ตารางด้านซ้าย คําอธิบายและ 1 บทนํา 2. กรณีวิธีการและภารกิจ 3. ผลผสม 3.1. คุณภาพและ 3.2 ผลผลิต 3.3. การเรียนรู้และ 3.4 ค่าใช้จ่าย 4. ผู้ดูแลระบบ 4.1 ประเภทงานและความซับซ้อน 4.2 ความเข้ากันได้ 4.3 การสื่อสาร 4.4 ความร่วมมือ 4.5 โลจิสติกส์ 5. การสนทนาและการทํางานในอนาคต 5.1 LLM, โปรแกรมเมอร์คู่ของคุณ? 5.2 LLM, โปรแกรมเมอร์คู่ที่ดีกว่า? 5.3 LLM, นักเรียน PAIr โปรแกรมเมอร์? 6. ข้อสรุปการยอมรับและการอ้างอิง 4.3 การสื่อสาร ตาม Freudenberg et al. [24] “กุญแจสําคัญในการประสบความสําเร็จของการเขียนโปรแกรมคู่ [คือ] การแพร่กระจายการสนทนาในระดับกลางของรายละเอียดในการสนทนาของนักเขียนคู่” นักวิจัยยังพบว่าการเขียนโปรแกรมคู่กําจัดกิจกรรมที่ขัดขวางและช่วยให้โปรแกรมจะมุ่งเน้นไปที่กิจกรรมที่ผลิต [75] ซึ่งอาจเป็นเหตุผลที่การสื่อสารที่ดึงดูดความสนใจมีส่วนร่วมในการประสบความสําเร็จของการเขียนโปรแกรมคู่ Murphy et al. [55] ใช้การวิเคราะห์การทําธุรกรรมเพื่อทําลายการสื่อสารโดยประเภทต่างๆของธุรกรรมและพวกเขาพบว่าการพยายามปัญหาเพิ่มเติมที่เกี่ยวข้องกับธุรกรรมการเสร็จสิ้นมากขึ้นและความสําเร็จในการขัดขวางมีความสัมพันธ์กับธุรกรรมที่สําคัญมากขึ้น งานอื่น ๆ เฉพาะด้านการสนับสนุนทางสังคมของการสื่อสาร [17] และผลการอธิบายซึ่งการ ในการเขียนโปรแกรมคู่มนุษย์โปรแกรมประมวลผลใช้เวลาประมาณ 1/3 ของเวลาส่วนใหญ่มุ่งเน้นไปที่การสื่อสาร [65] ซึ่งบังคับให้พวกเขากําลังมุ่งเน้นความรุนแรงและอธิบายความคิดของพวกเขา [31, 75] ในการเขียนโปรแกรมคู่มนุษย์ AI Mozannar et al. [53] ได้แสดงให้เห็นว่าการสื่อสารกับ Copilot ใช้เวลาประมาณ 1/3 เช่นการคิดและตรวจสอบ (22.4%) คําแนะนําของ Copilot ซึ่งอาจทําซ้ําผลการอธิบายด้วยตนเองในบางวิธีและการประดิษฐ์อย่างรวดเร็วซึ่งใช้เวลา 11.56% กิจกรรมเหล่านี้เป็นความพยายามที่จะเข้าใจและสื่อสารกับ Copilot อย่างไรก็ตามไม่มีมนุษย์อื่นที่จะตรวจสอบคําตอบและไม่มีการศึกษาที่ประเมินลักษณะการสื่อสารของการโต้ตอบมนุษย์-Copilot เช่นการเขียนโปรแกรมคู่มนุษย์ 4.4 ความร่วมมือ ความสามารถในการทํางานร่วมกันของพันธมิตรเป็นปัจจัยสําคัญที่ส่งผลกระทบต่อประสิทธิภาพการเขียนโปรแกรมคู่ [4, 79] และพฤติกรรมร่วมมือและการเชื่อมต่อกันเชิงบวกเป็นกุญแจสําคัญในการประสบความสําเร็จในการเขียนโปรแกรมคู่ [67] การทํางานร่วมกันสามารถล้มเหลวในหลายวิธีในคู่มนุษย์ ตัวอย่างเช่นปัญหาผู้ขับขี่อิสระซึ่งภาระงานทั้งหมดอยู่บนพันธมิตรหนึ่งในขณะที่พันธมิตรคนอื่นยังคงเป็นผู้เล่นขอบเขตอาจนําไปสู่ความพึงพอใจและเรียนรู้น้อยลง [57, 87] ในการเขียนโปรแกรมคู่มนุษย์ AI นักเรียนกังวลว่าเครื่องมือสร้างโค้ดที่พร้อมใช้งานได้อย่างง่ายดายอาจนําไปสู่การหลอกลวงและการพึ่งพามากเกินไปจาก AI อาจขัดขวางการเรียนรู้ของนักเรียน [10] อย่างไรก็ตามไม่มีการศึกษาที่ได้รับการประเมินอย่างเป็นทางการ สําหรับการเขียนโปรแกรมคู่มนุษย์มีรูปแบบการทํางานร่วมกันที่แนะนําคือการเปลี่ยนบทบาท - ผู้พัฒนาซอฟต์แวร์สองคนเปลี่ยนระหว่างการเขียนโค้ด (ไดรเวอร์) และแนะนําโค้ด (navigator) โดยมีวัตถุประสงค์เพื่อให้แน่ใจว่าทั้งสองคนมีส่วนร่วมในงานและบรรเทาการโหลดทางกายภาพและทางปัญญาที่ผู้ขับรถรับ [5, 65] นักวิจัยบางคน Freudenberg et al. [24] argue that the success of pair programming should be attributed to communication rather than “the differences in behavior or focus between the driver and navigator,” as they found both driver and navigator worked on similar levels of abstraction. อย่างไรก็ตาม, instructors still recommend drivers and navigators to regularly alternate roles to ensure equitable learning experiences. [83] ในการโต้ตอบมนุษย์-AI เนื่องจากความสามารถที่น่าตื่นตาตื่นใจของ Copilot ในการเขียนโค้ดในภาษาที่แตกต่างกันบางคนได้พิจารณาว่า Copilot สามารถใช้บทบาทของ “คนขับ” ในการเขียนโปรแกรมคู่ช่วยให้โปรแกรมเดี่ยวสามารถใช้บทบาทของ “navigator” และมุ่งเน้นการเข้าใจโค้ดในระดับสูง [35] อย่างไรก็ตามในขณะที่มันเป็นไปได้สําหรับมนุษย์ที่จะดาวน์โหลดการค้นหา API และรายละเอียดการสังเคราะห์บางอย่างไปยัง Copilot คนยังต้องกระโดดกลับไปที่ที่นั่งขับขี่บ่อยและเปลี่ยนระหว่างการคิดและการเขียนกิจกรรม [53] ในที่สุดก็เป็นความรับผิดชอบของโปรแกรมมนุษย์เท่านั้นที่จะเข้าใจโค้ดในระดับคําอธิบาย [72] 4.5 โลจิสติกส์ ความท้าทายทางโลจิสติกส์รวมถึงความยากลําบากในการวางแผนการสอนและการประเมินความร่วมมือสําหรับคู่และคํานวณความรับผิดชอบและความรับผิดชอบของแต่ละบุคคล [11, 67] สามารถเพิ่มค่าใช้จ่ายในการจัดการของการเขียนโปรแกรมคู่มนุษย์ [4, 79] ในการเขียนโปรแกรมคู่มนุษย์-AI บางคนอาจ argue that the human is solely responsible in the human-AI pair [72], but the accountability of these LLM-based generative AI is still under debate [10]. อาจมีปัญหาโลจิสติกส์ใหม่สําหรับคู่มนุษย์-AI, เช่นการสอนมนุษย์วิธีการทํางานร่วมกันกับ Copilot ที่ดีที่สุด นอกจากนี้ยังอาจมีความท้าทายที่ไม่ซ้ํากันเช่นในทุกสถานการณ์การโต้ตอบมนุษย์-AI เช่นความปรารถนาความไว้วางใจและข้อ จํากัด เทคนิค - มากที่จะมีการสํารวจ การศึกษาเพิ่มเติมจะจําเป็นต้องตรวจสอบทางประสบการณ์และทดลองผลการปรับตัวของตัวแปรที่แตกต่างกันในการเขียนโปรแกรมคู่มนุษย์-AI : หนังสือเขียนโปรแกรมคู่มนุษย์ได้พบผู้ดูแลรวมถึง   , , , และ อย่างไรก็ตามไม่มีการตรวจสอบอย่างลึกซึ้งเกี่ยวกับผลกระทบที่มีศักยภาพในการวัดในงาน pAIr ปัจจุบัน คําอธิบาย ประเภทงาน & ความซับซ้อน ความเข้ากันได้ การสื่อสาร ความร่วมมือ โลจิสติกส์ 
 
 
 
 
 ผู้เขียน : (1) Qianou Ma (ผู้เขียนที่สอดคล้องกัน), Carnegie Mellon University, Pittsburgh, USA (qianouma@cmu.edu) (2) Tongshuang Wu, Carnegie Mellon University, Pittsburgh, USA (sherryw@cs.cmu.edu) (3) Kenneth Koedinger, มหาวิทยาลัย Carnegie Mellon, Pittsburgh, USA (koedinger@cmu.edu) Authors: (1) Qianou Ma (ผู้เขียนที่สอดคล้องกัน), Carnegie Mellon University, Pittsburgh, USA (qianouma@cmu.edu) (2) Tongshuang Wu, Carnegie Mellon University, Pittsburgh, USA (sherryw@cs.cmu.edu) (3) Kenneth Koedinger, มหาวิทยาลัย Carnegie Mellon, Pittsburgh, USA (koedinger@cmu.edu) 
 
 กระดาษนี้สามารถใช้ได้ใน archiv ภายใต้ใบอนุญาต CC BY-NC-SA 4.0 DEED กระดาษนี้เป็น ภายใต้ใบอนุญาต CC BY-NC-SA 4.0 DEED สามารถใช้ได้ใน Archives สามารถใช้ได้ใน Archives

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

Pair Programming AI Agent 

undefined's blog

เสียงนี้ผลิตในภาษาต้นฉบับของเรื่องราว!

การทําลายประสบการณ์การเขียนโปรแกรมคู่ AI-Human

About Author

ความคิดเห็น

แขวนแท็ก

บทความนี้ถูกนำเสนอใน

Related Stories

The #blockchain Writing Contest by Aleph Cloud and HackerNoon: Results Announcement 🎉

Cyber Startup Pillar Security Raises $9M in Seed Funding to Defend AI with its Own Tech

การสร้างเนื้อหาที่แท้จริงในยุคของ AI: ทําไม startups ต้องการเนื้อหาที่มีคุณภาพ

Meet Augment Code: HackerNoon Company of the Week

The #blockchain Writing Contest by Aleph Cloud and HackerNoon: Results Announcement 🎉

Cyber Startup Pillar Security Raises $9M in Seed Funding to Defend AI with its Own Tech

การสร้างเนื้อหาที่แท้จริงในยุคของ AI: ทําไม startups ต้องการเนื้อหาที่มีคุณภาพ

Meet Augment Code: HackerNoon Company of the Week

Light-Mode

Classic

Newspaper

Dark-Mode

Neon Noir

Minty

HN StartUps