論文の概要: Understanding LLM Usage Among Early-Career Software Engineers in Practice

• arxiv url: http://arxiv.org/abs/2609.27973v1
• Date: Mon, 24 Aug 2026 02:42:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-28 05:09:56.02451
• Title: Understanding LLM Usage Among Early-Career Software Engineers in Practice
• Title（参考訳）: 初期のキャリアソフトウェアエンジニアのLDM使用状況を理解する
• Abstract要約: 我々は,大規模言語モデルを日々の作業で積極的に活用している75人の初心者ソフトウェアエンジニアを対象にした混合手法調査の結果を報告する。 この結果から,LCMはコーディング,テスト,ドキュメント,問題解決など,日常的なソフトウェアエンジニアリング活動に組み込まれていることがわかった。 我々は,職場における期待と大学準備のギャップを識別し,ほとんどの参加者は,実用LLM使用に関する限定的な形式教育を報告している。
• 参考スコア（独自算出の注目度）: 2.129511333087809
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Despite the rapid adoption of Large Language Models in professional software engineering, limited research has investigated how early career professionals develop effective AI assisted work practices during their transition into industry. We report findings from a mixed methods survey with 75 novice software engineers who actively use LLM supported tools in their daily work. Our results show that LLMs are embedded in routine software engineering activities, including coding, debugging, testing, documentation, and problem solving. Effective use depends on traditional software engineering competencies, such as debugging, testing, and architectural reasoning, together with critical thinking, output verification, prompt engineering, and continuous human oversight. We also identify a gap between workplace expectations and university preparation, with most participants reporting limited formal education on practical LLM use. These findings have implications for software engineering education, organizational onboarding, and workforce development in AI assisted software engineering.
• Abstract（参考訳）: プロフェッショナルなソフトウェアエンジニアリングに大規模言語モデルが急速に採用されているにもかかわらず、限定的な研究は、初期のキャリア専門家が、業界への移行中に効果的なAI支援作業プラクティスをどのように開発するかを調査している。 LLMをサポートするツールを日々の作業で積極的に使用している75人の初心者ソフトウェアエンジニアを対象にした混合手法調査の結果を報告する。 この結果から,LCMはコーディング,デバッグ,テスト,ドキュメント,問題解決など,日常的なソフトウェアエンジニアリング活動に組み込まれていることがわかった。 効果的な利用は、デバッグ、テスト、アーキテクチャ推論といった従来のソフトウェアエンジニアリングの能力と、批判的思考、出力検証、迅速なエンジニアリング、継続的な人間の監視に依存する。 また,職場における期待と大学準備のギャップも指摘し,ほとんどの参加者は,実用LLM使用に関する限定的な形式教育を報告している。 これらの発見は、ソフトウェアエンジニアリングの教育、組織への参加、AI支援ソフトウェアエンジニアリングにおける労働力開発に影響を及ぼす。

関連論文リスト

• Usage, Effects and Requirements for AI Coding Assistants in the Enterprise: An Empirical Study [4.01226690413941]
  AIコーディングアシスタントとCodeLLMを使った経験について、57人の開発者を調査した。 我々は、AIコーディングアシスタントとCodeLLMを使用して、専門家や学生の使い方、経験、期待に関する35のユーザー調査をレビューした。
  論文  参考訳（メタデータ） (2026-01-27T22:57:20Z)
• Understanding the Role of Large Language Models in Software Engineering: Evidence from an Industry Survey [0.6660458629649825]
  本稿では,ソフトウェア工学におけるLarge Language Models (LLMs) の導入に関する実証的研究を,46名の業界専門家を対象に報告した。 結果は、特に技術的な問題に対する迅速な解決、ドキュメントサポートの改善、ソースコードの標準化の強化について、LLMの肯定的な認識を示します。 回答者はまた、認知依存、セキュリティリスク、および技術的自立の潜在的侵食に関する懸念を表明しました。
  論文  参考訳（メタデータ） (2025-12-19T20:57:19Z)
• Model-Assisted and Human-Guided: Perceptions and Practices of Software Professionals Using LLMs for Coding [2.198430261120653]
  大規模言語モデルは、急速に現代のソフトウェア開発の中心的なコンポーネントになりつつある。 本稿では,131名のソフトウェア実践者の国際調査から予備的知見を提示する。
  論文  参考訳（メタデータ） (2025-10-10T06:59:56Z)
• Do AI models help produce verified bug fixes? [62.985237003585674]
  大規模言語モデルは、ソフトウェアバグの修正に使用される。 本稿では,プログラマが大規模言語モデルを用いて,自身のスキルを補完する方法について検討する。 その結果は、プログラムバグに対する保証された修正を提供するAIとLLMの適切な役割への第一歩となる。
  論文  参考訳（メタデータ） (2025-07-21T17:30:16Z)
• Exploring the Evidence-Based SE Beliefs of Generative AI Tools [2.3480418671346164]
  我々は、ソフトウェア開発の実践を支援するためにますます使われている生成型AIツールの「信条」を調査する。 我々の研究結果は、生成型AIツールには、研究の主張に関する曖昧な信念があり、回答を支援するための信頼できる証拠が欠如していることを示しています。
  論文  参考訳（メタデータ） (2024-07-18T21:06:39Z)
• An Empirical Study on Usage and Perceptions of LLMs in a Software Engineering Project [1.433758865948252]
  大規模言語モデル(LLM)は人工知能の飛躍であり、人間の言語を用いたタスクに優れる。 本稿では、AI生成したコードを分析し、コード生成に使用するプロンプトと人間の介入レベルを分析し、コードをコードベースに統合する。 ソフトウェア開発の初期段階において,LSMが重要な役割を担っていることが示唆された。
  論文  参考訳（メタデータ） (2024-01-29T14:32:32Z)
• Charting a Path to Efficient Onboarding: The Role of Software Visualization [49.1574468325115]
  本研究は,ソフトウェアビジュアライゼーションツールを用いたマネージャ,リーダ,開発者の親しみやすさを探求することを目的としている。 本手法は, 質問紙調査と半構造化面接を用いて, 実践者から収集したデータの量的, 質的分析を取り入れた。
  論文  参考訳（メタデータ） (2024-01-17T21:30:45Z)
• Automated Machine Learning: A Case Study on Non-Intrusive Appliance Load Monitoring [81.06807079998117]
  非侵入的機器負荷モニタリング(NIALM)のための自動機械学習(AutoML)を実現する新しい手法を提案する。 NIALMは、電子機器や家電のエネルギー消費を測定するためのスマートメーターに代わる費用対効果を提供する。
  論文  参考訳（メタデータ） (2022-03-06T10:12:56Z)
• Technology Readiness Levels for Machine Learning Systems [107.56979560568232]
  機械学習システムの開発とデプロイは、現代のツールで簡単に実行できますが、プロセスは一般的に急ぎ、エンドツーエンドです。 私たちは、機械学習の開発と展開のための実証済みのシステムエンジニアリングアプローチを開発しました。 当社の「機械学習技術準備レベル」フレームワークは、堅牢で信頼性が高く、責任あるシステムを確保するための原則的なプロセスを定義します。
  論文  参考訳（メタデータ） (2021-01-11T15:54:48Z)
• Technology Readiness Levels for AI & ML [79.22051549519989]
  機械学習システムの開発は、現代的なツールで容易に実行できるが、プロセスは通常急いで、エンドツーエンドで実行される。 エンジニアリングシステムは、高品質で信頼性の高い結果の開発を効率化するために、明確に定義されたプロセスとテスト標準に従います。 我々は、機械学習の開発と展開のための実証されたシステムエンジニアリングアプローチを提案する。
  論文  参考訳（メタデータ） (2020-06-21T17:14:34Z)
• Machine Learning for Software Engineering: A Systematic Mapping [73.30245214374027]
  ソフトウェア開発業界は、現代のソフトウェアシステムを高度にインテリジェントで自己学習システムに移行するために、機械学習を急速に採用している。 ソフトウェアエンジニアリングライフサイクルの段階にわたって機械学習の採用について、現状を探求する包括的な研究は存在しない。 本研究は,機械学習によるソフトウェア工学(MLSE)分類を,ソフトウェア工学ライフサイクルのさまざまな段階に適用性に応じて,最先端の機械学習技術に分類するものである。
  論文  参考訳（メタデータ） (2020-05-27T11:56:56Z)

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。