Tabel dari kiri Abstrak dan Introduksi 1. Konteks, Metode dan Tugas 3. hasil campuran 3.1 Kualitas dan Produktivitas 3.3 Pembelajaran dan biaya 4. moderator 4.1 Tugas dan Kompleksitas 4.2 Kompatibilitas 4.3 Komunikasi 4.4 Kolaborasi 5.4 Logistik Diskusi dan Kerja Masa Depan LLM, pemrograman pasangan Anda? 5.2 LLM, Programer Pasangan yang Lebih Baik? 5.3 LLM, Pelajar PAIr Programmer? Kesimpulan, Pengakuan, dan Referensi 4.3 Komunikasi Menurut Freudenberg et al. [24], “Kunci untuk kesuksesan pemrograman pasangan [itu] proliferasi percakapan pada tingkat menengah detail dalam percakapan pemrograman pasangan.” peneliti juga menemukan bahwa pemrograman pasangan menghilangkan aktivitas yang mengganggu dan memungkinkan pemrograman untuk fokus pada aktivitas produktif [75], yang mungkin mengapa komunikasi yang melibatkan berkontribusi pada keberhasilan pemrograman pasangan. Murphy et al. [55] menggunakan analisis transaktif untuk memecah komunikasi oleh berbagai jenis transaksi, dan mereka menemukan bahwa mencoba lebih banyak masalah yang terkait dengan lebih banyak transaksi penyelesaian dan debugging keberhasilan berkorelasi dengan lebih banyak transaksi kritis. Dalam pemrograman pasangan manusia-manusia, programmer menghabiskan sekitar 1/3 dari waktu mereka berfokus terutama pada komunikasi [65], yang memaksa mereka untuk berkonsentrasi, rasionalisasi, dan menjelaskan pemikiran mereka [31, 75]. Dalam pemrograman pasangan manusia-AI, Mozannar et al. [53] telah menunjukkan bahwa seperti 1/3 jumlah waktu yang dihabiskan untuk berkomunikasi dengan Copilot, seperti berpikir dan memverifikasi (22,4%) saran Copilot, yang mungkin mereplikasi efek-efek penjelasan diri dalam beberapa cara, dan prompt crafting, yang mengambil 11.56% dari waktu. kegiatan ini adalah upaya untuk memahami dan berkomunikasi dengan Copilot. 4.4 Kolaborasi Seberapa baik para mitra bekerja sama telah menjadi faktor penting yang mempengaruhi efektivitas pemrograman pasangan [4, 79], dan perilaku kolaboratif dan saling ketergantungan positif adalah kunci keberhasilan pemrograman pasangan [67]. Kolaborasi dapat gagal dalam berbagai cara dalam pasangan manusia-manusia. Misalnya, masalah freerider, di mana seluruh beban kerja berada pada satu mitra sementara yang lain tetap menjadi pemain marginal, dapat mengakibatkan kurang kepuasan dan belajar [57, 87]. Dalam pemrograman pasangan manusia-AI, pendidik khawatir bahwa alat generasi kode yang mudah tersedia dapat menyebabkan penipuan, dan ketergantungan yang berlebihan pada AI dapat menghalangi siswa belajar [10]. Namun, tidak ada penelitian yang secara resmi mengevaluasikannya. Untuk pemrograman pasangan manusia, ada pola kolaborasi yang disarankan dari roll-switching – dua pengembang perangkat lunak secara berkala dan secara teratur beralih antara menulis kode (driver) dan menyarankan kode (navigator), bertujuan untuk memastikan bahwa keduanya terlibat dalam tugas dan meringankan beban fisik dan kognitif yang ditanggung oleh pengemudi [5, 65]. Beberapa peneliti Freudenberg et al. [24] berpendapat bahwa keberhasilan pemrograman pasangan harus dikaitkan dengan komunikasi daripada "perbedaan dalam perilaku atau fokus antara pengemudi dan navigator," karena mereka menemukan bahwa pengemudi dan navigator bekerja pada tingkat abstraksi yang sama. Dalam interaksi manusia-AI, mengingat kemampuan Copilot yang menakjubkan untuk menulis kode dalam bahasa yang berbeda, beberapa telah berpendapat bahwa Copilot dapat mengambil peran “pemandu” dalam pemrograman pasangan, memungkinkan seorang programmer solo untuk mengambil peran “navigator” dan fokus pada pemahaman kode pada tingkat yang lebih tinggi [35]. 4.5 Logistik Tantangan logistik, termasuk kesulitan merencanakan, mengajar dan mengevaluasi kolaborasi untuk pasangan, dan mencari tahu tanggung jawab dan tanggung jawab individu [11, 67], dapat menambah biaya manajemen pemrograman pasangan manusia [4, 79]. Dalam pemrograman pasangan manusia-AI, beberapa mungkin berpendapat bahwa manusia hanya bertanggung jawab dalam pasangan manusia-AI [72], tetapi akuntabilitas AI generatif berbasis LLM ini masih dalam perdebatan [10]. Mungkin ada masalah logistik baru untuk pasangan manusia-AI, seperti mengajar manusia cara terbaik berkolaborasi dengan Copilot. Bisa juga ada tantangan unik seperti dalam setiap skenario interaksi manusia-AI, seperti bias, kepercayaan, dan keterbatasan teknis – banyak yang harus dijelajahi. Studi lebih lanjut akan diperlukan untuk memverifikasi secara empiris dan eksperimental efek moderasi dari variabel yang berbeda dalam pemrograman pasangan manusia-AI. : Human-human pair programming literature telah menemukan moderator termasuk   , yang , yang , yang dan Namun, ada kurangnya pemeriksaan mendalam tentang potensi efek moderasi dalam pekerjaan pAIr saat ini. Pendekatan Tugas & Tugas Kompleksitas Kompatibilitas Komunikasi kolaborasi Logistik 
 
 
 
 
 Penulis : (1) Qianou Ma (penulis yang bersangkutan), Carnegie Mellon University, Pittsburgh, Amerika Serikat (qianouma@cmu.edu); (2) Tongshuang Wu, Carnegie Mellon University, Pittsburgh, Amerika Serikat (sherryw@cs.cmu.edu); (3) Kenneth Koedinger, Universitas Carnegie Mellon, Pittsburgh, Amerika Serikat (koedinger@cmu.edu). Authors: (1) Qianou Ma (penulis yang bersangkutan), Carnegie Mellon University, Pittsburgh, Amerika Serikat (qianouma@cmu.edu); (2) Tongshuang Wu, Carnegie Mellon University, Pittsburgh, Amerika Serikat (sherryw@cs.cmu.edu); (3) Kenneth Koedinger, Universitas Carnegie Mellon, Pittsburgh, Amerika Serikat (koedinger@cmu.edu). 
 
 Dokumen ini tersedia di archiv di bawah lisensi CC BY-NC-SA 4.0 DEED. Dokumen ini tersedia di archiv di bawah lisensi CC BY-NC-SA 4.0 DEED. Tersedia di Arsip

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

Pair Programming AI Agent 

undefined's blog

Audio ini diproduksi dalam bahasa asli cerita!

Menghancurkan Pengalaman Pemrograman Human-AI Pair

About Author

KOMENTAR

HANG TAG

ARTIKEL INI DISAJIKAN PADA

Related Stories

Invest With Purpose: Interview with Arian Adeli, CEO at Rivo Trading

THE BEGINNING OF THE SEARCH FOR THE KEY AND THE COAT.

How to Fetch Large Data Files Through GitHub API

Return to Pleasure Island

Invest With Purpose: Interview with Arian Adeli, CEO at Rivo Trading

THE BEGINNING OF THE SEARCH FOR THE KEY AND THE COAT.

How to Fetch Large Data Files Through GitHub API

Return to Pleasure Island

Light-Mode

Classic

Newspaper

Minty

Dark-Mode

Neon Noir

Minty

HN StartUps