Code with Me or for Me? How Increasing AI Automation Transforms Developer Workflows
首个受控研究揭示了自主coding agents如何超越copilots提升开发者生产力并改变工作流,同时指出用户理解和系统采用仍面临挑战。
2025-09-13 cs.SE
"Go Home Copilot, You're Drunk": Understanding Developer Responses to Agent-Generated Code Review Comments
University of Saskatchewan(萨斯喀彻温大学);Singapore Management University(新加坡管理大学);Monash University(蒙纳士大学)
研究开发者对智能体生成的代码审查评论的回应,分析五个智能体在342个Python仓库生成的54791条评论,探讨解决率、开发者经验及影响评论有用性的特征,发现不同智能体解决率有差异,还确定未解决评论原因及影响因素,为改进相关反馈提供见解。
2026-07-31 cs.SE
How do Copilot Suggestions Impact Developers' Frustration and Productivity?
本文提出并计划通过准实验研究检验两个对立理论:自动代码建议可能因无关建议降低有经验开发者的生产力,但可能通过减少新手陷入困境的挫败感而提升其生产力,并采用 IDE 监控、屏幕录制和生理数据测量进行验证。
2025-04-09 cs.SE
No Two Developers Think Alike: How Problem-Solving Styles and Experience Shape Needs in Conversational Interaction with Copilot
Radboud University Nijmegen(拉德堡德大学);Federal University of Technology – Paraná Campo Mourão(巴拉那联邦技术大学 - 卡莫阿乌校区);Microsoft(微软)
通过混合方法出声思考研究,识别出5种交互模式和10种需求,并建立概念模型,揭示认知多样性如何影响开发者与GitHub Copilot的交互。
2026-06-18 cs.HC cs.SE
Generative AI for Pull Request Descriptions: Adoption, Impact, and Developer Interventions
本研究采用混合方法考察了18,256个PR,发现GitHub Copilot for PRs的采用率显著上升,能缩短审查时间并提高合并率,且开发者常手动补充AI生成的描述。
2024-02-14 cs.SE
Is GitHub's Copilot as Bad as Humans at Introducing Vulnerabilities in Code?
本文从安全性角度对 Copilot 生成的代码进行实证分析,发现其引入漏洞的比例约为 33%,且行为因漏洞类型和时间而异,总体上不如人类开发者那样容易引入漏洞。
2024-01-06 cs.CR cs.SE
Developers and Generative AI: A Study of Self-Admitted Usage in Open Source Projects
Università della Svizzera italiana(瑞士意大利语大学);University of Sannio(萨尼奥大学);William & Mary(威廉与玛丽学院);JetBrains Research(JetBrains 研究)
本文研究了ChatGPT和GitHub Copilot在开源项目中的自我声明使用,通过分析GitHub提交、问题和拉取请求,构建了64种使用任务的分类体系,揭示了生成式AI在软件开发中的应用扩展和开发者认知变化。
2026-03-27 cs.SE
Assessing the Security of GitHub Copilot Generated Code -- A Targeted Replication Study
本文复制Pearce等人的研究,使用较新版本的Copilot和CodeQL检查Python代码安全漏洞,发现易受攻击代码建议占比从36.54%降至27.25%,但模型仍会建议不安全代码。
2023-11-18 cs.SE
On the Robustness of Code Generation Techniques: An Empirical Study on GitHub Copilot
软件工程研究一直关注代码完成方法的改进,这表明开发人员在编码时可能会输入下一个标记。GitHub Copilot的发布是向前迈出的一大步,也是因为它具有前所未有的能力,可以从自然语言描述中自动生成甚至整个函数。虽然Copilot的实用性是显而易见的,但它的健壮程度仍不清楚。具体地说,我们不知道在提供给模型的自然语言描述中的语义保持变化对生成的代码函数的影响程度。在本文中,我们提出了一个实证研究,我们的目的是了解不同的,但语义等价的自然语言描述是否会导致相同的推荐功能。否定的答案会对基于深度学习(DL)的代码生成器的鲁棒性提出质疑,因为这意味着开发人员使用不同的措辞来描述相同的代码将获得不同的建议。我们要求Copilot从原始Javadoc描述开始自动生成892个Java方法。然后,我们手动和自动为每种方法生成不同的语义等效描述,并分析了Copilot生成的预测变化的程度。我们的研究结果表明,修改的描述结果在不同的代码建议在~46%的情况下。此外,语义等效描述中的差异可能会影响生成代码的正确性约28%。
2023-02-01 cs.SE
SE Factual Knowledge in Frozen Giant Code Model: A Study on FQN and its Retrieval
预训练的巨型代码模型(PCM)开始进入开发人员的日常实践。了解什么类型的软件知识以及有多少软件知识被打包到PCM中是将PCM纳入软件工程(SE)任务并充分释放其潜力的基础。在这项工作中,我们对最先进的PCM CoPilot中的SE事实知识进行了第一次系统研究,重点是API的完全限定名称(FullyQualified Names,缩写为FKN),这是有效代码分析,搜索和重用的基础知识。在CSDN数据分布特性的驱动下,我们在Copilot上设计了一种新的轻量级上下文学习来进行CSDN推理,它不需要像传统方法那样进行代码编译,也不需要最近的CSDN调优来进行梯度更新.我们系统地实验了五个情境学习设计因素,以确定开发人员在实践中可以采用的最佳上下文学习配置。有了这个最佳的配置,我们调查的数量的例子提示和CNON数据属性对Copilot的CNON推理能力的影响。我们的研究结果证实,Copilot存储不同的CNON知识,并可以应用于CNON推理,由于其高推理精度和不依赖于代码分析。根据我们与Copilot互动的经验,我们讨论了在CNON推理任务中改善人类与CoPilot互动的各种机会。
2022-12-16 cs.SE
Demystifying Practices, Challenges and Expected Features of Using GitHub Copilot
通过分析 Stack Overflow 和 GitHub Discussions 的实证数据,研究了开发者使用 GitHub Copilot 的实践、挑战与期望功能,为评估该工具的双刃剑效应提供了经验基础。
2023-09-11 cs.SE
The Impact of Generative AI on Collaborative Open-Source Software Development: Evidence from GitHub Copilot
University of Texas at Austin(德克萨斯大学奥斯汀分校)
本研究探讨生成AI对开源协作开发的影响,发现GitHub Copilot提高了代码贡献和开发者参与,但增加了协调时间,揭示了AI在扩展贡献者的同时减缓协作的权衡。
2026-08-14 cs.AI cs.HC cs.SE
Analyzing Prompt Influence on Automated Method Generation: An Empirical Study with Copilot
University of Milano - Bicocca(米兰比可卡大学)
本文系统研究八种提示词特征对Copilot生成Java代码质量的影响,发现示例和方法目的摘要等特征能显著提升生成结果的正确性、复杂度、规模和相似度。
2024-02-13 cs.AI cs.SE
GitHub Copilot and Developer Productivity: An Observational Dose-Response Analysis
Microsoft(微软)
通过固定效应模型和泊松伪最大似然估计,分析 16,223 名工程师的 43 周数据,发现 GitHub Copilot 的使用强度与工程师完成的 PR 数量呈单调递增但边际递减的正相关,在控制开发努力后最高使用周比零使用周 PR 完成量增加 40.5%。
2026-05-30 cs.SE
A Study on Developer Behaviors for Validating and Repairing LLM-Generated Code Using Eye Tracking and IDE Actions
本研究通过实验室实验(28名参与者)结合眼动追踪和IDE行为数据,探究开发者验证与修复Copilot生成代码的行为,发现代码来源意识能提升性能但增加认知负荷,为设计人机协作工具提供启示。
2024-05-25 cs.HC cs.SE
Harnessing the Potential of Gen-AI Coding Assistants in Public Sector Software Development
GovTech Singapore的研究表明,GitHub Copilot使公共部门开发人员生产力提升21-28%,满意度达95%,并建议制定AI框架及根据代码机密性选择云端或自托管工具以高效利用技术。
2024-09-25 cs.SE
Copilot Arena: A Platform for Code LLM Evaluation in the Wild
针对代码大语言模型真实场景编码能力评估的难题,本文提出Copilot Arena平台,通过集成到开发者环境收集用户偏好,其包含对比界面、低延迟采样策略等,已生成450万条建议并收集11k成对判断,揭示了集成环境评估的重要性及模型排名差异等新见解。
2025-02-13 cs.SE
GazeCopilot: Evaluating Novel Gaze-Informed Prompting for AI-Supported Code Comprehension and Readability
University of Glasgow(格拉斯哥大学)
针对AI编码助手提示上下文不足问题,提出Real-time GazeCopilot方法,将实时注视指标整合到提示以适配开发者认知状态,实验表明其在代码理解准确率、时间及可读性上优于Standard Copilot,且重构效果优于Pre-set GazeCopilot。
2025-11-11 cs.HC cs.SE
Copilot for Xcode: Exploring AI-Assisted Programming by Prompting Cloud-based Large Language Models
Nanyang Technological University(南洋理工大学);City University of Hong Kong(香港城市大学)
本文提出了Copilot for Xcode,一款集成云端LLM与Xcode的AI辅助编程工具,利用NLP技术实现代码生成等功能,并通过案例研究验证了其有效性。
2023-07-08 cs.AI cs.SE
Transforming Software Development: Evaluating the Efficiency and Challenges of GitHub Copilot in Real-World Projects
Security Business Group, Cisco Systems Inc(思科系统公司安全业务集团)
本研究评估了 AI 编码助手 GitHub Copilot 在真实项目中的效率与挑战,发现其在文档和重复性任务中可节省 30-50% 时间,但在复杂和 C/C++ 代码场景下表现不佳,预计云优先生命周期整体编码时间将减少 33-36%。
2024-06-25 cs.AI cs.SE
Practices and Challenges of Using GitHub Copilot: An Empirical Study
本研究通过分析 169 个 Stack Overflow 帖子与 655 个 GitHub 讨论,实证揭示 GitHub Copilot 的使用语言、IDE、技术、功能、收益与集成挑战。
2023-04-27 cs.SE
What Makes a GitHub Issue Ready for Copilot?
École de Technologie Supérieure, Université de Québec(魁北克大学技术学院)
本文提出32条准则,通过可解释机器学习模型评估GitHub问题质量,提升Copilot合并拉取请求的可能性,模型中位AUC达72%。
2025-12-24 cs.SE
Green My LLM: Studying the key factors affecting the energy consumption of code assistants
Univ. Lille(里尔大学);CNRS(法国国家科学研究中心);Inria(法国国家信息与自动化研究所);Centrale Lille(里尔中央理工学院)
本文通过模拟20位开发者使用GitHub Copilot的场景,研究影响代码助手能耗的关键配置因素,发现并发数、模型规模、量化与流式传输等均影响能耗,并指出大量生成请求被取消,提出优化配置可显著节能。
2024-11-07 cs.AI cs.SE
Engineering Students' Usage and Perceptions of GitHub Copilot in Open-Source Projects
University of Florida(佛罗里达大学)
研究探讨了工程学生在开源项目中使用GitHub Copilot的差异,分析了性别、编程能力及AI熟悉度对使用情况的影响,发现学生更倾向于使用聊天和代码生成功能。
2026-04-12 cs.SE
Security Concerns in Generative AI Coding Assistants: Insights from Online Discussions on GitHub Copilot
Hamburg University of Technology(汉堡工业大学);University of Saskatchewan(萨斯喀彻温大学);RMIT University(皇家墨尔本理工大学)
研究分析开发者在公共论坛中提出的安全问题,识别出数据泄露、代码授权、对抗攻击和不安全代码建议等四大安全关切,揭示生成式AI在软件工程中的局限性与权衡。
2026-04-09 cs.CR cs.HC cs.SE
Understanding the Impact of AI Code Assistants on Security API Usage: An Empirical Study
Centre for Research on Engineering Software Technologies (CREST) & Adelaide University, Australia(工程软件研究技术中心(CREST)及阿德莱德大学,澳大利亚);Edith Cowan University, Australia(埃德温·考文大学,澳大利亚);CSIRO’s Data61, Australia(CSIRO数据61,澳大利亚)
该研究通过对44名开发者的实证调查,探讨人工智能代码助手对安全API使用的影响。发现GitHub Copilot虽提高功能正确性、减少不安全模式,但未显著提升安全API使用,且开发者安全意识不足,进而给出相关建议与研究方向。
2026-07-14 cs.AI cs.SE
Choose Your Programming Copilot: A Comparison of the Program Synthesis Performance of GitHub Copilot and Genetic Programming
Johannes Gutenberg University(约翰内斯·古腾堡大学)
GitHub Copilot是由大规模语言模型Codex提供支持的Visual Studio Code开发环境的扩展,为软件开发人员提供自动程序合成。该模型在深度学习领域已经得到了广泛的研究,然而,与遗传编程的比较尚未进行,遗传编程也以其在自动程序合成中的性能而闻名。在本文中,我们评估GitHub Copilot在标准程序合成基准问题上的表现,并将所取得的结果与遗传编程文献中的结果进行比较。此外,我们讨论了这两种方法的性能。我们发现这两种方法在基准测试问题上的性能相当相似,然而,与GitHub Copilot相比,基于遗传编程的程序合成方法还不够成熟,无法支持程序员进行实际的软件开发。遗传编程通常需要大量昂贵的手工标记的训练案例,并且需要花费太多的时间来生成解决方案。此外,由遗传编程方法生成的源代码通常是臃肿的并且难以理解。对于未来的工作与遗传编程的程序合成,我们建议研究人员专注于提高执行时间,可读性和可用性。
2021-11-15 cs.LG cs.NE cs.SE
A User-centered Security Evaluation of Copilot
本文对 GitHub Copilot 进行以用户为中心的安全评估,通过用户研究(n=25)发现使用 Copilot 在处理较难问题时能带来更安全的解决方案,对简单问题无影响,且对特定漏洞类型无不成比例影响,表明其具潜在安全益处但需更多研究。
2024-01-06 cs.CR cs.SE
Copilot Evaluation Harness: Evaluating LLM-Guided Software Programming
Microsoft(微软公司)
本文提出Copilot评估基准,通过静态与执行成功指标全面评估LLM在IDE中代码生成、文档、测试、修复及工作区理解等任务上的表现,为优化LLM引导的IDE提供依据。
2024-02-22 cs.AI cs.SE
Diverse End User Requirements
作为我们更大的研究工作的一部分,以提高对软件开发过程中以人为本的各种最终用户方面的支持,我们希望更好地了解开发人员目前如何在当代软件开发项目中解决其最终用户的这些具有挑战性的以人为本的方面。我们想找出软件开发人员目前发现的以人为本的关键最终用户方面,以及他们目前如何尝试解决以人为本的各种最终用户方面。我们想知道他们倾向于遇到什么样的最终用户以人为本的方面,他们认为哪些更重要,哪些更具有挑战性,他们目前使用什么技术(如果有的话)来解决这些问题,以及他们认为在这一领域可以做进一步的研究,为他们提供实际支持。为此,我们对开发人员和开发团队经理进行了详细的在线调查,收到了60份可用的回复。我们采访了12名来自不同实践领域、角色专业化和经验水平的开发人员和管理人员,以探索有关问题的更多细节。
2022-10-05 cs.SE
CodeA11y: Making AI Coding Assistants Useful for Accessible Web Development
针对新手使用 GitHub Copilot 时忽视、遗漏且无法验证无障碍要求的问题,本文提出 CodeA11y 扩展,通过合规代码建议和手动验证提醒提升 AI 辅助 Web 开发的无障碍质量。
2025-02-15 cs.HC cs.SE
AI Where It Matters: Where, Why, and How Developers Want AI Support in Daily Work
Oregon State University(俄勒冈州立大学)
本文通过研究开发者在日常工作中对AI支持的需求,揭示了AI在不同任务中的应用模式及负责任AI的优先事项。
2026-01-02 cs.HC cs.SE
Generating Java Methods: An Empirical Assessment of Four AI-Based Code Assistants
本文针对真实开源Java项目构建的100个方法数据集,比较评估了GitHub Copilot、Tabnine、ChatGPT和Google Bard四种AI代码助手,发现Copilot准确度更高,但处理类外依赖时所有助手效果均显著下降。
2024-02-14 cs.SE
From Today's Code to Tomorrow's Symphony: The AI Transformation of Developer's Routine by 2030
本文比较2024年与2030年AI辅助编程的演进,提出增强型AI工具HyperAssistant以全面支持开发,强调AI作为补充力量将开发者转变为AI驱动生态的编排者,推动软件工程效率与安全的飞跃。
2024-09-27 cs.SE
Developers' Experience with Generative AI Beyond Productivity Assessment -- Insights from an Empirical Mixed-Methods Field Study
Hasso Plattner Institute, University of Potsdam(波茨坦大学哈索·普拉特纳研究所);University of California, Irvine(加州大学尔湾分校);SAP Labs, SAP(思爱普实验室)
通过混合方法现场研究,发现开发者对生成式AI总体满意,尤其在单调重复任务中感知效率提升,但同一任务中结合代码建议与聊天提示会削弱收益,并提出基于任务特征选择交互类型的经验法则。
2026-07-10 cs.SE
Where Is Self-admitted Code Generated by Large Language Models on GitHub?
Zhejiang University(浙江大学);Xi’an Jiaotong University(西安交通大学);Wuhan University(武汉大学)
本研究通过分析 GitHub 上开发者自认使用 LLM 生成代码的注释,揭示了 ChatGPT 和 Copilot 在真实项目中的使用特征、代码规模与修改情况,为研究者和从业者提供了实证依据。
2025-11-07 cs.SE
"TODO: Fix the Mess Gemini Created": Towards Understanding GenAI-Induced Self-Admitted Technical Debt
Missouri University of Science and Technology(密苏里科技大学)
本文研究了GenAI在软件开发中导致的技术债务问题,提出GIST概念框架,分析开发者在使用AI生成代码时的自我承认行为及技术债务的产生原因。
2026-01-12 cs.SE
Does Co-Development with AI Assistants Lead to More Maintainable Code? A Registered Report
本研究通过两阶段受控实验,评估AI助手对软件可维护性的影响,采用贝叶斯分析比较完成时间、感知生产力、代码质量与测试覆盖率。
2024-08-20 cs.SE
Beyond the Prompt: Linking What Developers Ask, Do, and Understand with Coding Agents
Oregon State University, School of Electrical Engineering and Computer Science(俄勒冈州立大学电气与计算机工程学院)
本文提出“说、做、理解”工作流程,通过提示、屏幕活动和事后解释分析开发者与编程智能体的交互,并在十名开发者使用GitHub Copilot的研究中识别出四种人物画像,揭示了任务表现与理解之间的分歧。
2026-09-29 cs.SE
Assessing Consensus of Developers' Views on Code Readability
本文通过调查10名经验相近的Java开发者,评估其对代码可读性评价的共识,发现显著一致性及相关代码特征,为LLM对齐开发者可读性感知提供依据。
2024-07-04 cs.HC cs.SE
Fixing Dockerfile Smells: An Empirical Study
背景容器化技术在DevOps工作流中被广泛采用。最常用的是Docker,它要求开发人员定义一个规范文件(Dockerfile)来构建用于创建容器的镜像。编写Dockerfiles有几个最佳实践规则,但开发人员并不总是遵循它们。违反这种做法,称为Dockerfile气味,可能会对Docker映像的可靠性和性能产生负面影响。之前的研究表明,Dockerfile气味广泛传播,并且缺乏支持开发人员修复它们的自动工具。然而,目前还不清楚开发人员修复了Dockerfile的哪些气味,以及开发人员愿意在多大程度上首先修复气味。Objective.我们的探索性研究有两个目的。首先,我们想了解Dockerfiles的气味受到开发人员的更多关注,即,在开源项目的历史上更频繁地被修复。其次,我们想检查开发人员是否愿意接受旨在修复Dockerfile气味的更改(例如,由自动化工具生成),以了解他们是否关心他们。法在研究的第一部分中,我们将在由940万个独特的Dockerfiles组成的最先进的数据集上评估Dockerfile气味的生存能力。我们依靠最先进的工具(hadolint)来检测Dockerfile的气味在Dockerfiles的演变过程中消失,我们将手动分析大量此类案例,以了解开发人员是否修复了它们,以及他们是否意识到了气味。在第二部分中,我们将在一组GitHub项目中检测有异味的Dockerfi…
2022-08-19 cs.SE
Explainable Automated Debugging via Large Language Model-driven Scientific Debugging
本文提出AutoSD技术,通过大语言模型生成假设并用调试器与缺陷代码交互,使自动化调试推理对齐人类开发者,从而提供可解释的补丁生成过程,实验证明其修复效果具竞争力且能提升开发者判断准确率。
2023-04-05 cs.SE
Saltzer & Schroeder for 2030: Security engineering principles in a world of AI
本文探讨Saltzer & Schroeder安全设计原则在AI代码生成时代的演进与适应,以保障开发者使用ChatGPT等工具编写安全代码时实现安全设计。
2024-07-08 cs.SE
How do Agents Refactor: An Empirical Study
University of Alberta(阿尔伯塔大学)
通过对比86个Java项目中智能体与开发者的重构拉取请求,发现智能体重构以注释修改为主,而Cursor是唯一显著增加代码味道的模型。
2026-05-24 cs.SE
Navigate, Understand, Communicate: How Developers Locate Performance Bugs
背景:性能缺陷可能导致计算效率、功耗和用户体验方面的严重问题。定位这些bug是一项困难的任务,因为开发人员必须判断每个昂贵的操作是否需要或不需要消耗运行时。目的:我们想研究开发人员在定位性能错误时如何浏览代码,理解程序并传达检测到的问题。方法:我们进行了一项定性的用户研究,观察12名开发人员试图修复两个开源项目中记录的性能错误。开发人员使用一个概要分析和分析工具,该工具以列表表示形式直观地描述运行时信息,并嵌入到源代码视图中。结果如下:我们确定了开发人员用于查明bug的典型导航策略,例如,基于运行时消耗的方法调用。可视化和代码的集成帮助开发人员理解错误。可视化数据结构和算法的草图被证明是有价值的外部化和沟通的复杂错误的理解过程。结论:修复性能bug是一个代码理解和导航问题。基于已执行方法的灵活导航特性以及源代码和性能信息的紧密集成支持该过程。
2017-06-30 cs.SE
How Are We Doing With Using AI-Based Programming Assistants For Privacy-Related Code Generation? The Developers' Experience
本文通过调查全球 51 名专业开发者,评估 AI 编程助手生成隐私保护代码的实际表现与挑战,并提出模型、系统改进及未来研究方向。
2025-06-15 cs.SE
A Survey on How Test Flakiness Affects Developers and What Support They Need To Address It
非确定性地通过和失败的测试用例,即所谓的非确定性测试,近年来已成为软件工程研究的一个热点领域。虽然这一研究重点已经得到了一些行业的热情认可,但以前的工作主要是通过挖掘软件存储库使用以代码为中心的方法来研究片状。然而,从软件仓库中提取的数据无法告诉我们开发人员如何看待漏洞:测试漏洞在开发人员的日常工作中有多普遍,它如何影响他们,最重要的是:他们希望我们研究人员做些什么?为了回答这些问题,我们调查了335名不同领域的专业软件开发人员和测试人员。调查对象确认,艾滋病毒检测是一个普遍而严重的问题,从而加强了正在进行的艾滋病毒检测研究。开发人员不太担心重新运行测试所导致的计算成本,而更多地担心对测试结果的信任丧失。因此,他们希望有IDE插件来检测测试代码,并对问题进行更好的可视化,特别是显示测试结果的仪表板;他们还希望有更多的培训和关于剥落的信息。这些重要方面需要研究人员和工具开发人员的关注。
2022-04-08 cs.SE
Empirical Study on the Characteristics and Evolution of AI-usage in GitHub Repositories: Evidence from Code Comments
Missouri University of Science and Technology(密苏里科技大学);Drexel University(德雷塞尔大学)
通过分析35,361条提及AI的GitHub代码注释及后续提交,发现开发者主要用LLM实现代码,随后频繁重构、集成和修复,AI引用从代码生成转向知识支持和代码增强。
2026-06-05 cs.SE
What Drives and Sustains Self-Assignment in Agile Teams
自我分配,即软件开发人员选择自己的任务,是敏捷团队中的一种常见做法。但是,开发人员为什么选择某些任务尚不清楚。管理人员必须了解这些原因,以确保可持续的自我分配做法。我们调查了开发人员在为自己选择任务时的偏好。我们收集了来自25家不同软件公司的42名参与者的数据。我们应用扎根理论程序来研究和分析自我分配任务的因素,我们将其分为三类:基于任务的,基于开发人员的,基于意见的。我们发现开发人员有个人偏好,并非所有因素对每个开发人员都很重要。管理人员对所确定的因素有一些共同的和不同的看法。大多数经理希望开发人员对某些因素给予更高的优先级。开发人员经常需要在任务优先级和他们自己的个人偏好之间取得平衡,管理人员通过各种策略来促进这一点。更多规避风险的管理者鼓励基于专业知识的自我分配,以确保任务快速完成。风险平衡的管理者鼓励开发人员选择那些只有在延迟或质量降低的风险很小的情况下才能提供学习机会的任务。最后,寻求成长的经理经常鼓励团队成员选择舒适区之外的任务,以鼓励成长机会。我们的研究结果将帮助管理者了解开发人员在自我分配任务时会考虑什么,并帮助他们授权团队以可持续的方式实践自我分配。
2021-08-11 cs.SE
EcoAssist: Embedding Sustainability into AI-Assisted Frontend Development
Carnegie Mellon University(卡内基梅隆大学)
EcoAssist通过IDE分析AI生成的前端代码,估算其能耗并提出优化建议,减少网站能耗13-16%,提升开发者能源意识而不影响效率。
2026-04-06 cs.HC cs.SE
Is Secure Coding Education in the Industry Needed? An Investigation Through a Large Scale Survey
美国国土安全部估计,90%的软件漏洞可以追溯到设计和软件编码的缺陷。仅在工业控制系统中,这些漏洞的财务影响就超过3.8亿美元。由于软件开发人员编写软件,他们也会将这些漏洞引入源代码。但是,存在安全编码指南以防止软件开发人员编写易受攻击的代码。本研究的重点是人的因素,软件开发人员和安全编码,特别是安全编码指南。我们想了解软件开发人员对安全编码指南的意识和遵从性,以及为什么他们不遵从或不知道。我们的研究结果基于对安全编码指南的大规模调查,有190多名工业软件开发人员参与。我们的工作的主要贡献激励需要教育工业软件开发人员的安全编码准则,它给出了一个列表的15个可操作的项目,以供业界从业者使用。我们还公开提供原始数据以供进一步研究。
2021-02-10 cs.SE
How Developers Discuss Generative AI: A Longitudinal Study of the Visual Studio Code Community
Faculty of Engineering Kasetsart University(曼谷农业大学工程学院);Faculty of Environmental, Life, Natural Science and Technology Okayama University(冈山大学环境生命自然科学技术学部);Faculty of Digital Technology Chitralada Technology Institute(吉特拉达技术学院数字技术学院)
本研究通过分析VS Code代码库的25227个AI相关议题,发现开发者讨论生成式AI多聚焦于操作层面,而非调查强调的风险,且讨论正从代码补全向智能体开发演变,为相关研究提供了补充视角。
2026-09-07 cs.SE
CoProtector: Protect Open-Source Code against Unauthorized Training Usage with Data Poisoning
Monash University(蒙纳士大学);ShanghaiTech University(上海科技大学);University of Technology Sydney(悉尼科技大学)
Github Copilot,在数十亿行公共代码上训练,最近已经成为计算机科学研究和实践社区的流行语。虽然它旨在帮助开发人员实现具有强大智能的安全有效的代码,但实践者和研究人员对其道德和安全问题表示担忧,例如,是否应该自由地使用copyleft许可的代码,或者首先考虑使用不安全的代码进行培训?随着人工智能的快速发展,Copilot等旨在通过深度学习模型从大规模开源代码中学习知识的类似产品不可避免地会受到这些问题的严重影响。为了减轻这种影响,我们认为有必要发明有效的机制来保护开源代码不被深度学习模型利用。在这里,我们设计并实现了一个原型,CoProtector,它利用数据投毒技术来武装源代码存储库防御这种漏洞。我们的大规模实验经验表明,CoProtector可以有效地实现其目的,显著降低Copilot类深度学习模型的性能,同时能够稳定地揭示秘密嵌入的水印后门。
2022-02-14 cs.AI cs.CR cs.SE
A Large-Scale Survey on the Usability of AI Programming Assistants: Successes and Challenges
Carnegie Mellon University(卡内基梅隆大学)
本文通过对410名开发者的调查,揭示了AI编程助手在减少按键、加速任务完成和语法回忆方面的成功,以及其在满足功能需求和控制生成输出方面的可用性挑战,并为设计低认知负担的交互提供了启示。
2023-09-17 cs.AI cs.HC cs.SE