論文の概要: Developer Task Delegation to LLMs and the Trust Factor: A Mixed Methods Study

• arxiv url: http://arxiv.org/abs/2610.34317v1
• Date: Sun, 25 Oct 2026 14:28:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-27 22:27:13.577443
• Title: Developer Task Delegation to LLMs and the Trust Factor: A Mixed Methods Study
• Title（参考訳）: LLMへの開発者タスク委譲と信頼要因:混合手法による研究
• Abstract要約: LLM(Large Language Models)の台頭により、ソフトウェア開発者には、LLMにソフトウェア開発タスクを委譲する、強力な新しいアプローチが提示される。 我々は、開発者がどのタスクをLLMに委譲するか、どの程度の程度で、なぜそれらを委譲するのかを探求する。 我々の統計分析によると、信頼はLCMへのタスク委譲に関連する重要な要因であることがわかった。
• 参考スコア（独自算出の注目度）: 18.267957953123762
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: With the rise of Large Language Models (LLMs), software developers are presented with a powerful new approach: delegating software development tasks to LLMs. Existing studies have explored task delegation for a subset of tasks and factors. Critically, what tasks developers delegate to LLMs, to what extent, and why they delegate them, is not yet well understood. We explore these questions through 22 interviews and a survey with 160 software practitioners. Developers reported employing four modes of task delegation to LLMs: full delegation, partial delegation, self-delegation, and task avoidance. Drawing on our qualitative findings, we discuss the rationales behind these choices and explore how task difficulty, task risk, developer motivation, and trust appear to be associated with software development task delegation to LLMs. Our statistical analysis reveals that trust is a significant factor associated with task delegation to LLMs. Finally, we share actionable implications for human-AI collaboration in software research, and for software practitioners to make the most of their newly found powers of delegation.
• Abstract（参考訳）: LLM(Large Language Models)の台頭により、ソフトウェア開発者には、LLMにソフトウェア開発タスクを委譲する、強力な新しいアプローチが提示される。 既存の研究では、タスクや要因のサブセットに対するタスクデリゲートについて検討している。 批判的に言えば、LLMにどのタスクが委譲されるのか、その程度、なぜそれらが委譲されるのかは、まだよく理解されていない。 私たちは、22のインタビューと160人のソフトウェア実践者による調査を通じて、これらの質問を調査します。 開発者は、完全なデリゲート、部分的なデリゲート、自己委譲、タスク回避の4つのモードをLLMに導入したと報告した。 質的な結果に基づいて、これらの選択の背景にある理論的根拠を議論し、タスクの難しさ、タスクリスク、開発者のモチベーション、信頼がLCMへのソフトウェア開発タスク委譲とどのように関連しているかを考察する。 我々の統計分析によると、信頼はLCMへのタスク委譲に関連する重要な要因であることがわかった。 最後に、ソフトウェア研究における人間とAIのコラボレーションと、ソフトウェア実践者が新たに確立した委任権の力を最大限活用するために、実行可能な意味を共有します。

関連論文リスト

• On the Importance of Task Complexity in Evaluating LLM-Based Multi-Agent Systems [14.75237035960069]
  大規模言語モデルマルチエージェントシステム(LLM-MAS)は、より高度なAI行動を達成するために集団知性を活用するための有望なパラダイムを提供する。 課題解決における LLM-MAS の有効性を評価するためには, シーケンシャル推論の程度や能力の幅など, タスク複雑性の原則的理解が不可欠である。
  論文  参考訳（メタデータ） (2025-10-05T18:08:48Z)
• Cross-Task Experiential Learning on LLM-based Multi-Agent Collaboration [63.90193684394165]
  マルチエージェント・クロスタスク体験学習(MAEL)は,LSM駆動型エージェントに明示的なクロスタスク学習と経験蓄積を付与する新しいフレームワークである。 経験的学習フェーズでは、タスク解決ワークフローの各ステップの品質を定量化し、その結果の報酬を記憶する。 推論中、エージェントは、各推論ステップの有効性を高めるために、いくつかの例として、高頻度のタスク関連体験を検索する。
  論文  参考訳（メタデータ） (2025-05-29T07:24:37Z)
• Grounding Multimodal LLMs to Embodied Agents that Ask for Help with Reinforcement Learning [49.20643505834273]
  家庭環境下で活動する身体的エージェントは、曖昧で特定されていない人間の指示を解釈しなければならない。 LLM生成報酬を用いたオンライン強化学習(RL)を用いた視覚言語行動(VLA)ポリシーとして,マルチモーダル大規模言語モデル(MLLM)を微調整する新しいアプローチを提案する。 以上の結果から,RLを微細化したMLLMは,すべてのベースラインを顕著なマージン(10.4～16.5%)で上回り,新規なシーンやタスクに適していることが示された。
  論文  参考訳（メタデータ） (2025-04-01T15:41:50Z)
• Beyond Binary: Towards Fine-Grained LLM-Generated Text Detection via Role Recognition and Involvement Measurement [51.601916604301685]
  大規模言語モデル(LLM)は、オンライン談話における信頼を損なう可能性のあるコンテンツを生成する。 現在の手法はバイナリ分類に重点を置いており、人間とLLMのコラボレーションのような現実のシナリオの複雑さに対処できないことが多い。 バイナリ分類を超えてこれらの課題に対処するために,LLM生成コンテンツを検出するための新しいパラダイムを提案する。
  論文  参考訳（メタデータ） (2024-10-18T08:14:10Z)
• WorkArena++: Towards Compositional Planning and Reasoning-based Common Knowledge Work Tasks [85.95607119635102]
  大型言語モデル(LLM)は人間のような知性を模倣することができる。 WorkArena++は、Webエージェントの計画、問題解決、論理的/論理的推論、検索、コンテキスト的理解能力を評価するように設計されている。
  論文  参考訳（メタデータ） (2024-07-07T07:15:49Z)
• Q*: Improving Multi-step Reasoning for LLMs with Deliberative Planning [53.6472920229013]
  大規模言語モデル(LLM)は多くの自然言語タスクにおいて印象的な能力を示している。 LLMは多段階推論を行う際にエラー、幻覚、矛盾する文を生成する傾向がある。 本稿では,LLMの復号化過程を検討計画で導くためのフレームワークであるQ*を紹介する。
  論文  参考訳（メタデータ） (2024-06-20T13:08:09Z)
• When does In-context Learning Fall Short and Why? A Study on Specification-Heavy Tasks [54.71034943526973]
  In-context Learning (ICL)は、大規模言語モデル(LLM)のデフォルトメソッドとなっている。 ICLは、複雑で広範囲なタスク仕様を持つタスクである、仕様の重いタスクを処理できないことが分かりました。 我々は、コンテキストを具体的に理解できないこと、タスクスキーマが人間と理解できないこと、長文理解が不十分であること、の3つの主な理由を識別する。
  論文  参考訳（メタデータ） (2023-11-15T14:26:30Z)
• Theory of Mind for Multi-Agent Collaboration via Large Language Models [5.2767999863286645]
  本研究では,多エージェント協調型テキストゲームにおけるLarge Language Models (LLMs) ベースのエージェントを,理論オブマインド (ToM) 推論タスクを用いて評価する。 LLMをベースとしたエージェント間の創発的協調行動と高次マインド理論の実証を行った。
  論文  参考訳（メタデータ） (2023-10-16T07:51:19Z)
• LLM-Coordination: Evaluating and Analyzing Multi-agent Coordination Abilities in Large Language Models [23.092480882456048]
  大きな言語モデル(LLM)は、創発的な常識推論と心の理論(ToM)能力を示している。 本研究では,Pure Coordination Sets の文脈で LLM を解析するための新しいベンチマークである LLM-Coordination Benchmark を紹介する。
  論文  参考訳（メタデータ） (2023-10-05T21:18:15Z)

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。