Bord til venstre Abstract og 1. introduktion Kontekster, metoder og opgaver Blandede resultater 3.2 Kvalitet og produktivitet 3.3 Uddannelse og omkostninger Moderatørerne 4.1 Opgavetyper og kompleksitet 4.2 Kompatibilitet 4.3 Kommunikation 4.4 Samarbejde 5.4 Logistik Diskussion og fremtidigt arbejde LLM, din par programmerer? 5.2 LLM, en bedre par programmerer? 5.3 LLM, studerendes PAIr Programmer? Konklusioner, anerkendelser og referencer 4.3 Kommunikation Ifølge Freudenberg et al. [24], "nøglen til succesen af parprogrammering [er] spredning af tale på et mellemliggende niveau af detaljer i parprogrammerers samtaler." Forskere fandt også, at parprogrammering eliminerer distraherende aktivitet og gør det muligt for programmører at fokusere på produktiv aktivitet [75], hvilket kan være grunden til at engagerende kommunikation bidrager til succesen af parprogrammering. Murphy et al. [55] brugte transaktiv analyse til at bryde kommunikation af forskellige typer transaktioner, og de fandt, at forsøge flere problemer forbundet med flere færdiggørelse transaktioner og debugging succes korreleret med mere kritiske transaktioner. I menneske-AI-parprogrammering bruger programmører omkring en tredjedel af tiden primært på kommunikation [65], hvilket tvinger dem til at koncentrere, rationalisere og forklare deres tanker [31, 75]. I menneske-AI-parprogrammering har Mozannar et al. [53] vist, at en analog 1/3 mængde tid bruges på at kommunikere med Copilot, såsom at tænke og verificere (22,4%) Copilot's forslag, som kan være at replikere selvforklaringseffekterne på nogle måder, og prompt crafting, som tager 11.56% af tiden. Disse aktiviteter er argumenteret bestræbelser på at forstå og kommunikere med Copilot. 4.4 Samarbejde Hvor godt partnere samarbejder har været vigtige faktorer, der påvirker par programmering effektivitet [4, 79], og samarbejdsadfærd og positiv indbyrdes afhængighed er nøglen til par programmering succes [67]. Samarbejdet kan mislykkes på forskellige måder i et menneske-menneske-par. For eksempel er freerider-problemet, hvor hele arbejdsbyrden er på en partner, mens den anden forbliver en marginal spiller, kan resultere i mindre tilfredshed og læring [57, 87]. I menneske-AI-par programmering er pædagoger bekymrede for, at let tilgængelige kode-generering værktøjer kan føre til bedrageri, og over-afhængighed af AI kan hindre eleverne i at lære [10]. Der er dog ingen undersøgelse, der formelt har evalueret det. For menneske-menneske-par programmering er der et foreslået samarbejdsmønster af rolleskifte - to softwareudviklere periodisk og regelmæssigt skifte mellem at skrive kode (driver) og foreslå kode (navigator), med det formål at sikre, at begge er involveret i opgaven og lindre den fysiske og kognitive belastning båret af føreren [5, 65]. Nogle forskere Freudenberg et al. [24] hævder, at succesen med parprogrammering bør tilskrives kommunikation snarere end "forskellene i adfærd eller fokus mellem føreren og navigatoren", da de fandt, at både føreren og navigatoren arbejdede på lignende niveauer af abstraktion. I menneske-AI-interaktion, i betragtning af Copilots fantastiske evne til at skrive kode på forskellige sprog, har nogle argumenteret for, at Copilot kan påtage sig rollen som "driveren" i parprogrammering, så en solo-programmerer kan påtage sig rollen som "navigatoren" og fokusere på at forstå koden på et højere niveau [35]. 4.5 Logistik Logistiske udfordringer, herunder planlægning vanskeligheder, undervisning og evaluering af samarbejde for parret, og finde ud af individuel ansvarlighed og ansvarlighed [11, 67], kan tilføje til ledelsesomkostningerne for menneske-menneske par programmering [4, 79]. I menneske-AI-parprogrammering kan nogle argumentere for, at mennesket udelukkende er ansvarlig i menneske-AI-paret [72], men ansvarlighed for disse LLM-baserede generative AI er stadig under debat [10]. Der kan være nye logistiske spørgsmål for menneske-AI-paret, såsom at lære mennesker, hvordan man bedst samarbejder med Copilot. Der kan også være unikke udfordringer som i ethvert menneske-AI-interaktionsscenario, såsom bias, tillid og tekniske begrænsninger - meget at udforske. : Human-human par programmering litteratur har fundet moderatorer herunder   , der , der , der og Der er imidlertid en mangel på dybdegående undersøgelse af potentielle modererende virkninger i nuværende pAIr-arbejde. Sammendrag Arbejdstype & Kompleksitet Kompatibilitet Kommunikation Samarbejde Logistik 
 
 
 
 
 Forfattere af: (1) Qianou Ma (korresponderende forfatter), Carnegie Mellon University, Pittsburgh, USA (qianouma@cmu.edu) (2) Tongshuang Wu, Carnegie Mellon University, Pittsburgh, USA (sherryw@cs.cmu.edu) (3) Kenneth Koedinger, Carnegie Mellon University, Pittsburgh, USA (koedinger@cmu.edu). Authors: (1) Qianou Ma (korresponderende forfatter), Carnegie Mellon University, Pittsburgh, USA (qianouma@cmu.edu) (2) Tongshuang Wu, Carnegie Mellon University, Pittsburgh, USA (sherryw@cs.cmu.edu) (3) Kenneth Koedinger, Carnegie Mellon University, Pittsburgh, USA (koedinger@cmu.edu). 
 
 Denne artikel er tilgængelig på arkiv under CC BY-NC-SA 4.0 DEED licens. Dette papir er Under CC BY-NC-SA 4.0 DEED licens. Tilgængelig i arkivet Tilgængelig i arkivet

Part of HackerNoon's growing list of open-source research papers, promoting free access to academic material.

Pair Programming AI Agent 

undefined's blog

Denne lyd er produceret på historiens originalsprog!

Brud ned på menneske-AI-par programmering erfaring

About Author

KOMMENTARER

HÆNG TAGS

DENNE ARTIKEL BLEV PRÆsenterET I

Related Stories

Meet Sentry: HackerNoon Company of the Week

Avoid These Mistakes to Monetize Internet Products Profitably

Meet Tailscale: HackerNoon Company of the Week

Meet IONOS: HackerNoon Company of the Week

Meet Sentry: HackerNoon Company of the Week

Avoid These Mistakes to Monetize Internet Products Profitably

Meet Tailscale: HackerNoon Company of the Week

Meet IONOS: HackerNoon Company of the Week

Light-Mode

Classic

Newspaper

Dark-Mode

Neon Noir

Minty

HN StartUps