Mesa de la izquierda Abstracto y 1a Introducción Contexto, métodos y tareas Resultados mixtos 3.1.2 Calidad y productividad 3.3. aprendizaje y 3.4 Costos Los moderadores 4.1 Tipos de tareas y complejidad 4.2 Compatibilidad 4.3 Comunicación 4.4 Colaboración 5.3 Logística Discusión y futuro trabajo LLM, tu programa de pareja? LLM, un mejor programa de pareja? 5.3 LLM, el programa de los estudiantes PAIr? Conclusión, reconocimientos y referencias 5.2 LLM, un mejor programa de pareja? Como se revisó en la Sección 3, la literatura anterior ha explorado una variedad de medidas para evaluar diferentes aspectos de la programación de pareja humano-humano, mientras que la exploración actual en la programación de pareja humano-AI es bastante limitada. Murillo y D’Angelo [54] han propuesto métricas de evaluación para los asistentes creativos de escritura de código basados en LLM en ingeniería de software. Más trabajos podrían utilizar medidas más válidas en la literatura de programación de pareja humano-humano para explorar cómo ayudar mejor a los humanos y los asistentes de programación de IA basados en LLM a colaborar juntos. También sería interesante tener una configuración de estudio con tres condiciones - humano-humano, humano-AI y humano solo - trabajando en la misma tarea. La literatura anterior sugirió algunos factores clave en el éxito de la programación de pareja humano-humano, como se resume en la Tabla 1. Estos moderadores que causan desafíos para la programación de pareja humano-humano pueden dar oportunidades para explorar en la programación de pareja humano-AI (Tabla 2). Por ejemplo, la autoeficacia puede conducir a una diferencia en la satisfacción [81] y el género puede conducir a una diferencia en el aprendizaje [47], ¿los moderadores de compatibilidad también influyen en el PAI? ¿Podemos mejorar los resultados del PAI utilizando insights derivados de la literatura humano-humano (por ejemplo, simular a un socio de AI con niveles de autoeficacia similares y el mismo género)? Por lo tanto, en general, podemos hacer las siguientes preguntas para futuras obras: ¿Podrían estos factores ser implementados para la programación de pareja humano-AI? ¿podrían hacer que la programación de pareja humano-AI sea más efectiva, menos efectiva, o no tengan influencia, y por qué? Como sabemos de la literatura de programación de pareja humano-humano, una buena tarea colaborativa de la complejidad correcta es importante, pero crear o elegir tales tareas puede ser difícil. Mientras tanto, los LLM ayudan a los educadores a generar de manera eficiente materiales instructivos como preguntas [85], preguntas-respuestas [40], comentarios [20] y pistas [61], que podrían ser de calidad similar al contenido escrito por humanos. También hay trabajos que sugirieron el éxito preliminar en el uso de LLM para descomponer problemas en subcuestiones [78]. Por lo tanto, basándose en la comprensión de la literatura de programación de pareja humano-humano y las capacidades conocidas de LLM, hay una pregunta abierta para explorar en la programación de AI p-humano: ¿puede el LLM ser configurado para generar Tipos de tareas y complejidad. - Expertise. En términos de la experiencia del factor de compatibilidad, la literatura de programación de pareja sugiere que la combinación de socios con un nivel similar de experiencia puede ser la mejor en promover la productividad y el aprendizaje [5, 16, 31]. Estudios de evaluación muestran que los modelos basados en GPT3 pueden ser un estudiante por encima de la media en una clase CS1 [22, 68] y su rendimiento se empeora cuando el código se vuelve más complicado [89]. GPT4 hace aún mejor en la solución de problemas de programación introductoria y básica (aunque su corrección todavía no es comparable a un desarrollador en la práctica) [14]. También podemos generar intencionadamente errores y dejar que los modelos cometan errores [38], por lo que potencialmente podemos crear un socio de IA con un nivel de habilidad similar a los estudiantes nov Compatibilidad Los investigadores han explorado cómo permitir que los LLMs generen interacción basada en una persona diseñada y replicen razonablemente el comportamiento humano [1, 34], y en la educación, Cao [15] permiten que los LLMs interactúen con los estudiantes mientras juegan roles como diferentes personajes ficticios para ayudar a reducir la ansiedad de los estudiantes y aumentar la motivación. Hay posibilidades de personalizar a un socio de IA con diferentes rasgos de personalidad o los otros factores de compatibilidad de pareja como el género, la etnia y la autoestima que Salleh et al. [70] propusieron. Potencialmente, puede ser usado para aumentar la motivación y / o el compromiso de los programadores, pero cuán útil es para la programación de pareja humana de IA aún no se ha examinado. Otros factores de compatibilidad. Para la comunicación, conocemos el aspecto social de una materia de conversación [17] y que algunos tipos de discurso podrían ser más eficaces para facilitar el desgaste [55] en la programación de pareja humano-humano. Por lo tanto, dado que las herramientas basadas en LLM como ChatGPT son capaces de simular la interacción social, sería interesante explorar si LLM puede soportar diferentes tipos de comunicación, los diferentes componentes de la comunicación pueden replicarse en un asistente de programación basado en LLM, y si es eficaz o no. Comunicación En términos de colaboración, se informa con frecuencia que la creación de una colaboración suave es un reto tanto en la industria [11] como en el contexto educativo [57, 87]. Dado que el problema de los conductores libres reduce la efectividad de la programación de pareja [57] y el intercambio regular de roles alivia potencialmente la carga cognitiva del conductor y asegura resultados de aprendizaje equilibrados [5, 83], sería interesante explorar si la IA basada en LLM puede configurarse para evitar el exceso de ayuda, soportar el intercambio de roles y cómo apoyar mejor a la pareja humana-IA para colaborar. Colaboración Logísticamente, el uso de Copilot como socio de programación puede tener la ventaja especial de evitar la logística de programación, pero también hay preocupaciones de responsabilidad que deben abordarse [12, 22]. En general, habrá riesgos éticos e implicaciones sociales del uso de la IA en programación en pareja en el lugar de trabajo y en contextos educativos, que necesitan un examen más profundo en futuras obras. Logística 
 
 
 
 
 Los autores: (1) Qianou Ma (autor correspondiente), Universidad Carnegie Mellon, Pittsburgh, Estados Unidos (qianouma@cmu.edu); (2) Tongshuang Wu, Universidad Carnegie Mellon, Pittsburgh, Estados Unidos (sherryw@cs.cmu.edu); (3) Kenneth Koedinger, Universidad Carnegie Mellon, Pittsburgh, Estados Unidos (koedinger@cmu.edu). Authors: (1) Qianou Ma (autor correspondiente), Universidad Carnegie Mellon, Pittsburgh, Estados Unidos (qianouma@cmu.edu); (2) Tongshuang Wu, Universidad Carnegie Mellon, Pittsburgh, Estados Unidos (sherryw@cs.cmu.edu); (3) Kenneth Koedinger, Universidad Carnegie Mellon, Pittsburgh, Estados Unidos (koedinger@cmu.edu). 
 
 Este artículo está disponible en archiv bajo la licencia CC BY-NC-SA 4.0 DEED. Este artículo está disponible en archiv bajo la licencia CC BY-NC-SA 4.0 DEED. Disponible en Archivo

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

Pair Programming AI Agent 

undefined's blog

Este audio es producido en el idioma original de la historia!

Cuando tu pareja de programadores es un bot con límites

About Author

COMENTARIOS

ETIQUETAS

ESTE ARTÍCULO FUE PRESENTADO EN

Related Stories

Creación de productos criptográficos centrados en el usuario: la importancia de los comentarios de los clientes

Aumente su productividad con estas 18 herramientas para desarrolladores 🚀🔥

Toque para ganar: Telegram puede incorporar a los próximos 10 mil millones de usuarios de criptomonedas antes de Solana

La fuga rápida del sistema Claude Sonnet 3.5: un análisis forense

Creación de productos criptográficos centrados en el usuario: la importancia de los comentarios de los clientes

Aumente su productividad con estas 18 herramientas para desarrolladores 🚀🔥

Toque para ganar: Telegram puede incorporar a los próximos 10 mil millones de usuarios de criptomonedas antes de Solana

La fuga rápida del sistema Claude Sonnet 3.5: un análisis forense

Light-Mode

Classic

Newspaper

Minty

Dark-Mode

Neon Noir

Minty

HN StartUps