論文の概要: Early Reflections on How Large Language Models are Reshaping Software Engineering Research
- arxiv url: http://arxiv.org/abs/2611.15797v1
- Date: Wed, 11 Nov 2026 18:10:56 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-14 01:36:33.247245
- Title: Early Reflections on How Large Language Models are Reshaping Software Engineering Research
- Title(参考訳): 大規模言語モデルがソフトウェア工学研究をいかに変えているかに関する初期の考察
- Abstract要約: ICSE 2019-2026 Research and SEIP trackで発表された1,918の論文を分析した。
中国と米国がLLMベースのSE研究を支配している。
業界と学界におけるモデル利用のギャップを露呈します。
- 参考スコア(独自算出の注目度): 8.866484657221447
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Large language models (LLMs) are radically reshaping software engineering (SE) research. Yet, their steep financial and computational costs raise questions about who participates in that change, and who does not. By analysing all 1,918 papers published in the ICSE 2019-2026 Research and SEIP tracks, we uncover a shifting and highly concentrated research landscape. China and the US dominate LLM-based SE research, appearing in 74% of LLM-based publications between 2023-2026, yet they diverge sharply in their use of commercial versus open-weight models. Beneath this national dominance lies extreme institutional concentration: just 5 institutions in China and 7 in the US appear in more than half of their respective nations' LLM-based output. In the US, only half of the unique institutions active in 2023-2026 participated in LLM-based research, whereas Singapore displays broader usage, with 11 of 15 active institutions participating in LLM-based work. Furthermore, across 2023-2026 Research-track papers, industry involvement is more prevalent in LLM-based work (23.4% vs 16.9%), and academia-only papers make up a smaller share (63.4% vs 70.9%). Crucially, we expose a gap in model usage across industry and academia. SEIP track papers lean strongly towards commercial LLMs, with 77.4% featuring them and 40.5% using them exclusively. In contrast, only 21.2% of Research-track work relies strictly on commercial models, making greater use of open-weight models that typically support more sustainable and reproducible experiments. However, this divide warrants reflection on the extent to which SE research aligns with industry practice.
- Abstract(参考訳): 大規模言語モデル(LLM)は、ソフトウェア工学(SE)の研究を根本的に変えつつある。
しかし、彼らの財政と計算コストの急激な上昇は、誰がこの変化に参加したのか、誰が参加しないのかという疑問を提起する。
ICSE 2019-2026 ResearchとSEIPのトラックで発表された1,918件の論文を分析して、我々は変化が激しく集中している研究の風景を明らかにした。
中国と米国はLLMベースのSE研究を支配しており、2023年から2026年の間にLLMベースの出版物の74%に現れた。
中国では5か所、米国では7か所の機関が各国のLLMベース生産の半数以上を占めている。
米国では、2023-2026年に活動したユニークな機関の半分のみがLLMベースの研究に参加しており、シンガポールではLLMベースの研究に参加している15の機関のうち11が広く使われている。
さらに2023-2026年の調査論文では、LLMに基づく研究(23.4%対16.9%)や学術のみの論文(63.4%対70.9%)が主流である。
重要なのは、業界と学界におけるモデル利用のギャップを明らかにすることです。
SEIPトラック紙は商業用LLMに強く依存しており、77.4%はそれらに特化しており、40.5%は専用に使用している。
対照的に、研究トラックの作業の21.2%は商業モデルに厳密に依存しており、より持続的で再現可能な実験をサポートするオープンウェイトモデルをより活用している。
しかし、この分割はSEリサーチが産業の実践とどの程度一致しているかを反映している。
関連論文リスト
- Who Uses Open-Weight Models? China and the Shifting Geography of AI in Science [0.0]
我々は2026年6月までにセマンティック・スカラー・オープン・リサーチ・コーポレーション(S2ORC)から21万件のフルテキスト記事を分析した。
単一戸籍の論文では、オープンウェイトモデルの使用は着実に増加し、2026年には44.0%に達した。
最近の成長は、高品質のオープンウェイトな中国のモデルが利用可能になったことによる。
論文 参考訳(メタデータ) (2026-08-11T15:57:42Z) - An Empirical Study of Many-to-Many Summarization with Large Language Models [82.10000188179168]
大規模言語モデル(LLM)は強い多言語能力を示しており、実アプリケーションでM2MS(Multi-to-Many summarization)を実行する可能性を秘めている。
本研究は,LLMのM2MS能力に関する系統的研究である。
論文 参考訳(メタデータ) (2025-05-19T11:18:54Z) - MLRC-Bench: Can Language Agents Solve Machine Learning Research Challenges? [66.87201770167012]
MLRC-Benchは、機械学習(ML)リサーチコンペティションの挑戦において、言語エージェントがいかに効果的に対処できるかを定量化するために設計されたベンチマークである。
MLRC-Benchは以前の研究とは異なり、新しい研究手法を提案し、実装する上で重要なステップを計測する。
最も優れた試験薬でさえ、ベースラインとトップヒューマンのスコアの差の9.3%しか閉じていない。
論文 参考訳(メタデータ) (2025-04-13T19:35:43Z) - Whose ChatGPT? Unveiling Real-World Educational Inequalities Introduced by Large Language Models [3.005864877840858]
ChatGPTや他の類似のツールは、学習経験と成果を改善するために、大きな言語モデル(LLM)の可能性について、大きな興奮と実験的努力を喚起しました。
しかし、LLMが教育的価値に与える影響を体系的に調査する研究はほとんどない。
我々は2021年から2024年までの2391のコースで16,791人の大学生から1,140,328人の学術論文を米国内の公立の少数派機関で分析した。
言語学的に有利な学生と不利な学生の書き込み品質のギャップが狭まりつつあり, 学生全体の書き込み品質が徐々に向上していることがわかった。
論文 参考訳(メタデータ) (2024-10-29T17:35:46Z) - Transforming Scholarly Landscapes: Influence of Large Language Models on Academic Fields beyond Computer Science [77.31665252336157]
大規模言語モデル (LLM) は自然言語処理 (NLP) において転換期を迎えた。
本研究は,NLP以外の分野におけるLLMの影響と利用について実験的に検討する。
論文 参考訳(メタデータ) (2024-09-29T01:32:35Z) - Mapping the Increasing Use of LLMs in Scientific Papers [99.67983375899719]
2020年1月から2024年2月にかけて、arXiv、bioRxiv、Natureのポートフォリオジャーナルで950,965の論文をまとめて、体系的で大規模な分析を行った。
計算機科学の論文では, LLMの使用が着実に増加し, 最大, 最速の成長が観察された。
論文 参考訳(メタデータ) (2024-04-01T17:45:15Z) - Large Language Models: A Survey [66.39828929831017]
大規模言語モデル(LLM)は、広範囲の自然言語タスクにおける強力なパフォーマンスのために、多くの注目を集めている。
LLMの汎用言語理解と生成能力は、膨大なテキストデータに基づいて数十億のモデルのパラメータを訓練することで得られる。
論文 参考訳(メタデータ) (2024-02-09T05:37:09Z) - Topics, Authors, and Institutions in Large Language Model Research: Trends from 17K arXiv Papers [1.5362868418787874]
大規模言語モデル(LLM)がAI研究に劇的に影響を与えており、これまで何が変わったのか、どのようにフィールドの未来を形作るかについての議論が引き起こされている。
このような疑問を明らかにするために,我々は,2023年対2018-2022年の動向に着目し,16,979 LLM関連arXiv論文のデータセットを新たに分析した。
2023年に最初の著者の半数が、AIの非NLP分野から参入し、学際的な拡張を推進している。
驚いたことに、業界は2023年の出版シェアを減らした。
論文 参考訳(メタデータ) (2023-07-20T08:45:00Z)
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。