پژوهشگران در دانشگاه کالیفرنیا، ارواین، مطالعهای انجام دادهاند که 19,450 نظر در مورد کد را در 3,177 درخواست پول کشیده شده توسط هوش مصنوعی در مخازن GitHub واقعی تجزیه و تحلیل کرده است. هدف این مطالعه شناسایی الگوهای بررسی کد در درخواستهای پول کشیده شده توسط هوش مصنوعی و مقایسه آنها بین درخواستهایی که با موفقیت ادغام شدهاند و آنهایی که رد شدهاند، بوده است.
نتایج نشان میدهد که توسعه ویژگی و صحت عملکردی، غالبترین موضوعات در بررسی کد بودهاند، اما تفاوت قابل توجهی بین درخواستهای پذیرفته شده و رد شده ایجاد نمیکنند. در مقابل، مسائل مربوط به مستندسازی و سبک کد به طور قابل توجهی در درخواستهای پذیرفته شده بیشتر مشاهده شدهاند. این نشان میدهد که بازخوردهای سازنده در این زمینهها، مانع ادغام نمیشوند، بلکه فرصتی برای بهبود کد ارائه میدهند.
درخواستهای پول کشیده شده توسط هوش مصنوعی که رد شدهاند، بیشتر شامل نگرانیهای مربوط به تست و امنیت بودهاند. مشکلات تست در 6.53% از درخواستهای رد شده و مسائل امنیتی به عنوان یک موضوع غالب در 5.59% از این درخواستها ظاهر شدهاند. این یافتهها نشان میدهند که این موارد، موانع اصلی برای ادغام هستند و نیازمند توجه ویژه هستند.
این مطالعه بر اهمیت بررسی انسانی کد تولید شده توسط هوش مصنوعی تاکید میکند. در حالی که هوش مصنوعی میتواند کد کاربردی تولید کند، هنوز در زمینههایی مانند مستندسازی، سبک کد و امنیت، نیاز به نظارت و اصلاح انسانی دارد. مهندسان ارشد باید بر این نقاط تمرکز کنند و به هوش مصنوعی کمک کنند تا در این زمینهها بهبود یابد.
این تحقیق به رهبران مهندسی کمک میکند تا بر روی حوزههایی که نیاز به نظارت انسانی دارند و حوزههایی که هوش مصنوعی میتواند در آنها بهبود یابد، تمرکز کنند. با درک بهتر این شکافها، میتوان همکاری مؤثرتر بین انسان و هوش مصنوعی را در فرآیند توسعه نرمافزار تسهیل کرد و از ادغام کد با کیفیت پایین جلوگیری کرد.
مشاهده مطلب اصلی