Table Of Links Table de gauche abstrait 1 Introduction 1 Introduction 2 Data Collection 2 Collecte de données 3 RQ1: What types of software engineering inquiries do developers present to ChatGPT in the initial prompt? 3 RQ1: Quels types de requêtes d'ingénierie logicielle les développeurs présentent à ChatGPT dans le prompt initial? 4 RQ2: How do developers present their inquiries to ChatGPT in multi-turn conversations? 4 RQ2: Comment les développeurs présentent-ils leurs requêtes à ChatGPT dans les conversations à plusieurs tours? 5 RQ3: What are the characteristics of the sharing behavior? 5 RQ3: Quelles sont les caractéristiques du comportement de partage? 6 Discussions 6 Discussions 7 Threats to Validity 7 Menaces à la validité 8 Related Work 8 Travaux connexes 9 Conclusion and Future Work 9 Conclusions et travaux futurs References Références Conclusion et travaux futurs Dans ce document, nous étudions le rôle de ChatGPT dans le codage collaboratif en analysant les conversations partagées des développeurs avec ChatGPT dans les demandes et problèmes de tirage de GitHub, en tirant parti de l'ensemble de données DevGPT. Nos principales conclusions comprennent: (1) Les développeurs recherchent l'assistance de ChatGPT sur 16 types de requêtes d'ingénierie logicielle. Dans les tâches de génération de code et de résolution de problèmes, les développeurs vont souvent au-delà des entrées conventionnelles de descriptions textuelles ou de code buggy, qui sont des critères de référence standard pour les FM dans la génération de code et la réparation de programmes. Ces méthodes sont utilisées pour améliorer progressivement la qualité et la pertinence des réponses de ChatGPT. (4) Les développeurs ayant des rôles différents – tels que les auteurs d’émissions, les auteurs de publications publiques et les réviseurs de code – utilisent des conversations partagées avec ChatGPT pour compléter leurs contributions spécifiques aux rôles. Cette pratique vise à améliorer l’efficacité et la transparence des processus de développement de logiciels collaboratifs. Nous prévoyons également d’explorer si les meilleures pratiques existantes pour l’ingénierie rapide ont été appliquées dans les conversations partagées collectées et si leur application influencera le flux des conversations à plusieurs tours. Acknowledgements Nous reconnaissons le soutien du Conseil de recherche des sciences naturelles et de l’ingénierie du Canada (NSERC), [numéro de référence de financement: RGPIN-2019-05071]. Conflict of Interest Les auteurs déclarent ne pas avoir de conflit d’intérêts. Data Availability Statements Les résultats, le code source et les données relatives à cette étude sont disponibles à l'adresse https: //github.com/RISElabQueens/analyzing-shared-conversation Références Arya D, Wang W, Guo JL, Cheng J (2019) Analyse et détection des types d'informations des discussions sur les problèmes de logiciels open source. In: 2019 IEEE/ACM 41e Conférence internationale sur l'ingénierie logicielle (ICSE), IEEE, pp. 454–464 Baltes S, Treude C, Robillard MP (2020) Référence de la documentation contextuelle sur le surflow de pile. Barke S, James MB, Polikarpova N (2023) Co-copilote fondé: Comment les programmeurs interagissent avec les modèles générateurs de code. Beyer S, Macho C, Di Penta M, Pinzger M (2020) Quels types de questions les développeurs posent-ils au sujet du stack overflow ? une comparaison des approches automatisées pour classer les messages en catégories interrogées. Chen M, Tworek J, Jun H, Yuan Q, Pinto HPdO, Kaplan J, Edwards H, Burda Y, Joseph N, Brockman G, et al. (2021) Évaluation de grands modèles de langues formés sur le code. arXiv préimpression arXiv:210703374 Deng Y, Xia CS, Yang C, Zhang SD, Yang S, Zhang L (2024) Les grands modèles linguistiques sont des générateurs d'avantages: Création de programmes inhabituels pour fusionner les bibliothèques d'apprentissage profond. 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) Analyseur de contenu des e-mails de développement: Intention mining in developer discussions (t). En: 2015 30th IEEE/ACM International Conference on Automated Software Engineering (ASE), IEEE, pp 12–23 Gagniuc PA (2017) Les chaînes de Markov : de la théorie à la mise en œuvre et à l'expérimentation. G ́omez C, Cleary B, Singer L (2013) Une étude sur la diffusion de l'innovation par le partage de liens sur le surflow de pile.En: 2013 10e conférence de travail sur les dépôts de logiciels d'exploitation minière (MSR), IEEE, p. 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 millions de liens dans les commentaires du code source: Finalité, évolution et décomposition. En: 2019 IEEE/ACM 41e Conférence internationale sur l'ingénierie logicielle (ICSE), IEEE, pp 1211–1221 Hata H, Novielli N, Baltes S, Kula RG, Treude C (2022) Discussions Github: Une étude exploratoire sur l'adoption précoce. Hou X, Zhao Y, Liu Y, Yang Z, Wang K, Li L, Luo X, Lo D, Grundy J, Wang H (2023) Modèles linguistiques de grande envergure pour l'ingénierie logicielle: un examen systématique de la littérature. arXiv préprint arXiv:230810620 Huang Q, Xia X, Lo D, Murphy GC (2018) Automatisation de l'extraction d'intention. IEEE Transactions on Software Engineering 46(10):1098–1119 Jiang N, Liu K, Lutellier T, Tan L (2023) Impact des modèles de langage de code sur la réparation de logiciels automatisés. Dans: Procédures de la 45e Conférence internationale sur l'ingénierie logicielle, 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) La mesure de l'accord de l'observateur pour les données catégoriques. biométrie pp 159-174 Li L, Ren Z, Li X, Zou W, Jiang H (2018) Comment les unités d'émission sont-elles liées? étude empirique sur le comportement de liaison dans github. In: 2018 25th Asia-Pacific Software Engineering Conference (APSEC), IEEE, pp 386-395 Liang JT, Yang C, Myers BA (2024) Une enquête à grande échelle sur l'usabilité des assistants de programmation AI: succès et défis. dans: Procédures de la 46e Conférence internationale IEEE/ACM sur l'ingénierie logicielle, pp 1–13 Liu J, Xia X, Lo D, Zhang H, Zou Y, Hassan AE, Li S (2021) Liens externes brisés sur le débordement de pile. Liu J, Zhang H, Xia X, Lo D, Zou Y, Hassan AE, Li S (2022) Une étude exploratoire sur les liens extérieurs répétés partagés sur le débordement de pile. 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) Lecture entre les lignes: Modélisation du comportement des utilisateurs et des coûts dans la programmation assistée par ai. arXiv préprint arXiv:221014306 Nijkamp E, Pang B, Hayashi H, Tu L, Wang H, Zhou Y, Savarese S, Xiong C (2022) Codegen: Un grand modèle de langue ouvert pour le code avec synthèse de programmes à plusieurs tours. Nurwidyantoro A, Shahin M, Chaudron MR, Hussain W, Shams R, Perera H, Oliver G, Whittle J (2022) Valeurs humaines dans les artefacts de développement de logiciels: Une étude de cas sur les discussions de sujets dans trois applications Android. OpenAI (2024a) ChatGTP Liens partagés FAQ. URL https://help.openai. com/en/articles/7925741-chatgpt-shared-links-faq, consulté: 2024- 01-23 OpenAI (2024b) Créer un lien partagé. URL https://help.openai.com/en/ articles/7943611-create-a-shared-link, accessed: 2024-01-23 Qu C, Yang L, Croft WB, Zhang Y, Trippas JR, Qiu M (2019) Prédiction de l'intention de l'utilisateur dans les conversations à la recherche d'informations. Rosen C, Shihab E (2016) Qu’est-ce que les développeurs mobiles demandent ? une étude à grande échelle en utilisant le stack overflow. Ross SI Martinez F, Houde S, Muller M, Weisz JD (2023) L'assistant du programmeur: Interaction de conversation avec un grand modèle de langue pour le développement de logiciels. 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) Un premier coup d’œil au chat en direct des développeurs sur la grille.In: Procès-verbal de la 29e réunion conjointe de l’ACM sur la Conférence européenne d’ingénierie logicielle et le Symposium sur les fondements de l’ingénierie logicielle, p. 391–403 Siddiq ML, Santos J, Tanvir RH, Ulfat N, Rifat FA, Lopes VC (2023) Explorant l'efficacité des grands modèles linguistiques dans la génération de tests unitaires. arXiv préprint arXiv:230500418 Treude C, Barzilay O, Storey MA (2011) Comment les programmeurs posent-ils et répondent-ils aux questions sur le web? (piste nulle). dans: Proceedings of the 33rd international conference on software engineering, pp 804–807 Vaithilingam P, Zhang T, Glassman EL (2022) Expectation vs. experience: Evaluation de la faisabilité des outils de génération de code alimentés par de grands modèles linguistiques. Viviani G, Famelis M, Xia X, Janik-Jones C, Murphy GC (2019) Trouver des informations de conception latentes dans les discussions des développeurs: Une étude sur les demandes de tirage. Wan Z, Xia X, Hassan AE (2019) Qu’est-ce qui est discuté sur la blockchain? une étude de cas sur l’utilisation de lda équilibrée et de l’architecture de référence d’un domaine pour capturer des discussions en ligne sur les plateformes blockchain dans les communautés d’échange de pile. Wang D, Xiao T, Thongtanunam P, Kula RG, Matsumoto K (2021) Comprendre les liens partagés et leurs intentions pour répondre aux besoins d'information dans l'examen du code moderne: Une étude de cas des projets openstack et qt. Wang X, Chen Y, Yuan L, Zhang Y, Li Y, Peng H, Ji H (2024) Les actions de code exécutables déclenchent de meilleurs agents llm. arXiv préprint arXiv:240201030 Xiao T, Baltes S, Hata H, Treude C, Kula RG, Ishio T, Matsumoto K (2023) 18 millions de liens dans les messages de commit: but, évolution et décomposition. Xiao T, Treude C, Hata H, Matsumoto K (2024) Devgpt: étudier les conversations entre les développeurs. en: Procédures de la Conférence internationale sur les dépôts de logiciels miniers (MSR 2024) Ye D, Xing Z, Kapre N (2017) La structure et la dynamique du réseau de connaissances dans les sites de consultation spécifiques aux domaines : une étude de cas sur l'excès de pile. Zampetti F, Ponzanelli L, Bavota G, Mocci A, Di Penta M, Lanza M (2017) Comment les développeurs tirent des demandes de documents avec des références externes. In: 2017 IEEE/ACM 25e Conférence internationale sur la compréhension des programmes (ICPC), IEEE, pp 23–33 Zhang B, Liang P, Zhou X, Ahmad A, Waseem M (2023) Pratiques et défis de l'utilisation du copilote github: une étude empirique. arXiv préprint arXiv:230308733 Zhang T, Gao C, Ma L, Lyu M, Kim M (2019) Une étude empirique des défis communs dans le développement d'applications d'apprentissage profond. In: 2019 IEEE 30th International Symposium on Software Reliability Engineering (ISSRE), IEEE, pp 104–115 Zhang Y, Yu Y, Wang H, Vasilescu B, Filkov V (2018) In-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) Évaluation de la productivité de l'achèvement du code neuronal. 
 
 
 Auteurs 
 
 
 
 
 
 
 
 Huizi Hao Kazi Amit Hasan Hong Qin Marcos Macedo Yuan Tian Steven H. H. Ding par Ahmed E. Hassan Authors 
 
 
 
 
 
 
 
 Huizi Hao par Amit Hasan Hong Qin Marcus Macédon Le Yuan Tian par Steven H. H. Ding par Ahmed E. Hassan 
 
 Ce document est disponible sous la licence CC BY-NC-SA 4.0. Ce document est disponible sous la licence CC BY-NC-SA 4.0. xiv

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

AI Models on HackerNoon

Cet audio est produit dans la langue originale de l'histoire !

Ce que les développeurs demandent à ChatGPT lors de l'écriture de code

About Author

COMMENTAIRES

ÉTIQUETTES

CET ARTICLE A ÉTÉ PARU DANS

Related Stories

HackerNoon Decoded: The Top 10 Countries Where HackerNoon Is the Most Active

Appuyez pour gagner : Telegram pourrait intégrer les 10 prochains milliards d'utilisateurs de crypto avant Solana

Naviguer sur les eaux : développer des applications RAG de qualité production avec des lacs de données

Guide de l'architecte pour créer une architecture de référence pour un datalake IA/ML

HackerNoon Decoded: The Top 10 Countries Where HackerNoon Is the Most Active

Appuyez pour gagner : Telegram pourrait intégrer les 10 prochains milliards d'utilisateurs de crypto avant Solana

Naviguer sur les eaux : développer des applications RAG de qualité production avec des lacs de données

Guide de l'architecte pour créer une architecture de référence pour un datalake IA/ML

Light-Mode

Classic

Newspaper

Minty

Dark-Mode

Neon Noir

Minty

HN StartUps