependencies, communication channels, and developers' evolving use of AI tools.
- Abstract（参考訳）: コンテキスト: 開発者の効率性は技術的、組織的、個人的要因によって駆動されますが、これらの要因が時間の経過とともにどのように進化するかを縦断的に調査する研究はほとんどありません。
目的:本研究では,コンサルテーションと専門的な開発コンテキストにおいて,開発者の認識する効率を阻害する要因について検討し,これらの要因が反復的なデータ収集サイクルでどのように変化するか,質的にどのように説明されるかを分析した。
方法: 適応開発効率モニタリング法(ADEMM)を27名の外部ソフトウェア開発者に適用し, 定期調査12波と18件の半構造化インタビューを併用し, 統計的・理論的解析を行った。
結果: 最も頻繁なボトルネックは、組織的な依存関係と、構造的に安定している外部の検証待ちだった。
生成的AI利用障壁が質的に9つの波に出現し、調査機器に組み込まれ、最も頻繁にコード化されたインタビューテーマとなった。
インタビューでは、AI関連の課題とともに最も頻繁なテーマとして、要件文書や組織依存の不足など、定量的な発見を裏付けた。
結論: 開発者の効率は極めてダイナミックで,ひとつの断面計測によって正確に把握できない。
ADEMMによる適応的なモニタリングは、固定された機器が見逃していたであろう新しい要因、生成的AI利用障壁を特定し、研究中に具体的な組織的介入を通知した。
外部開発者を管理する組織では、アクションは外部依存関係、通信チャネル、開発者が進化するAIツールの使用をターゲットとする必要があります。
関連論文リスト
- AI Contextual Measurement for Recovering Individual and Group-Level Effects: Validation Against Survey Measures and an Occupational Application [3.4545547482062378]
AICOMEは、AI由来の応答レベル尺度が文脈モデルにおける個人レベルとグループレベルの効果を回復できるかどうかを評価するためのフレームワークである。
我々は、2022年の中国家族パネル研究(CFPS)を用いて、職業が経験的なグループ構造を提供する枠組みを検証した。
以上の結果から,リッチな応答性やジョブ特性が利用できる場合, 観測変数に含まれる文脈モデル情報の多くをAIが回収できることが示唆された。
論文 参考訳（メタデータ） (2026-09-02T17:09:30Z) - ADEMM: A Longitudinal Method for Monitoring Developer Efficiency in Industry [0.8373057326694192]
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。
論文 参考訳（メタデータ） (2026-08-17T13:42:30Z) - 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) - Developers' Experience with Generative AI Beyond Productivity Assessment -- Insights from an Empirical Mixed-Methods Field Study [7.932998356208937]
本稿では,プロの開発者が自然作業環境においてどのようにGenerative AI(GenAI)と関わるかを検討する。
結果として、開発者は一般的にGenAI、特に単調で反復的で構造化されたタスクに満足している。
開発が重いタスクでは、認知的負荷はAIのインタラクションから生じるが、生産性はAIの出力品質に依存している。
論文 参考訳（メタデータ） (2026-07-02T15:43:21Z) - AMATA: Adaptive Multi-Agent Trajectory Alignment for Knowledge-Intensive Question Answering [59.145044878490815]
AMATAはAdaptive Multi-Agent Trajectory Alignmentフレームワークである。
外部知識を動的に統合し、応答の解釈可能性と事実的根拠を改善する。
本稿では,(1)重要エージェントを優先する目的指向の嗜好を学習するトラジェクトリ内選好学習,(2)エージェント間の依存性学習,という2つの主要なイノベーションを紹介する。
論文 参考訳（メタデータ） (2026-05-17T09:45:24Z) - Beyond Individual Intelligence: Surveying Collaboration, Failure Attribution, and Self-Evolution in LLM-based Multi-Agent Systems [65.90791804095561]
マルチエージェントシステムは、特殊エージェント間の構造化された協調を通じてこの問題に対処するが、より厳密な調整は、あまり検討されていないリスクを増幅する。
既存の調査では、個々のエージェント能力、マルチエージェントのコラボレーション、エージェントの自己進化を別々にカバーしている。
この調査は4つの因果関係のあるステージを中心にまとめられた統一されたレビューを提供する。これはLIFEの進展(Lay the capabilities foundation)、協力によるエージェントの統合、帰属による障害の発見、自律的な自己改善によるEvolveである。
論文 参考訳（メタデータ） (2026-05-14T14:36:13Z) - IACDM: Interactive Adversarial Convergence Development Methodology -- A Structured Framework for AI-Assisted Software Development [0.0]
この記事では、障害は構造的な原因 – 検証のギャップ – を共有している、と論じる。
我々は,外部検証エージェントによる検証ギャップに対処するために,構造化された8フェーズフレームワークであるIACDMを提案する。
論文 参考訳（メタデータ） (2026-03-31T09:48:09Z) - Factors Influencing the Quality of AI-Generated Code: A Synthesis of Empirical Evidence [1.4465033892011254]
AI支援コード生成ツールの急速な採用は、ソフトウェア開発プラクティスの変革である。
AI生成コードの品質、信頼性、セキュリティに関する懸念は、アカデミックと業界の両方でますます報告されている。
論文 参考訳（メタデータ） (2026-03-26T08:06:42Z) - Automated Self-Testing as a Quality Gate: Evidence-Driven Release Management for LLM Applications [51.56484100374058]
我々は,エビデンスに基づくリリース決定を伴う品質ゲートを導入する自動自己テストフレームワークを提案する。
内部展開型多エージェント対話型AIシステムの縦型ケーススタディにより,本フレームワークの評価を行った。
論文 参考訳（メタデータ） (2026-03-13T20:44:15Z) - Leveraging LLM Parametric Knowledge for Fact Checking without Retrieval [60.25608870901428]
信頼性は、大規模言語モデル(LLM)上に構築されたエージェントAIシステムの中核研究課題である
本研究では,任意の自然言語クレームの検証に焦点をあて,検索なしで事実チェックを行うタスクを提案する。
論文 参考訳（メタデータ） (2026-03-05T18:42:51Z) - 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) - Interactive Agents to Overcome Ambiguity in Software Engineering [61.40183840499932]
AIエージェントは、あいまいで不明確なユーザー指示に基づいて、タスクを自動化するためにますますデプロイされている。
不安定な仮定をし、明確な質問をしないことは、最適以下の結果につながる可能性がある。
対話型コード生成設定において,LLMエージェントが不明瞭な命令を処理する能力について,プロプライエタリモデルとオープンウェイトモデルを評価して検討する。
論文 参考訳（メタデータ） (2025-02-18T17:12:26Z) - GATEAU: Selecting Influential Samples for Long Context Alignment [59.579128690086385]
GATEAUは、長距離依存関係に富む影響力のあるサンプルを同定する。
選択されたサンプルに基づいて訓練されたモデルは、より良い指示追従と長文理解能力を示す。
論文 参考訳（メタデータ） (2024-10-21T04:30:53Z)
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。