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 4.3 Comunicación Según Freudenberg et al. [24], “la clave para el éxito de la programación en pareja [es] la proliferación de la conversación a un nivel intermedio de detalle en las conversaciones de los programadores en pareja.” Los investigadores también encontraron que la programación en pareja elimina la actividad distractora y permite a los programadores centrarse en la actividad productiva [75], lo que podría ser por lo que las comunicaciones involucradas contribuyen al éxito de la programación en pareja. Murphy et al. [55] usaron el análisis transactivo para descomponer la comunicación por diferentes tipos de transacciones, y encontraron que intentar más problemas asociados con más transacciones de finalización y el éxito de descifrado se correlaciona con transacciones más críticas. En la programación de pareja humano-humano, los programadores pasan aproximadamente un tercio del tiempo principalmente centrándose en la comunicación [65], lo que les obliga a concentrarse, racionalizar y explicar sus pensamientos [31, 75]. En la programación de pareja humano-AI, Mozannar et al. [53] han demostrado que una cantidad similar de 1/3 del tiempo se pasa comunicando con Copilot, como pensar y verificar (22,4%) la sugerencia de Copilot, que puede estar replicando los efectos de auto-explicación de alguna manera, y el crafting rápido, que toma el 11.56% del tiempo. Estas actividades son discutiblemente esfuerzos para comprender y comunicarse con Copilot. Sin embargo, no hay otro humano para co-verificar las respuestas, y no hay estudio que evalúe la naturaleza comunicativa de la interacción humano- 4.4 Colaboración Cómo bien colaboran los socios han sido factores importantes que afectan a la eficacia de la programación en pareja [4, 79], y el comportamiento cooperativo y la interdependencia positiva son clave para el éxito de la programación en pareja [67]. La colaboración puede fallar de varias maneras en una pareja humano-humano. Por ejemplo, el problema del conductor libre, donde toda la carga de trabajo está en un socio mientras que el otro sigue siendo un jugador marginal, puede resultar en menos satisfacción y aprendizaje [57, 87]. En la programación de pareja humano-AI, los educadores se preocupan de que las herramientas de generación de código fácilmente disponibles puedan conducir a el engaño, y la dependencia excesiva en la IA puede obstaculizar el aprendizaje de los estudiantes [10]. Sin embargo, ningún estudio lo ha evaluado formalmente. Para la programación de pareja humano-humano, existe un patrón de colaboración sugerido de intercambio de roles: dos desarrolladores de software intercambian periódicamente y regularmente entre escribir código (driver) y sugerir código (navigador), con el objetivo de asegurarse de que ambos estén involucrados en la tarea y aliviar la carga física y cognitiva que soporta el conductor [5, 65]. Algunos investigadores Freudenberg et al. [24] argumentan que el éxito de la programación en pareja debe atribuirse a la comunicación en lugar de "las diferencias en el comportamiento o en el enfoque entre el conductor y el navegador", ya que encontraron que tanto el conductor como el navegador trabajaron en niveles similares de abstracción. En la interacción humano-IA, dada la increíble capacidad de Copilot para escribir código en diferentes idiomas, algunos han argumentado que Copilot puede asumir el papel del “driver” en la programación en pareja, permitiendo a un programador solo asumir el papel del “navigador” y centrarse en comprender el código en un nivel superior [35]. sin embargo, mientras que es posible para los humanos descargar algunos detalles de búsqueda de API y sintaxis a Copilot, los humanos todavía necesitan saltar de nuevo al asiento del conductor con frecuencia y con fluidez entre las actividades de pensamiento y escritura [53]. 4.5 Logística Los desafíos logísticos, incluyendo la planificación de las dificultades, la enseñanza y la evaluación de la colaboración para la pareja, y la determinación de la responsabilidad y responsabilidad individuales [11, 67], pueden agregar al coste de gestión de la programación de pareja humano-humano [4, 79]. En la programación de pareja humano-AI, algunos pueden argumentar que el humano es el único responsable en la pareja humano-AI [72], pero la responsabilidad de estos AI generativos basados en LLM todavía está bajo debate [10]. Pueden existir nuevos problemas logísticos para la pareja humano-AI, como enseñar a los humanos cómo colaborar mejor con Copilot. También podrían existir desafíos únicos como en cada escenario de interacción humano-AI, como bias, confianza y limitaciones técnicas - mucho que explorar. Se necesitaría más estudio para verificar empíricamente y experimentalmente los efectos moderadores de las diferentes variables en la programación de pareja humano-AI. La literatura de programación de pareja humano-humano ha encontrado moderadores incluidos   , de , de , de , y Sin embargo, hay una falta de examen en profundidad de los posibles efectos moderantes en los trabajos actuales de pAIr. Resumen Tipo de trabajo & Complejidad Compatibilidad Comunicación Colaboración 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 documento es bajo la licencia CC BY-NC-SA 4.0 DEED. available on arxiv 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!

Desarrollar la experiencia de programación de pareja humano-AI

About Author

COMENTARIOS

ETIQUETAS

ESTE ARTÍCULO FUE PRESENTADO EN

Related Stories

La guía completa para una migración exitosa a la nube: estrategias y mejores prácticas

Las capas invisibles: por qué las entrevistas con los usuarios son un activo irremplazable

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

Valhalla de Floki se une como patrocinador asociado de la gira de la India por Sri Lanka

La guía completa para una migración exitosa a la nube: estrategias y mejores prácticas

Las capas invisibles: por qué las entrevistas con los usuarios son un activo irremplazable

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

Valhalla de Floki se une como patrocinador asociado de la gira de la India por Sri Lanka

Light-Mode

Classic

Newspaper

Minty

Dark-Mode

Neon Noir

Minty

HN StartUps