Do Not Copy/Paste: Soft Barriers for Copying in AI-Assisted Programming
University of Luxembourg(卢森堡大学)
本文针对AI辅助编程中代码复制粘贴的问题,提出软屏障机制,通过Unicode扰动实现高复制粘贴抗性,可引导用户转向编辑重构,为AI代码交接研究提供方向。
2026-08-25 cs.AI cs.SE
Language-Model-Assisted Bi-Level Programming for Reward Learning from Internet Videos
Indian Institute of Technology (BHU) Varanasi(印度理工学院(瓦拉纳西));Arizona State University(亚利桑那州立大学);Northwestern University(西北大学)
提出语言模型辅助的双层规划框架,通过VLM和LLM协作直接从互联网视频学习奖励,无需复杂数据准备,实现高效奖励设计与复杂行为合成。
2024-10-11 cs.AI cs.RO
dafny-annotator: AI-Assisted Verification of Dafny Programs
Stanford University(斯坦福大学);Harvard University(哈佛大学)
本文提出 dafny-annotator 工具,结合 LLM 与搜索为 Dafny 程序自动添加逻辑注解,并通过合成数据集 DafnySynth 扩充训练数据,将 LLaMa 8B 的注解成功率从 15.7% 提升至 50.6%。
2024-11-05 cs.AI cs.PL cs.SE
SEQ-GPT: LLM-assisted Spatial Query via Example
Nanyang Technological University(南洋理工大学)
本研究提出SEQ-GPT,一个由LLM驱动的空间查询系统,通过自然语言交互和定制适配管道实现基于示例的多位置联合搜索,拓宽了空间搜索能力。
2025-08-14 cs.AI
Case Study: Using AI-Assisted Code Generation In Mobile Teams
Technical University Of Cluj-Napoca(克卢日-纳波卡技术大学);Nexttech International(Nexttech国际公司)
本文通过 16 名参与者和 2 名评审者的案例研究,评估 LLM 代码生成工具在移动开发者技术入职与 Android/iOS 技术栈切换中的时间、正确性和集成效果。
2023-09-25 cs.AI cs.SE
Contrastive Concept-Tree Search for LLM-Assisted Algorithm Discovery
NTT Research(NTT研究院);Stanford University(斯坦福大学)
本研究提出对比概念树搜索(CCTS)方法,通过提取层次化概念表示和对比学习模型,提升LLM辅助算法发现的搜索效率和可解释性。
2026-02-03 cs.AI cs.LG cs.NE
API-Assisted Code Generation for Question Answering on Varied Table Structures
Carnegie Mellon University(卡内基梅隆大学)
本文提出统一TableQA框架,将多样表格表示为多索引Pandas数据框,用Python程序查询并支持自定义API调用,在四个不同结构表格数据集上显著超越现有最优系统。
2023-10-23 cs.AI cs.CL
Does AI Assistance Leave a Temporal Fingerprint? Detecting Overreliance in AI-Assisted Writing and Programming
Trinity University(三一大学);St. Mary's University(圣玛丽大学)
本研究通过分析写作与编程过程数据,发现AI辅助具有可泛化的时间特征,能近乎完美地检测整体委托,但难以区分普通协作,为学术诚信提供过程性证据基础。
2026-09-17 cs.AI cs.HC
Can Large Language Models Solve Engineering Equations? A Systematic Comparison of Direct Prediction and Solver-Assisted Approaches
Research and Development Sports Vision, Inc.(Sports Vision公司研发部);Research and Development Vizworld, Inc.(Vizworld公司研发部)
本文研究了大型语言模型在解决工程方程中的表现,发现求解器辅助方法在精度上显著优于直接预测,尤其在电子领域效果突出。
2026-01-05 cs.AI cs.CE cs.NA
Improving Steering and Verification in AI-Assisted Data Analysis with Interactive Task Decomposition
University of Toronto(多伦多大学);Microsoft Research(微软研究院)
针对AI辅助数据分析中验证与引导困难,提出Stepwise和Phasewise两种交互式任务分解方法,实验证明其能显著提升用户控制感及干预、纠正和验证的便利性。
2024-08-01 cs.AI cs.HC
CLASP: Training-Free LLM-Assisted Source Code Watermarking via Semantic-Preserving Transformations
East China Normal University(华东师范大学);Fudan University(复旦大学)
CLASP提出一种无需训练的LLM辅助源代码水印框架,通过语义保持变换嵌入水印位,实现跨语言的高容量水印插入与提取,提升鲁棒性和部署效率。
2026-04-20 cs.AI cs.CR cs.LG
Computer Assisted Parallel Program Generation
并行计算广泛应用于科学研究、工程活动和产品开发中。并行程序编写本身并不总是一个简单的任务,取决于解决的问题。大规模的科学计算、庞大的数据分析和精确的可视化等都需要并行计算,而并行计算需要并行化技术。本章讨论了并行程序生成支持,并介绍了一个计算机辅助并行程序生成系统P-NCAS。计算机辅助问题求解是促进科学和工程创新的重要手段之一,有助于丰富我们的社会和我们的生活,使计算科学成为一个无编程的环境。问题解决环境(PSE)的研究活动开始于20世纪70年代,以提高程序设计能力。P-NCAS是PSE的一种; PSE概念提供了一个集成的人类友好的计算软件和硬件系统来解决一类目标问题
2015-03-16 cs.MS cs.SE physics.comp-ph
Fex: Assisted Identification of Domain Features from C Programs
现代软件通常执行多个功能。这些功能或特征并不总是以表示这些特征的模块被单独使用的方式来组织。许多软件工程方法,如程序设计语言结构,或产品线可视化技术已被提出来组织项目作为模块。不幸的是,许多遗留软件遭受了数年或数十年的不正确编码实践,使代码中的模块几乎无法检测。在这样的场景中,期望的要求是识别表示要提取的不同特征的模块。在本文中,我们提出了一种新的方法,结合信息检索和程序分析的方法,让领域专家识别切片的程序,代表模块使用自然语言搜索条件。我们评估我们的方法,建立一个概念证明工具在C中,并提取模块从开源项目。
2021-08-20 cs.SE
Agentic AI-Assisted Modeling for Production Scheduling: Assessment in Constraint Programming
Universidade da Coruña(科鲁尼亚大学)
本研究评估通用LLM作为智能体,无需任务特定训练即可从自然语言描述制定并实现约束规划调度模型,多智能体架构显著提升实现成功率,但紧密耦合物流模型仍具挑战。
2026-10-08 cs.AI cs.SE
Towards Neural Synthesis for SMT-Assisted Proof-Oriented Programming
Microsoft Research(微软研究院);University of Cambridge(剑桥大学);University of Ottawa(渥太华大学)
本文构建了大规模F*程序与证明数据集及片段检查器,研究用AI合成证明导向程序,发现微调小模型性能可比肩GPT-4且成本更低,并验证了基于类型的检索增强技术的显著效果。
2024-09-04 cs.AI cs.PL cs.SE
Reading Between the Lines: Modeling User Behavior and Costs in AI-Assisted Programming
Massachusetts Institute of Technology(麻省理工学院);Microsoft Research(微软研究院)
研究程序员与GitHub Copilot等代码推荐系统的交互,提出CUPS行为分类体系,通过21名程序员实验揭示交互低效与时间成本,为界面设计和评估指标提供依据。
2024-04-22 cs.HC cs.LG cs.SE
DafnyPro: LLM-Assisted Automated Verification for Dafny Programs
UIUC(伊利诺伊大学厄巴纳-香槟分校);Amazon Web Services(亚马逊云科技)
DafnyPro通过增强LLM生成验证注释的能力,提升了Dafny程序的自动验证效率和准确性。
2026-01-08 cs.SE
Impeding LLM-assisted Cheating in Introductory Programming Assignments via Adversarial Perturbation
University of Arizona(亚利桑那大学)
本文针对入门编程课程中的 LLM 作弊问题,测试了 5 种 LLM 的基线性能,并提出对抗扰动方法,通过用户研究验证该扰动能使代码平均正确性下降 77%,有效阻碍了 LLM 辅助的代码生成。
2024-10-15 cs.CL cs.CY cs.SE
Lightweight, Multi-Stage, Compiler-Assisted Application Specialization
程序迁移的目的是提高性能,减少臃肿的应用程序的攻击面。最近已经提出了几种技术来专门化程序。这些方法要么基于不合理的策略,要么基于苛刻的技术,从而导致不安全的结果或高开销的浮动过程。在本文中,我们通过应用部分评估原则来生成专门的应用程序来解决这些限制。我们的方法依赖于一个简单的观察,即应用程序通常由配置逻辑组成,然后是程序的主逻辑。配置逻辑指定应该执行主逻辑中的哪些功能。LMCAS执行部分解释,以根据提供的输入捕获配置逻辑的精确程序状态。然后,LMCAS应用部分求值优化,通过在捕获的部分状态中传播常量、消除不需要的代码并保留所需的功能来生成专用程序。我们对常用基准测试和实际应用程序的LMCAS评估表明,它成功地删除了不需要的功能,同时保留了被删除程序的功能和鲁棒性,运行速度比以前的工具更快,并减少了专门程序的攻击面。LMCAS的运行速度分别比最先进的解压缩工具CHISEL、RAZOR和OCCAM快1500倍、4.6倍和1.2倍;实现了二进制大小减少25%;通过删除51.7%的小工具和83%的已知CVE漏洞,减少了代码重用攻击的攻击面
2021-09-06 cs.SE
Codexity: Secure AI-assisted Code Generation
本文提出集成五个LLM并利用静态分析工具反馈的代码生成框架Codexity,在751个真实漏洞样本上可防止60%的漏洞暴露给开发者。
2024-05-07 cs.SE
HyQDB: LLM-Assisted Debugging for Hybrid Quantum Workflows
Imperial College London(帝国理工学院)
针对混合量子程序故障静默发生且现有工具支持有限的问题,提出分层代理HyQDB,注入确定性证据并升级意图重建,在QFaultBench上将修复成功率从45%提升至75%。
2026-09-28 cs.SE
Detection of LLM-assisted Code Plagiarism Using k-gram Software Birthmarks
Okayama University(冈山大学);Kyoto Sangyo University(京都产业大学);Kindai University(近畿大学)
研究大语言模型辅助下代码抄袭问题,用基于Java操作码唯一k-gram的软件特征,结合三个当代大语言模型及五个相似度度量进行检测,证明其对检测此类抄袭有效。
2026-07-07 cs.SE
The Impact of AI-Assisted Development on Software Security: A Study of Gemini and Developer Experience
Ruhr University Bochum(波鸿鲁尔大学);Karlsruhe Institute of Technology(卡尔斯鲁厄理工学院);TU Braunschweig(布伦瑞克工业大学);University of Cologne(科隆大学)
研究探讨AI工具Gemini对代码安全的影响,发现编程经验显著提升安全性,无法完全被AI替代。
2026-03-17 cs.HC cs.SE
The Matthew Effect of AI Programming Assistants: A Hidden Bias in Software Evolution
City University of Hong Kong (Dongguan)(香港城市大学(东莞));The Hong Kong Polytechnic University(香港理工大学);The University of Hong Kong(香港大学);The Hong Kong University of Science and Technology(香港科技大学)
本文研究了AI编程助手对软件生态系统的影响,发现主流语言和框架因数据丰富而获得更优支持,揭示了软件演化的隐藏偏见。
2026-02-09 cs.SE
SHAPR: A Solo Human-Centred and AI-Assisted Practice Framework for Research Software Development
School of Business, University of Southern Queensland(南昆士兰大学商学院)
SHAPR框架为独立人类中心化和AI辅助的研究软件开发提供实践指导,通过整合行动设计研究原则,促进反思学习和方法论严谨性。
2026-02-12 cs.HC cs.SE
AI-Assisted Modeling: DSL-Driven AI Interactions
该研究提出DSL驱动的AI辅助建模方法,通过领域特定建模技术提升AI辅助编程的透明性,支持多模态建模与即时可视化验证,并开发了面向Lingua Franca的VS Code扩展原型以验证其有效性。
2025-09-05 cs.PL cs.SE
Learning to Program Alongside AI: Critical Thinking, AI Ethics, and Gendered Patterns of German Secondary School Students
Technical University of Darmstadt(达姆施塔特工业大学)
研究探讨德国中学学生在使用生成式AI工具编程时的批判性思维、伦理观念及性别差异,发现学生虽具伦理意识,但对AI生成代码理解不足,且性别影响其使用模式。
2026-03-27 cs.CY cs.SE
Contemporary Software Modernization: Perspectives and Challenges to Deal with Legacy Systems
本文针对遗留系统现代化方法缺乏灵活性、与当代开发脱节及从业者易受误导等问题,呼吁建立明确的软件现代化领域,并提出包含10项挑战的研究议程。
2024-07-04 cs.SE
Designing for Novice Debuggers: A Pilot Study on an AI-Assisted Debugging Tool
Singapore University of Technology and Design(新加坡科技设计大学);Singapore Management University(新加坡管理大学);Ruhr University Bochum(波鸿鲁尔大学)
本文提出AI辅助调试工具CodeHinter,结合传统调试与LLM技术帮助新手修复语义错误,实验表明其有效且易用,并强调应基于用户画像进行个性化设计。
2025-10-02 cs.CY cs.SE
Strategic Issues on Implementing a Software Process Improvement Program
软件技术对全球经济和当代社会的许多部门都有很大的影响。作为一个产品,使最多样化的日常活动,软件产品必须生产反映高品质。软件质量取决于它的开发,它是基于一个大的软件开发过程集。然而,针对软件产品的软件过程的实施和持续改进应该由软件开发组织(如软件工厂、测试工厂、V&V组织等)仔细地制度化。软件过程改进计划(SPI)等计划的制度化需要战略规划,本文从特定模型和框架的角度以及基于软件过程工程模型和标准的反思来解决这一问题。此外,还提出了一套战略驱动因素,以协助实施SPI计划的战略计划,各组织在启动此类计划之前可以考虑这些战略驱动因素。
2022-01-15 cs.SE
Cognitive Biases in LLM-Assisted Software Development
University of Southern California(南加州大学);Naval Postgraduate School(海军研究生院)
本文研究了大语言模型辅助软件开发中的认知偏差,通过混合方法分析发现LLM相关行动更易产生新型偏差,并提出15种偏差类别及缓解建议。
2026-01-12 cs.HC cs.SE
Comparative Analysis of Carbon Footprint in Manual vs. LLM-Assisted Code Development
本文以Codeforces为平台比较手动与LLM辅助开发的碳足迹,发现LLM辅助平均高出32.72,且差异与任务复杂度显著相关,并提出减排策略。
2025-05-07 cs.SE
LLM-Assisted Code Cleaning For Training Accurate Code Generators
University of California, Berkeley(加州大学伯克利分校)
本研究提出一种基于LLM的代码清理流水线,通过重命名变量、模块化分解及插入自然语言计划提升代码质量,在算法基准上微调CodeLLaMa-7B使性能提升达30%,并证明少量高质量数据优于全量原始数据。
2023-11-25 cs.LG cs.SE