論文の概要: Code, Commits, and Complexity in the GenAI Era: A Longitudinal Study of Team-Based Capstone Projects
- arxiv url: http://arxiv.org/abs/2611.07297v1
- Date: Thu, 05 Nov 2026 01:21:45 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-06 21:50:50.485246
- Title: Code, Commits, and Complexity in the GenAI Era: A Longitudinal Study of Team-Based Capstone Projects
- Title(参考訳): GenAI時代のコード・コミュート・複雑性--チームベースのカプストーンプロジェクトに関する縦断的研究
- Abstract要約: ジェネレーティブAIツールは現在、学生に広く提供されていますが、チームベースのプロジェクトが出現して以来どのように変化してきたのかは分かっていません。
2021年から2025年までのN=260カプストーンチームのレポジトリを10年連続で分析した。
2021-2023年の約3.4 KLOCから2024-2025年の約10 KLOCの約3倍である。
- 参考スコア(独自算出の注目度): 1.4674777079174621
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Generative AI tools are now widely available to students, but little is known about how team-based project codebases have changed since they appeared. This matters when project courses use repository activity as evidence of progress and learning. Existing studies have largely examined self-reports, controlled tasks, or short individual assignments, leaving open questions around how student codebases evolve in authentic project settings. We present a ten-semester analysis of N=260 capstone team repositories from 2021 to 2025, spanning pre- and post-AI cohorts. We examine three dimensions: code size (lines of code), code characteristics (comment density, error-handling density, and cyclomatic complexity), and development behaviour (commit volume, edit size, and commit frequency). We find that end-of-semester codebases roughly triple, from about 3.4 KLOC in 2021--2023 to about 10 KLOC in 2024--2025. Code characteristics show a clear decoupling: cyclomatic complexity and error-handling density increase, while comment density does not. Later cohorts commit far more often and in greater volume, but individual commit sizes are largely unchanged, suggesting a shift in development rhythm rather than edit granularity. Most changes appear from 2024 onwards and are not uniformly monotonic. We did not directly observe AI use, so we report these as changes that coincide with increased GenAI availability rather than as effects of AI use. Our findings highlight the need to reconsider how student-produced artefacts are used and assessed in project courses.
- Abstract(参考訳): ジェネレーティブなAIツールは、現在学生に広く提供されているが、チームベースのプロジェクトコードベースが出現して以来どのように変化したかについてはほとんど分かっていない。
プロジェクトコースが進捗と学習の証拠としてリポジトリアクティビティを使用する場合、これは重要です。
既存の研究では、学生のコードベースが真のプロジェクト設定でどのように進化するかというオープンな疑問が残されている。
2021年から2025年までのN=260カプストーンチームのレポジトリについて,AI前コホートと後コホートにまたがって分析を行った。
コードサイズ(コードの行)、コード特性(コミット密度、エラー処理密度、サイクロマティックな複雑さ)、開発行動(コミットボリューム、編集サイズ、コミット頻度)の3つの次元について検討する。
2021-2023年の約3.4 KLOCから2024-2025年の約10 KLOCの約3倍である。
コードの特徴は明確な疎結合を示している: サイクロマティックな複雑さとエラー処理密度は増大するが、コメント密度は上昇しない。
後のコホートは、より頻繁に、より多くコミットするが、個々のコミットサイズはほとんど変化せず、粒度を編集するよりも、開発リズムのシフトを示唆している。
ほとんどの変化は2024年以降に現れ、一様単調ではない。
我々はAIの使用を直接観察しなかったので、これらをAIの使用の影響ではなく、GenAIの利用率の増加に伴う変化として報告した。
本研究は, 学生が制作した人工物がどのように活用され, プロジェクトコースで評価されるかを再考する必要性を浮き彫りにした。
関連論文リスト
- Empirical Study on the Characteristics and Evolution of AI-usage in GitHub Repositories: Evidence from Code Comments [7.213400161126317]
私たちは、AIの使用と関連するコードブロックを明示的に参照する、35,361のGitHubコードコメントを分析します。
最初に500のユニークなコメントとコードブロックをオープンにし、AI支援開発活動の分類を導き出しました。
次に、2つのLCMベースの分類器と、Dawid-Skene予測最大化による集約予測を用いて、全データセットに注釈を付ける。
論文 参考訳(メタデータ) (2026-06-05T02:37:44Z) - Combinatorial Synthesis: Scaling Code RLVR via Atomic Decomposition and Recombination [70.27578249309103]
RLVR(Reinforcement Learning with Verifiable Rewards)は、大規模言語モデル(LLM)の顕著なコーディング能力を形成する基盤として登場した。
我々は、原子要素への分解と制御された再結合によって検証可能なコードタスクを生成する新しいフレームワークであるAtomic Decomposition and Recombination (ADR)を提案する。
私たちの仕事は、新しいコードタスク合成とスケーラブルなRLVRトレーニングのための新しいパラダイムに光を当てています。
論文 参考訳(メタデータ) (2026-05-29T09:29:32Z) - FrontierSmith: Synthesizing Open-Ended Coding Problems at Scale [73.57353294235223]
既存のクローズドエンドコーディングタスクからオープンエンドの問題を進化させる自動化システムであるFrontierSmithを紹介する。
2つのオープンエンドコーディングベンチマークでは、我々の合成データに対するトレーニングはベースモデルよりも大幅に向上する。
合成された問題は、エージェントがもっと回転してトークンを使うようにもなっています。
論文 参考訳(メタデータ) (2026-05-14T06:39:42Z) - AI-Assisted Code Review as a Scaffold for Code Quality and Self-Regulated Learning: An Experience Report [4.541490370053892]
GitHubのプルリクエスト(Human-in-the-loop)に直接統合されたLCM-as-reviewerについて検討する。
自己統制学習プロセスの行動指標としてのエンゲージメントと応答性について検討した。
i)認知的オフロードを緩和しながら学習を足場とするAIレビュアの作業フロー設計、(ii)正当性のある2つのコホート間での横断的な比較、(iv)責任を負う学生主導のAI支援レビューに対するエビデンスベースの教育的レコメンデーション。
論文 参考訳(メタデータ) (2026-04-25T11:10:57Z) - Debt Behind the AI Boom: A Large-Scale Empirical Study of AI-Generated Code in the Wild [13.35459155979355]
我々は6,275のGitHubリポジトリから304,362の認証済みAI認証コミットのデータセットを構築します。
484,606の異なる問題を特定し、コードの臭いは最も一般的な型であり、すべての問題の89.1%を占めています。
これらの結果は、AI生成コードは、実際のソフトウェアプロジェクトに長期のメンテナンスコストをもたらす可能性があることを示している。
論文 参考訳(メタデータ) (2026-03-30T15:38:05Z) - Agentic Much? Adoption of Coding Agents on GitHub [6.395990525268647]
GitHub上でのコーディングエージェントの採用に関する大規模な研究を初めて紹介する。
採用率は15.85%--22.60%と見積もられているが、これは数ヶ月前の技術では極めて高い。
コミットレベルでは、コーディングエージェントによって支援されるコミットは、人間の開発者によって書かれたコミットよりも大きいことが分かります。
論文 参考訳(メタデータ) (2026-01-26T10:28:10Z) - An Empirical Study on the Amount of Changes Required for Merge Request Acceptance [2.5999037208435705]
GitLabのリクエストの71%は提出後に調整を必要とし、28%は200行以上のコードの変更を含む。
テキストの特徴、コードの複雑さ、開発者エクスペリエンス、レビュー履歴、ブランチなど、さまざまな次元のメトリクスを使用して、解釈可能な機械学習モデルをトレーニングします。
本モデルでは, 高い性能(AUC 0.84-0.88)を達成し, 複雑さ, 経験, テキスト特徴が重要な予測因子であることを明らかにする。
論文 参考訳(メタデータ) (2025-07-31T15:18:46Z) - Bidirectional LMs are Better Knowledge Memorizers? A Benchmark for Real-world Knowledge Injection [48.188285483378664]
人間の介入を必要とせず、時間とともに継続的に進化する新しい、現実的で大規模な知識注入ベンチマークを導入する。
WikiDYKはウィキペディアの「Did You Know...」エントリから最近追加された人文的な事実を活用する。
WikiDYKには12,290の事実と77,180の質問が含まれている。
論文 参考訳(メタデータ) (2025-05-18T08:39:05Z) - NEVIS'22: A Stream of 100 Tasks Sampled from 30 Years of Computer Vision
Research [96.53307645791179]
我々は,100以上の視覚的分類タスクのストリームからなるベンチマークであるNever-Ending VIsual-classification Stream (NEVIS'22)を紹介する。
分類に制限されているにもかかわらず、OCR、テクスチャ分析、シーン認識など、様々なタスクが生成される。
NEVIS'22は、タスクの規模と多様性のために、現在のシーケンシャルな学習アプローチに対して前例のない課題を提起している。
論文 参考訳(メタデータ) (2022-11-15T18:57:46Z) - Avalanche: an End-to-End Library for Continual Learning [81.84325803942811]
PyTorchをベースとした継続的学習研究のためのオープンソースライブラリであるAvalancheを提案する。
avalancheは、継続的学習アルゴリズムの高速プロトタイピング、トレーニング、再現可能な評価のための共有とコラボレーションを提供するように設計されている。
論文 参考訳(メタデータ) (2021-04-01T11:31:46Z)
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。