論文の概要: The Vibe Shift in Software Engineering: Evaluating AI-Led Conversational Programming for Performance, Cognition, and Responsible Adoption
- arxiv url: http://arxiv.org/abs/2609.09560v1
- Date: Wed, 09 Sep 2026 00:33:17 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-10 19:44:08.852184
- Title: The Vibe Shift in Software Engineering: Evaluating AI-Led Conversational Programming for Performance, Cognition, and Responsible Adoption
- Title（参考訳）: ソフトウェアエンジニアリングにおけるバイブシフト - パフォーマンス、認知、責任ある採用のためのAIによる会話型プログラミングの評価
- Abstract要約: Vibe Codingを使えば、開発者は大きな言語モデルとの自然言語インタラクションを通じてソフトウェアを生成できる。
この研究は、従来のAI支援コーディング環境と比較して、パフォーマンス効率、認知的影響、そして責任ある採用を評価した。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: This study evaluates Vibe Coding, an emerging AI-led conversational programming paradigm that enables developers to generate software through natural-language interaction with large language models. Using a mixed-methods design, the study assessed performance efficiency, cognitive implications, and responsible adoption in comparison with traditional and AI-assisted coding environments. Thirty participants, including professional developers and advanced computing students, completed equivalent programming tasks under three experimental conditions. Quantitative data were analyzed using descriptive statistics and repeated-measures ANOVA, while qualitative data were examined through thematic analysis. Results show that vibe coding significantly improved development efficiency, reducing task completion time by 27% compared with traditional coding and 12% compared with AI-assisted coding. However, these gains were accompanied by lower maintainability indices and higher security vulnerabilities, indicating trade-offs in software quality. Usability results yielded a good rating (SUS = 71.4), while cognitive workload remained moderate (NASA-TLX = 55.5), reflecting reduced syntactic effort but increased linguistic reasoning. Thematic analysis identified trust calibration, loss of control, cognitive adaptation, and prompt-engineering strategy as key constructs. Notably, perceived loss of control was associated with increased security risks due to reduced transparency and validation of AI-generated outputs. Based on these findings, the study proposes a three-pillar framework for responsible adoption: hybrid integration of human and AI capabilities, human oversight and transparent accountability, and context-aware deployment. Overall, vibe coding enhances productivity but requires critical oversight, reinforcing its role as a transformative yet transitional paradigm in software development.
- Abstract（参考訳）: この研究は、AI主導の会話プログラミングパラダイムであるVibe Codingを評価し、開発者が大規模言語モデルとの自然言語インタラクションを通じてソフトウェアを生成できるようにする。
混合メソッド設計を使用することで、従来のAI支援コーディング環境と比較して、パフォーマンス効率、認知的影響、そして責任ある採用について評価した。
プロの開発者や高度なコンピューティングの学生を含む30人の参加者が、3つの実験条件下で同等のプログラミングタスクを完了した。
定量データは記述統計と繰り返し測定ANOVAを用いて分析し,定性データは主題分析により検討した。
その結果、ビブコーディングは開発効率を大幅に改善し、従来のコーディングに比べてタスク完了時間を27%削減し、AI支援コーディングよりも12%削減した。
しかし、これらの改善には保守性の低下とセキュリティ上の脆弱性が伴い、ソフトウェア品質のトレードオフが示唆された。
ユーザビリティーの結果は良好な評価(SUS = 71.4)を得たが、認知作業負荷は緩やかであり(NASA-TLX = 55.5)、構文的努力は減ったが言語学的推論は増加した。
テーマ分析では、信頼の校正、コントロールの喪失、認知適応、そしてプロンプトエンジニアリング戦略を重要な構成要素として特定した。
特に、コントロールの喪失は、透明性の低下とAI生成出力の検証によるセキュリティリスクの増加に関連していた。
これらの知見に基づいて、この研究は、人間とAIのハイブリッド統合、人間の監視と透明な説明責任、コンテキスト対応デプロイメントという、責任ある採用のための3つのピラーフレームワークを提案する。
全体として、ビブコーディングは生産性を高めるが、重要な監視を必要とし、ソフトウェア開発における変革的だが過渡的なパラダイムとしての役割を補強する。
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) - Cognitive Offloading in Agile Teams: How Artificial Intelligence Reshapes Risk Assessment and Planning Quality [42.39509669924279]
中規模のデジタルエージェンシーで提供可能なライブクライアント上で、AIのみ、人間のみ、ハイブリッドプランニングモデルを比較します。
AIのみのプランニングは時間とコストを最小化しますが、リスクキャプチャ率を著しく低下させ、未定の仮定によって再作業が増加します。
本稿では,リスク評価とあいまいさ解決のための人間による検討を行ないながら,評価とバックログのフォーマットにアルゴリズムツールを割り当てるハイブリッドAI-ヒューマンスプリント計画のための理論的枠組みを提案する。
論文 参考訳（メタデータ） (2026-04-15T12:48:29Z) - 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) - EmboCoach-Bench: Benchmarking AI Agents on Developing Embodied Robots [68.29056647487519]
Embodied AIは、高忠実度シミュレーションと大規模データ収集によって実現されている。
しかし、このスケーリング能力は、労働集約的な手作業の監視に依存しているため、いまだにボトルネックになっている。
実装ポリシーを自律的に構築するための LLM エージェントの能力を評価するベンチマークである textscEmboCoach-Bench を紹介する。
論文 参考訳（メタデータ） (2026-01-29T11:33:49Z) - On the Influence of Artificial Intelligence on Human Problem-Solving: Empirical Insights for the Third Wave in a Multinational Longitudinal Pilot Study [0.0]
本稿では,問題解決における人間とAIの連携の進化パラダイムについて考察する。
以上の結果から,ハイブリッド型問題解決文化の確立が示唆された。
この研究は、教育と技術的介入は検証の足場を優先しなければならないと結論付けている。
論文 参考訳（メタデータ） (2025-11-13T10:20:07Z) - Breaking Barriers in Software Testing: The Power of AI-Driven Automation [0.0]
本稿では、自然言語処理(NLP)、強化学習(RL)、予測モデルを用いたテストケース生成と検証を自動化するAI駆動フレームワークを提案する。
ケーススタディでは、欠陥の検出、テストの労力の削減、リリースサイクルの高速化が測定可能な向上を示している。
論文 参考訳（メタデータ） (2025-08-22T01:04:50Z) - 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) - On the Role of Feedback in Test-Time Scaling of Agentic AI Workflows [71.92083784393418]
エージェントAI(自律的な計画と行動を行うシステム)は広く普及しているが、複雑なタスクにおけるタスクの成功率は低いままである。
推論時のアライメントは、サンプリング、評価、フィードバックの3つのコンポーネントに依存します。
本稿では,様々な形態の批判から抽出されたフィードバックを繰り返し挿入するIterative Agent Decoding(IAD)を紹介する。
論文 参考訳（メタデータ） (2025-04-02T17:40:47Z) - 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) - Accelerating LLaMA Inference by Enabling Intermediate Layer Decoding via
Instruction Tuning with LITE [62.13435256279566]
大規模言語モデル(LLM)は、様々な自然言語タスクで顕著なパフォーマンスを実現している。
しかし、その大きなサイズは推論を遅く、計算的に高価にする。
最終層の生成能力に影響を与えることなく、これらの層が「良い」生成能力を得ることができることを示す。
論文 参考訳（メタデータ） (2023-10-28T04:07:58Z) - Comparing Software Developers with ChatGPT: An Empirical Investigation [0.0]
本稿では,ChatGPTのようなソフトウェア技術者やAIシステムのパフォーマンスを,さまざまな評価指標で比較した実証的研究を行う。
この論文は、さまざまな評価基準を考慮して、ソフトウェアエンジニアとAIベースのソリューションの包括的な比較が、人間と機械のコラボレーションを促進する上で重要であることを示唆している。
論文 参考訳（メタデータ） (2023-05-19T17:25:54Z)
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。