論文の概要: Does AI-Assisted Development Homogenize Software? An Empirical Study of Code Similarity, Quality, and Evolution

• arxiv url: http://arxiv.org/abs/2610.24093v1
• Date: Fri, 16 Oct 2026 18:22:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-26 11:05:17.681587
• Title: Does AI-Assisted Development Homogenize Software? An Empirical Study of Code Similarity, Quality, and Evolution
• Title（参考訳）: AI支援開発はソフトウェアを均質化するか? コードの類似性、品質、進化に関する実証的研究
• Abstract要約: AI支援ソフトウェア開発は、インタラクティブなLLMアシストから、ソフトウェアエンジニアリングタスクを自律的に実行するエージェントシステムへと進化している。 我々は,LLM前,LLM支援の可能性,エージェント開発の検出という3つの時代にわたって,長寿命のJavaおよびPythonオープンソースプロジェクト50件について実証的研究を行った。
• 参考スコア（独自算出の注目度）: 1.06131220140955
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: AI-assisted software development is evolving from interactive LLM assistance toward agentic systems that autonomously perform software engineering tasks, yet the effects of this shift remain insufficiently understood. We present an empirical study of 50 long-lived Java and Python open-source projects across three eras: pre-LLM, potentially LLM-assisted, and detected agentic development. Using snapshots from Software Heritage, we examine code similarity, software quality, and software evolution. Similarity is measured semantically through embedding-based cosine similarity and syntactically through CodeBLEU*. Quality is assessed with SonarQube metrics covering maintainability, complexity, reliability, and security. Evolution is characterized by annualized growth rates of LOC, functions, classes, files, and statements, and by commit activity in the three months preceding each snapshot. Results show no consistent evidence of increased similarity as semantic and syntactic similarity decreased significantly in Java for both the LLM and agentic eras relative to the pre-LLM era, while Python showed no significant differences. Software quality remained largely stable, although the agentic era showed significantly lower code-smell and SQALE index densities. Structural growth was generally lower in the agentic era, particularly for files, whereas development activity increased moderately in Java, especially in commits and added lines. These findings challenge the assumption that LLM- and agent-assisted development necessarily homogenizes code, degrades quality, or accelerates growth.
• Abstract（参考訳）: AI支援型ソフトウェア開発は、インタラクティブなLLMアシストから、ソフトウェアエンジニアリングタスクを自律的に実行するエージェントシステムへと進化している。 我々は,LLM前,LLM支援の可能性,エージェント開発の検出という3つの時代にわたって,長寿命のJavaおよびPythonオープンソースプロジェクト50件について実証的研究を行った。 Software Heritageのスナップショットを使って、コードの類似性、ソフトウェア品質、ソフトウェア進化を調べます。 類似度は埋め込みベースのコサイン類似度を通じて意味的に測定され、CodeBLEU*を介して構文的に測定される。 品質は、保守性、複雑性、信頼性、セキュリティに関するSonarQubeメトリクスで評価される。 進化は、LOC、関数、クラス、ファイル、ステートメントの年次成長率と、スナップショットの3ヶ月前のコミットアクティビティによって特徴づけられる。 LLMとエージェント時代の双方において, 意味的類似性や構文的類似性が著しく低下するのに対して, Pythonでは有意差は認められなかった。 ソフトウェアの品質は安定していたが、エージェント時代はコードスメルとSQALEインデックス密度が著しく低下していた。 構造的成長は、一般にエージェント時代、特にファイルでは低いが、Javaでは、特にコミットや追加行では、開発活動が適度に増加した。 これらの知見は、LLMおよびエージェント支援開発は必ずしもコードを均質化したり、品質を低下させたり、成長を加速させる、という仮定に挑戦する。

関連論文リスト

• Self-Evolving Coding Agents [11.43197414613246]
  自己進化型コーディングエージェントは、リポジトリを検査し、ツールを実行し、テストを実行し、障害をデバッグし、パッチを生成することができる。 まず、自己進化型プログラミングエージェントを定義し、それらを従来のコーディングエージェントや一般的な自己進化型エージェントと区別する。 実行可能なフィードバック、リポジトリレベルのコンテキスト、コーディングトラジェクトリは、ソフトウェアエンジニアリングをエージェントの自己進化のための自然なドメインとして、ユニークな役割を与えます。
  論文  参考訳（メタデータ） (2026-08-04T09:43:46Z)
• How Do AI Coding Agents Contribute to Software Development? an Empirical Study of Agentic Pull Requests [5.6795075579540395]
  本研究では,人為的プルリクエスト(PR)を,人為的プルリクエスト(PR)と比較して特徴付けることを目的とする。 まず,エージェントと人為的PRのマージ率の差が時間とともにどのように変化するかを分析する。 次に、AIコーディングエージェントが主に適用される開発タスクの種類を特定します。
  論文  参考訳（メタデータ） (2026-07-23T21:48:28Z)
• Effective Strategies for Asynchronous Software Engineering Agents [52.76455094324273]
  本稿では,集中型タスクデリゲート,非同期実行,独立したワークスペースという,3つのSWEプリミティブに根ざした構造化マルチエージェント協調パラダイムを導入する。 CAIDは,紙再生タスク(PaperBench)では26.7%,Pythonライブラリ開発タスクでは14.3%,単一エージェントベースラインでは26.7%の精度向上を実現している。
  論文  参考訳（メタデータ） (2026-03-23T02:26:35Z)
• AI IDEs or Autonomous Agents? Measuring the Impact of Coding Agents on Software Development [12.50615284537175]
  大規模言語モデル(LLM)ベースのコーディングエージェントは、プルリクエストの生成とマージを行う自律的なコントリビュータとして機能するようになっている。 本稿では,オープンソースリポジトリにおけるエージェント導入の経時的因果関係について検討する。
  論文  参考訳（メタデータ） (2026-01-20T04:51:56Z)
• From Code Foundation Models to Agents and Applications: A Practical Guide to Code Intelligence [150.3696990310269]
  大規模言語モデル(LLM)は、自然言語記述を直接関数コードに変換することによって、自動ソフトウェア開発を変革した。 コードLLMに関する総合的な合成と実践的ガイド(一連の解析および探索実験)を提供する。 一般LLM(GPT-4, Claude, LLaMA)とコード特殊化LLM(StarCoder, Code LLaMA, DeepSeek-Coder, QwenCoder)のコード機能の解析を行う。
  論文  参考訳（メタデータ） (2025-11-23T17:09:34Z)
• Does AI-Assisted Coding Deliver? A Difference-in-Differences Study of Cursor's Impact on Software Projects [18.271710138834536]
  Cursorの採用は、プロジェクトレベルの開発速度を著しく、大きく、しかし過渡的に増加させます。 静的解析警告の増加とコードの複雑さは、長期の速度低下を引き起こす主要な要因である。
  論文  参考訳（メタデータ） (2025-11-06T15:00:51Z)
• Codev-Bench: How Do LLMs Understand Developer-Centric Code Completion? [60.84912551069379]
  Code-Development Benchmark (Codev-Bench)は、細粒度で現実世界、リポジトリレベル、開発者中心の評価フレームワークです。 Codev-Agentは、リポジトリのクローリングを自動化し、実行環境を構築し、既存のユニットテストから動的呼び出しチェーンを抽出し、データ漏洩を避けるために新しいテストサンプルを生成するエージェントベースのシステムである。
  論文  参考訳（メタデータ） (2024-10-02T09:11:10Z)

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。