Table Of Links Tisch links Abstrakte 1 Introduction 1 Einführung 2 Data Collection 2 Datenerhebung 3 RQ1: What types of software engineering inquiries do developers present to ChatGPT in the initial prompt? 3 RQ1: Welche Arten von Software-Engineering-Anfragen stellen Entwickler in der ersten Anfrage ChatGPT vor? 4 RQ2: How do developers present their inquiries to ChatGPT in multi-turn conversations? 4 RQ2: Wie stellen Entwickler ihre Anfragen in Multi-Turn-Konversationen an ChatGPT vor? 5 RQ3: What are the characteristics of the sharing behavior? 5 RQ3: Was sind die Merkmale des Sharing-Verhaltens? 6 Discussions 6 Diskussionen 7 Threats to Validity 7 Bedrohungen für die Gültigkeit 8 Related Work 8 Verwandte Arbeiten 9 Conclusion and Future Work 9 Schlussfolgerungen und künftige Arbeiten References Referenzen Schlussfolgerung und zukünftige Arbeiten In diesem Papier untersuchen wir die Rolle von ChatGPT in der kollaborativen Codierung, indem wir die gemeinsamen Gespräche der Entwickler mit ChatGPT in GitHub-Traganfragen und -problemen analysieren und die DevGPT-Datenbank nutzen. Unsere wichtigsten Erkenntnisse umfassen: (1) Entwickler suchen die Hilfe von ChatGPT bei 16 Arten von Software-Engineering-Anfragen. In Code-Generierung und Problemlösungsaufgaben gehen Entwickler oft über die herkömmlichen Eingaben von Textbeschreibungen oder Buggy-Code hinaus, die Standard-Benchmarks für FMs bei Code-Generierung und Programmreparatur sind. Diese Methoden werden eingesetzt, um die Qualität und Relevanz der ChatGPT-Antworten allmählich zu verbessern. (4) Entwickler mit unterschiedlichen Rollen wie Herausgeber, PR-Autoren und Code-Reviewer nutzen gemeinsame Gespräche mit ChatGPT, um ihre rollenspezifischen Beiträge zu ergänzen. Wir planen auch, zu untersuchen, ob die bestehenden Best Practices für Soforttechnik in den gesammelten gemeinsamen Gesprächen angewendet wurden und ob ihre Anwendung den Fluss von Multi-Turn-Gesprächen beeinflussen wird. Acknowledgements Wir begrüßen die Unterstützung des Natural Sciences and Engineering Research Council of Canada (NSERC), [Finanzierungsreferenznummer: RGPIN-2019-05071]. Conflict of Interest Die Autoren erklären, dass sie keinen Interessenkonflikt haben. Data Availability Statements Die Ergebnisse, der Quellcode und die mit dieser Studie verbundenen Daten sind unter https verfügbar: //github.com/RISElabQueens/analyzing-shared-conversation Referenzen Arya D, Wang W, Guo JL, Cheng J (2019) Analyse und Erkennung von Informationstypen von Open-Source-Software-Ausgabe Diskussionen. In: 2019 IEEE/ACM 41st International Conference on Software Engineering (ICSE), IEEE, pp 454–464 Baltes S, Treude C, Robillard MP (2020) Kontextdokumentation Referenzierung auf Stack Overflow. IEEE Transactions on Software Engineering 48(1):135-149 Barke S, James MB, Polikarpova N (2023) Grounded copilot: How programmers interact with code-generating models. Proceedings of the ACM on Programming Languages 7(OOPSLA1):85–111 Beyer S, Macho C, Di Penta M, Pinzger M (2020) Welche Fragen stellen Entwickler zu Stack Overflow? ein Vergleich von automatisierten Ansätzen, um Beiträge in fragliche Kategorien zu klassifizieren. Chen M, Tworek J, Jun H, Yuan Q, Pinto HPdO, Kaplan J, Edwards H, Burda Y, Joseph N, Brockman G, et al. (2021) Bewertung großer Sprachmodelle, die auf Code ausgebildet sind. arXiv Preprint arXiv:210703374 Deng Y, Xia CS, Yang C, Zhang SD, Yang S, Zhang L (2024) Große Sprachmodelle sind Edge-Case-Generatoren: Erstellen von ungewöhnlichen Programmen zur Fusionierung von Deep Learning-Bibliotheken. in: Proceedings of the 46th IEEE/ACM International Conference on Software Engineering, pp 1–13 Di Sorbo A, Panichella S, Visaggio CA, Di Penta M, Canfora G, Gall HC (2015) Entwicklungs-E-Mails Content Analyzer: Intention Mining in Developer Discussions (t). In: 2015 30. IEEE/ACM International Conference on Automated Software Engineering (ASE), IEEE, S. 12–23 Gagniuc PA (2017) Markov-Ketten: von der Theorie bis zur Implementierung und zum Experimentieren. G ́omez C, Cleary B, Singer L (2013) Eine Studie über Innovationsdiffusion durch Link-Sharing auf Stack-Overflow. In: 2013 10. Arbeitskonferenz zu Mining Software Repositories (MSR), IEEE, Seite 81–84 Guo Q, Cao J, Xie X, Liu S, Li X, Chen B, Peng X (2024) Exploring the potential of chatgpt in automated code refinement: An empirical study. in: Proceedings of the 46th IEEE/ACM International Conference on Software Engineering, pp 1–13 Hata H, Treude C, Kula RG, Ishio T (2019) 9,6 Millionen Links in Quellcode-Kommentaren: Zweck, Evolution und Zerfall. In: 2019 IEEE/ACM 41st International Conference on Software Engineering (ICSE), IEEE, pp 1211–1221 Hata H, Novielli N, Baltes S, Kula RG, Treude C (2022) Github Diskussionen: Eine erforschende Studie über die frühe Annahme. Hou X, Zhao Y, Liu Y, Yang Z, Wang K, Li L, Luo X, Lo D, Grundy J, Wang H (2023) Große Sprachmodelle für Software-Engineering: Eine systematische Literaturübersicht. arXiv Preprint arXiv:230810620 Huang Q, Xia X, Lo D, Murphy GC (2018) Automatisierung des Absichts-Mining. IEEE Transaktionen über Software Engineering 46(10):1098–1119 Jiang N, Liu K, Lutellier T, Tan L (2023) Auswirkungen von Code-Sprachmodellen auf die automatisierte Reparatur von Programmen. In: Proceedings of the 45th International Conference on Software Engineering, IEEE Press, ICSE ’23, p 1430–1442, DOI 10.1109/ICSE48619.2023.00125, URL https://doi.org/ 10.1109/ICSE48619.2023.00125 Landis JR, Koch GG (1977) Die Messung der Beobachtervereinbarung für kategorische Daten. biometrics pp 159–174 Li L, Ren Z, Li X, Zou W, Jiang H (2018) Wie sind Emissionseinheiten miteinander verbunden? empirische Studie zum Verknüpfungsverhalten in github. In: 2018 25. Asia-Pacific Software Engineering Conference (APSEC), IEEE, pp. 386–395 Liang JT, Yang C, Myers BA (2024) Eine groß angelegte Umfrage zur Benutzerfreundlichkeit von AI-Programmierassistenten: Erfolge und Herausforderungen. in: Proceedings of the 46th IEEE/ACM International Conference on Software Engineering, pp 1–13 Liu J, Xia X, Lo D, Zhang H, Zou Y, Hassan AE, Li S (2021) Verletzte externe Links auf Stack Overflow. Liu J, Zhang H, Xia X, Lo D, Zou Y, Hassan AE, Li S (2022) Eine erforschende Studie über die wiederholt geteilten externen Links auf Stack-Overflow. Lu J, Yu L, Li X, Yang L, Zuo C (2023) Llama-Reviewer: Advancing code review automation with large language models through parameter-efficient fine-tuning. In: 2023 IEEE 34th International Symposium on Software Reliability Engineering (ISSRE), IEEE, pp 647658 Mozannar H, Bansal G, Fourney A, Horvitz E (2022) Lesen zwischen den Zeilen: Modellieren des Benutzerverhaltens und der Kosten in der ai-assistierten Programmierung. arXiv Preprint arXiv:221014306 Nijkamp E, Pang B, Hayashi H, Tu L, Wang H, Zhou Y, Savarese S, Xiong C (2022) Codegen: Ein offenes großes Sprachmodell für Code mit Multi-Turn-Programmsynthese. Nurwidyantoro A, Shahin M, Chaudron MR, Hussain W, Shams R, Perera H, Oliver G, Whittle J (2022) menschliche Werte in Softwareentwicklungsartefakten: Eine Fallstudie zu Themendiskussionen in drei Android-Anwendungen. OpenAI (2024a) ChatGTP Gemeinsame Links FAQ. URL https://help.openai. com/en/articles/7925741-chatgpt-shared-links-faq, zugegriffen: 2024- 01-23 OpenAI (2024b) Erstellen Sie einen gemeinsamen Link. URL https://help.openai.com/en/ articles/7943611-create-a-shared-link, aufgerufen: 2024-01-23 Qu C, Yang L, Croft WB, Zhang Y, Trippas JR, Qiu M (2019) Benutzerabsichtsprognose in Informationsgesprächen. in: Proceedings of the 2019 Conference on Human Information Interaction and Retrieval, pp 25–33 Rosen C, Shihab E (2016) Was fragen mobile Entwickler? eine groß angelegte Studie mit Stack-Overflow. Ross SI Martinez F, Houde S, Muller M, Weisz JD (2023) Der Assistant des Programmierers: Gesprächsinteraktion mit einem großen Sprachmodell für die Softwareentwicklung In: Proceedings of the 28th International Conference on Intelligent User Interfaces, pp. 491–514 Shi L, Chen X, Yang Y, Jiang H, Jiang Z, Niu N, Wang Q (2021) Ein erster Blick auf den Live-Chat der Entwickler auf dem Gitter. in: Protokoll der 29. ACM Joint Meeting on European Software Engineering Conference und Symposium on Foundations of Software Engineering, S. 391–403 Siddiq ML, Santos J, Tanvir RH, Ulfat N, Rifat FA, Lopes VC (2023) Exploring the effectiveness of large language models in generating unit tests. arXiv preprint arXiv:230500418 Treude C, Barzilay O, Storey MA (2011) Wie stellen und beantworten Programmierer Fragen im Web? in: Proceedings of the 33rd International Conference on Software Engineering, pp 804–807 Vaithilingam P, Zhang T, Glassman EL (2022) Erwartung vs. Erfahrung: Bewertung der Nutzbarkeit von Code-Generierungswerkzeugen, die von großen Sprachmodellen angetrieben werden. in: Chi-Konferenz über menschliche Faktoren in Computersystemen erweiterte Abstracts, S. 1–7 Viviani G, Famelis M, Xia X, Janik-Jones C, Murphy GC (2019) Latente Designinformationen in Entwicklerdiskussionen finden: Eine Studie über Pull-Anfragen. Wan Z, Xia X, Hassan AE (2019) Was wird über Blockchain diskutiert? eine Fallstudie zur Verwendung von ausgewogenen LDA und der Referenzarchitektur einer Domain zur Erfassung von Online-Diskussionen über Blockchain-Plattformen in den Stack-Börsengemeinschaften. Wang D, Xiao T, Thongtanunam P, Kula RG, Matsumoto K (2021) Verständnis der geteilten Links und ihre Absichten, die Informationsbedürfnisse in der modernen Code-Review zu erfüllen: Eine Fallstudie der OpenStack- und QT-Projekte. Wang X, Chen Y, Yuan L, Zhang Y, Li Y, Peng H, Ji H (2024) Ausführbare Codeaktionen erzeugen bessere llm-Agenten. arXiv Preprint arXiv:240201030 Xiao T, Baltes S, Hata H, Treude C, Kula RG, Ishio T, Matsumoto K (2023) 18 Millionen Links in Kommissionsnachrichten: Zweck, Evolution und Zerfall. Xiao T, Treude C, Hata H, Matsumoto K (2024) Devgpt: Studieren von Entwicklergesprächen. in: Verfahren der Internationalen Konferenz über Mining Software Repositories (MSR 2024) Ye D, Xing Z, Kapre N (2017) Die Struktur und Dynamik des Wissensnetzwerks in Domainspezifischen Q&A-Sites: eine Fallstudie über Stack-Overflow. Zampetti F, Ponzanelli L, Bavota G, Mocci A, Di Penta M, Lanza M (2017) Wie Entwickler Dokumentanfragen mit externen Referenzen ziehen In: 2017 IEEE/ACM 25. Internationale Konferenz zum Programmverständnis (ICPC), IEEE, S. 23–33 Zhang B, Liang P, Zhou X, Ahmad A, Waseem M (2023) Praktiken und Herausforderungen bei der Verwendung von GitHub-Copilot: Eine empirische Studie. arXiv Preprint arXiv:230308733 Zhang T, Gao C, Ma L, Lyu M, Kim M (2019) Eine empirische Studie über gemeinsame Herausforderungen bei der Entwicklung von Deep Learning-Anwendungen.In: 2019 IEEE 30. Internationales Symposium zum Thema Software-Reliability Engineering (ISSRE), IEEE, Seite 104–115 Zhang Y, Yu Y, Wang H, Vasilescu B, Filkov V (2018) Inside-ecosystem issue linking: a large-scale study of rails. in: Proceedings of the 7th international workshop on software mining, pp 12–19 Ziegler A, Kalliamvakou E, Li XA, Rice A, Rifkin D, Simister S, Sittampalam G, Aftandilian E (2022) Produktivitätsbewertung der Neuralcode-Erledigung. in: Proceedings of the 6th ACM SIGPLAN International Symposium on Machine Programming, pp 21–29 
 
 
 Autoren 
 
 
 
 
 
 
 
 Huizi Hao Kazi Amit Hasan Hong Qin von Marcos Macedo Yuan Tian von Steven H. H. Ding von Ahmed E. Hassan Authors 
 
 
 
 
 
 
 
 Huizi Hao Kazi Amit Hasan Hong Qin von Marcos Macedo Yuan Tian von Steven H. H. Ding von Ahmed E. Hassan 
 
 Dieses Dokument ist unter der Lizenz CC BY-NC-SA 4.0 verfügbar. Dieses Dokument ist unter der Lizenz CC BY-NC-SA 4.0 verfügbar. xiv

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

AI Models on HackerNoon

Dieses Audio ist in der Originalsprache der Geschichte produziert!

Was Entwickler beim Schreiben von Code nach ChatGPT fragen

About Author

KOMMENTARE

Hängeetiketten

DIESER ARTIKEL WURDE VORGESTELLT IN

Related Stories

Genuine Content Creation in the Age of AI: Why Startups Need Quality Content

HackerNoon Decoded 2024: Celebrating Our Cybersecurity Community!

HackerNoon Decoded 2024: Celebrating Our Life Hacking Community!

HackerNoon Decoded 2024: Wir feiern die Community unserer Technologieunternehmen!

Genuine Content Creation in the Age of AI: Why Startups Need Quality Content

HackerNoon Decoded 2024: Celebrating Our Cybersecurity Community!

HackerNoon Decoded 2024: Celebrating Our Life Hacking Community!

HackerNoon Decoded 2024: Wir feiern die Community unserer Technologieunternehmen!

Light-Mode

Classic

Newspaper

Dark-Mode

Neon Noir

Minty

HN StartUps