Думание как компьютер: недостающий навык для неэкспертов с использованием искусственного интеллекта
machine-learning large-language-models github-copilot code-generation ai-assisted-programming programmer-assistance end-user-programming usability-studies inferential-assistance

Думание как компьютер: недостающий навык для неэкспертов с использованием искусственного интеллекта

10 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

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

При попытке выполнить задачи анализа данных с использованием естественного языка участники должны были усовершенствовать свои спецификации намерения на естественном языке несколько раз, прежде чем они достигли желаемого результата (если они это сделали). Высказывания NL часто были недооцененными, неоднозначными, слишком сложными или содержали доменные фразы, не указанные в контексте (например, в анализируемых данных). Таким образом, первая проблема состоит в том, чтобы сообщить о возможностях системы и сделать ее интерпретируемой, чтобы пользователи могли видеть, как интерпретируется их подсказка.

Программистам конечным пользователям часто не хватает навыков вычислительного мышления (Wing, 2011), таких как способность разложить проблемы в подпрозрачные проблемы, переформулировать проблемы таким образом, которые могут быть рассчитаны системой и т. Д. Однако эффективное использование LLM, таких как Codex, требуют таких навыков. Например, если эти модели являются наиболее точными, когда решения проблемы являются одной линией, то пользователь должен иметь возможность разбить свою проблему на более мелкие подпрограммы, каждая из которых может быть решена в одной или двух линиях. Более того, им также может не хватать способности создавать проблему в качестве общих вычислительных задач, а не задач, специфичных для домена. Например, риэлтор с большей вероятностью спросит «который является крупнейшим домом» (заявляющему заявлению), а не «который является домом с максимальной построенной областью» (процедурно).

Следовательно, вычислительные среды конечных пользователей, работающие на ИИ, должны помочь программистам конечным пользователям думать «вычислительно»: они должны помогать пользователям разбить свои проблемы на более мелкие шаги или направлять пользователей к альтернативным стратегиям для определения или решения проблемы (например, предоставление примеров, предложения альтернативы) или даже искать процедурные подсказки, где необходимо (например, для расстроения).

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