論文の概要: Challenges and Contributions in Quality of AI-Based Software: A Systematic Mapping Study
- arxiv url: http://arxiv.org/abs/2608.26215v1
- Date: Wed, 26 Aug 2026 09:08:06 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-28 16:30:58.124038
- Title: Challenges and Contributions in Quality of AI-Based Software: A Systematic Mapping Study
- Title（参考訳）: AIベースのソフトウェアの品質の課題とコントリビューション:システムマッピングによる研究
- Abstract要約: この研究は、2020年1月から2026年1月にかけて発行された5つの電子データソースから選択された一次研究を合成する。
その結果、既存の品質評価モデルでは6つの繰り返し挑戦カテゴリが特定され、最も顕著なのは限界である。
この結果は、研究者と工業従事者の標準化組織との協力を呼び起こすことを示唆している。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Artificial Intelligence (AI) is increasingly embedded in modern software systems, raising important questions about how its quality should be defined, assessed, and assured. This paper presents a Systematic Mapping Study (SMS) on the quality of AI-based software. The study synthesizes primary studies published between January 2020 and January 2026 and selected from five electronic data sources. A total of 33 primary studies were included after automated search, screening, and snowballing. The results identify six recurring challenge categories, with the most prominent being limitations in existing quality assessment models, followed by issues in non-functional requirement management, quality-aware development, and quality assurance. The findings suggest a call for collaboration of researchers and industrial practitioners with standardization organizations, that could possibly devise comprehensive quality assessments and their measurement methods.
- Abstract（参考訳）: 人工知能(AI)は現代のソフトウェアシステムにますます組み込まれており、その品質をどのように定義し、評価し、保証するかという重要な疑問を提起している。
本稿では,AIベースのソフトウェアの品質に関するシステムマッピング研究(SMS)を提案する。
この研究は、2020年1月から2026年1月にかけて発行された5つの電子データソースから選択された一次研究を合成する。
自動探索、スクリーニング、スノーボールの後、合計33の初等試験が実施された。
その結果、既存の品質アセスメントモデルに制限があり、続いて非機能要件管理、品質意識開発、品質保証の6つの課題が明らかになった。
この結果は, 総合的な品質評価とその測定方法を考案する可能性があり得る, 標準化組織と研究者と工業従事者の協力を求めることを示唆している。
関連論文リスト
- AI-Driven Test Case Generation from Natural Language Requirements: A Survey of Techniques and Research Gaps [0.0]
ソフトウェアテストは、システムが特定の要件を満たすことを検証するために重要であるが、開発において最も時間がかかり、高価な活動の1つだ。
AI、自然言語処理(NLP)、大規模言語モデル(LLM)の最近の進歩により、パイプラインの自動化はますます実現可能になっている。
今回の調査では、自然言語要求からテストケースを生成するためにAIとNLPテクニックが提案されていること、これらのアプローチをサポートするツールとフレームワーク、研究ギャップが残っていること、の4つの研究課題に対処する。
論文 参考訳（メタデータ） (2026-06-04T15:07:23Z) - The Story is Not the Science: Execution-Grounded Evaluation of Mechanistic Interpretability Research [56.80927148740585]
我々は、動的に進化し、研究評価者としてAIエージェントを開発することで、スケーラビリティと厳密さの課題に対処する。
我々は,機械的解釈可能性の研究をテストベッドとして使用し,標準化された研究成果を構築し,MechEvalAgentを開発した。
我々の研究は、AIエージェントが研究評価を変革し、厳格な科学的実践の道を開く可能性を実証している。
論文 参考訳（メタデータ） (2026-02-05T19:00:02Z) - From Task Executors to Research Partners: Evaluating AI Co-Pilots Through Workflow Integration in Biomedical Research [0.16174969956296248]
この素早いレビューでは、前臨床生医学研究におけるAIシステムのベンチマークプラクティスについて検討する。
現在のベンチマークから欠落する4つの重要な次元に対処するプロセス指向評価フレームワークが提案されている。
これらの次元は、独立したタスク実行者としてではなく、研究の共同パイロットとしてAIシステムを評価するために不可欠である。
論文 参考訳（メタデータ） (2025-12-04T14:37:46Z) - Towards the Next Generation of Software: Insights from Grey Literature on AI-Native Applications [13.876049229274114]
AIネイティブアプリケーションは、ソフトウェアの設計、開発、進化の方法を根本的に再定義する、ソフトウェアエンジニアリングの新しいパラダイムである。
人気が高まっているにもかかわらず、AIネイティブアプリケーションには、統一されたエンジニアリング定義とアーキテクチャの青写真がない。
本研究は、AIネイティブアプリケーションの定義特性、キー品質特性、および典型的な技術スタックを識別することにより、AIネイティブアプリケーションの包括的な理解を確立することを目的とする。
論文 参考訳（メタデータ） (2025-09-16T15:01:23Z) - The AI Imperative: Scaling High-Quality Peer Review in Machine Learning [49.87236114682497]
AIによるピアレビューは、緊急の研究とインフラの優先事項になるべきだ、と私たちは主張する。
我々は、事実検証の強化、レビュアーのパフォーマンスの指導、品質改善における著者の支援、意思決定におけるAC支援におけるAIの具体的な役割を提案する。
論文 参考訳（メタデータ） (2025-06-09T18:37:14Z) - Computer Vision Intelligence Test Modeling and Generation: A Case Study on Smart OCR [3.0561992956541606]
まず、AIソフトウェアテストプロセスの重要な側面を網羅した、これまでの研究に関する包括的な文献レビューを紹介する。
次に,画像に基づくテキスト抽出AI関数を体系的に評価する3次元分類モデルを提案する。
提案したAIソフトウェアの品質テストの性能を評価するために,異なる側面をカバーするための4つの評価指標を提案する。
論文 参考訳（メタデータ） (2024-09-14T23:33:28Z) - Could ChatGPT get an Engineering Degree? Evaluating Higher Education Vulnerability to AI Assistants [176.39275404745098]
我々は,2つのAIアシスタントであるGPT-3.5とGPT-4が適切な回答を得られるかどうかを評価する。
GPT-4は65.8%の質問を正解し、85.1%の質問に対して少なくとも1つの手順で正しい答えを出すことができる。
この結果から,AIの進歩を踏まえて,高等教育におけるプログラムレベルの評価設計の見直しが求められた。
論文 参考訳（メタデータ） (2024-08-07T12:11:49Z) - A Survey of Artificial Intelligence in Gait-Based Neurodegenerative Disease Diagnosis [51.07114445705692]
神経変性疾患(神経変性疾患、ND)は、伝統的に医学的診断とモニタリングのために広範囲の医療資源と人的努力を必要とする。
重要な疾患関連運動症状として、ヒトの歩行を利用して異なるNDを特徴づけることができる。
人工知能(AI)モデルの現在の進歩は、NDの識別と分類のための自動歩行分析を可能にする。
論文 参考訳（メタデータ） (2024-05-21T06:44:40Z) - AIGIQA-20K: A Large Database for AI-Generated Image Quality Assessment [54.93996119324928]
AIGIQA-20Kとして知られる2万のAIGIと420,000の主観評価を備えた、これまでで最大のAIGI主観的品質データベースを作成します。
このデータベース上でベンチマーク実験を行い、16の主流AIGI品質モデルと人間の知覚との対応性を評価する。
論文 参考訳（メタデータ） (2024-04-04T12:12:24Z) - Assessing test artifact quality -- A tertiary study [1.7827643249624088]
我々は、ソフトウェアテストアーティファクトの品質面に関する既存の二次研究を特定し、分析するために、系統的な文献レビューを実施してきた。
テストケース/スーツの品質を調査する環境を特徴付けるのに使用できる文脈次元と要因の集約について述べる。
論文 参考訳（メタデータ） (2024-02-14T19:31:57Z) - Human-Centric Multimodal Machine Learning: Recent Advances and Testbed
on AI-based Recruitment [66.91538273487379]
人間中心のアプローチでAIアプリケーションを開発する必要性には、ある程度のコンセンサスがある。
i)ユーティリティと社会的善、(ii)プライバシとデータ所有、(iii)透明性と説明責任、(iv)AIによる意思決定プロセスの公正性。
異種情報ソースに基づく現在のマルチモーダルアルゴリズムは、データ中の機密要素や内部バイアスによってどのように影響を受けるかを検討する。
論文 参考訳（メタデータ） (2023-02-13T16:44:44Z)
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。