Создание кода имеет смысл: задача понимания в программировании, управляемом AI
machine-learning large-language-models github-copilot code-generation ai-assisted-programming programmer-assistance end-user-programming usability-studies inferential-assistance

Создание кода имеет смысл: задача понимания в программировании, управляемом AI

14 августа 2025 г.

Аннотация и 1 введение

2. Предыдущие концептуализации интеллектуальной помощи для программистов

3. Краткий обзор больших языковых моделей для генерации кода

4. Коммерческие инструменты программирования, которые используют большие языковые модели

5. Надежность, безопасность и последствия безопасности моделей ИИ, генерирующих код,

6. Изузаение юзабилити и дизайна программирования A-ассистентного

7. Опыт отчетов и 7.1. Писать эффективные подсказки сложно

7.2 Активность программирования сдвигается в сторону проверки и незнакомой отладки

7.3. Эти инструменты полезны для шаблона и повторного использования кода

8. Неадекватность существующих метафор для программирования A-A-Advisted

8.1. Помощь ИИ в качестве поиска

8.2. Помощь ИИ в качестве компиляции

8.3. Помощь ИИ в качестве парного программирования

8.4. Отчетливый способ программирования

9. Проблемы с применением программирования конечного пользователя

9.1. Выпуск 1: Спецификация намерений, разложение проблемы и вычислительное мышление

9.2. Выпуск 2: Правильность кода, качество и (над) уверенность

9.3. Выпуск 3: Понимание и обслуживание кода

9.4. Выпуск 4: Последствия автоматизации в программировании конечных пользователей

9.5. Выпуск 5: Код без кода и дилемма прямого ответа

10. Заключение

A. Источники отчета о испытании

Ссылки

9.3. Выпуск 3: Понимание и обслуживание кода

Третья задача с помощью программирования, управляемого искусственным интеллектом,-это проблема понимания кода. Во время оценки пользователей GridBook участники упомянули, что сгенерированные формулы трудно понять, даже когда пользователи были знакомы с целевым языком. Это потенциально имеет серьезные последствия: от оценки точности программы за счет проверки логики до возможности настройки кода, до будущей отладки и повторного использования. Как мы обсуждали ранее, эта проблема также существует для обученных разработчиков.

Один из подходов к решению этой проблемы заключается в том, что система ИИ включает в себя некоторое представление о чтении или понятии кода в качестве фактора в синтезе кода, например, во время фазы обучения или при ранжировании предложений, или даже принять его в качестве входного в модель (аналогично параметру «температуры» в кодексе). Этот подход полезен более широко для синтеза высококачественного кода, такого как оптимизация производительности или надежности. Второе решение для решения проблемы понимания состоит в том, чтобы объяснить сгенерированный код своим пользователям таким образом, который является менее «программистым» и более ориентированным на текущую задачу и контекст пользователя. Первоначальные данные свидетельствуют о том, что участники были открыты для этих идей; Таким образом, эти области созревают для будущего исследования.

Авторы:

(1) Advait Sarkar, Microsoft Research, Кембриджский университет (advait@microsoft.com);

(2) Эндрю Д. Гордон, Microsoft Research, Эдинбургский университет (adg@microsoft.com);

(3) Карина Негрину, Microsoft Research (cnegreanu@microsoft.com);

(4) Christian Poelitz, Microsoft Research (cpoelitz@microsoft.com);

(5) Sruti Srinivasa Ragavan, Microsoft Research (a-srutis@microsoft.com);

(6) Бен Зорн, Microsoft Research (ben.zorn@microsoft.com).

Эта статья естьДоступно на ArxivПод CC BY-NC-ND 4.0 Лицензия.

Оригинал

Recent Post

Categories

PREVIOUS ARTICLE
NEXT ARTICLE