💻 computer science

How Do Developers Interact with AI? An Exploratory Study on Modeling Developer Programming Behavior

76 डेवलपर्स के इस मिश्रित-पद्धति वाले अध्ययन में इरादों, कार्यों, उपकरणों और भावनाओं को एकीकृत करके AI-सहायता प्राप्त प्रोग्रामिंग की बहुआयामी प्रकृति को चित्रित करने के लिए S-IASE मॉडल प्रस्तुत किया गया है, जो यह प्रकट करता है कि AI का उपयोग एक अधिक स्थिर भावनात्मक प्रवाह और केंद्रित कोड जनरेशन को बढ़ावा देता है जबकि साथ ही इम्पोस्टर सिंड्रोम जैसी जटिल मनोवैज्ञानिक प्रतिक्रियाओं को भी उत्पन्न करता है।

मूल लेखक: Yinan Wu, Ze Shi Li, Kathryn Thomasset Stolee, Bowen Xu

प्रकाशित 2026-05-01

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Yinan Wu, Ze Shi Li, Kathryn Thomasset Stolee, Bowen Xu

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

सॉफ्टवेयर डेवलपमेंट को एक जटिल खाना पकाने की प्रक्रिया के रूप में कल्पना करें। दशकों से, शेफ (डेवलपर्स) व्यंजनों का पालन करते रहे हैं, सामग्री काटते रहे हैं और पूरी तरह से अपने दम पर चूल्हों का प्रबंधन करते रहे हैं। लेकिन हाल ही में, रसोई में एक नए प्रकार का "स्मार्ट सहायक शेफ" (GitHub Copilot या ChatGPT जैसे AI असिस्टेंट) आया है। ये स्मार्ट सहायक शेफ तुरंत रेसिपी सुझा सकते हैं, सब्जियां काट सकते हैं, या व्यंजन सजा सकते हैं।

यह शोध पत्र इस बात का एक विस्तृत अवलोकन है कि क्या होता है जब वास्तविक शेफ इन स्मार्ट सहायक शेफों का उपयोग करना शुरू करते हैं। शोधकर्ता यह जानना चाहते थे: क्या शेफ बस बैठकर देखता रहता है, या वह खाना बनाने का तरीका बदल देता है? जब सहायक शेफ काम कर रहा होता है, तो वह क्या सोच रहा होता है और कैसा महसूस कर रहा होता है?

यहाँ उनके निष्कर्षों का सरल शब्दों में विवरण दिया गया है:

1. खाना पकाने का नया "नुस्खा": S-IASE मॉडल

इस अध्ययन से पहले, शोधकर्ता मुख्य रूप से बाहर से शेफ को देखते थे और वे कितनी बार सब्जी काटते या चलाते थे, इसे गिनते थे। वे शेफ के दिमाग के अंदर क्या चल रहा था, उसे मिस कर देते थे।

शोधकर्ताओं ने खाना पकाने को देखने का एक नया तरीका बनाया, जिसे S-IASE मॉडल कहा गया। केवल हाथों को देखने के बजाय, उन्होंने एक साथ होने वाली चार चीजों को देखा:

State (अवस्था): हम अभी रेसिपी में कहाँ हैं? (जैसे, "सॉस जल रहा है" या "हमें एक मसाला ढूंढने की जरूरत है।")
Intention (इरादा): शेफ क्या करने की कोशिश कर रहा है? (जैसे, "मुझे इस त्रुटि को ठीक करने की आवश्यकता है" या "मैं इसे तेज़ बनाना चाहता हूँ।")
Action + Tool (क्रिया + उपकरण): वे क्या कर रहे हैं, और वे किस उपकरण का उपयोग कर रहे हैं? (जैसे, "सहायक शेफ से सुझाव मांगना" बनाम "किताब में मसाला ढूंढना।")
Emotion (भावना): शेफ कैसा महसूस कर रहा है? (जैसे, "खुश," "हताश," या "दोषी।")

उन्होंने पाया कि जब शेफ स्मार्ट सहायक शेफ का उपयोग करते हैं, तो ये चारों चीजें एक जटिल तरीके से एक साथ बदलती और नृत्य करती हैं।

2. "विश्वास करो लेकिन जांचो" का नृत्य

शोधकर्ताओं ने नोट किया कि शेफ द्वारा AI के उपयोग में एक विशिष्ट लय थी। यह केवल "पूछो और स्वीकार करो" नहीं था। यह पिंग-पॉन्ग के खेल जैसा था:

शेफ समाधान के लिए AI से पूछता है।
AI एक सुझाव वापस फेंकता है (एक "पिंग")।
शेफ तुरंत उसकी जांच करता है, उसमें बदलाव करता है, या उसका परीक्षण करता है (एक "पोंग")।
यदि यह काम करता है, तो वे आगे बढ़ जाते हैं। यदि नहीं, तो वे फिर से पूछते हैं।

उपमा: कल्पना कीजिए कि एक शेफ अब पूरी रेसिपी बुक नहीं पढ़ता है। इसके बजाय, वह सहायक शेफ से पूछता है, "मैं यह सॉस कैसे बनाऊं?" सहायक शेफ कहता है, "नमक डालें।" शेफ उसे चखता है, कहता है, "बहुत नमकीन है," और फिर पूछता है, "ठीक है, कम नमक के साथ कैसा रहेगा?" वे तब तक आगे-पीछे चलते रहते हैं जब तक कि वह सही न हो जाए। वे बहुत तेज़ी से निर्माण और सत्यापन कर रहे हैं, लेकिन वे शुरू करने से पहले निर्देशों को गहराई से पढ़ने में कम समय बिता रहे हैं।

3. भावनात्मक रोलरकोस्टर (या उसकी कमी)

अध्ययन ने दो समूहों के शेफों की तुलना की:

समूह A: स्मार्ट सहायक शेफ का उपयोग किया।
समूह B: बिना किसी मदद के सब कुछ शून्य से बनाने के लिए मजबूर थे।

निष्कर्ष: AI का उपयोग करने वाले समूह का भावनात्मक सफर बहुत सुगम था। वे कम तनावग्रस्त और कम हताश महसूस कर रहे थे। वे अधिक खुश और आत्मविश्वासी थे।

क्यों? क्योंकि AI ने उन्हें जल्दी से अटकने से बाहर निकलने में मदद की।
सावधानी: भले ही वे खुश थे, कुछ शेफों ने एक गुप्त दोष (guilt) महसूस किया। उन्हें लगा जैसे वे "इम्पोस्टर्स" (धोखेबाज) हों। एक शेफ ने कहा, "मैंने AI की मदद से व्यंजन तैयार किया, लेकिन मुझे दोषी महसूस हो रहा है क्योंकि मैंने यह नहीं सीखा कि इसे खुद कैसे बनाया जाए।" उन्हें चिंता थी कि यदि वे काम नहीं करेंगे, तो वे वास्तव में सीख नहीं पाएंगे।

4. "मुझे दिखाओ, मुझे बताओ मत" की समस्या

कभी-कभी स्मार्ट सहायक शेफ ऐसे निर्देश देते हैं जो तकनीकी रूप से सही होते हैं लेकिन उनका पालन करना कठिन होता है क्योंकि वे केवल टेक्स्ट (पाठ) के रूप में होते हैं।

परिदृश्य: सहायक शेफ कहता है, "ऊपरी दाएं कोने में बटन पर क्लिक करें।"
समस्या: शेफ को बटन नहीं मिल पाता। टेक्स्ट अस्पष्ट है।
प्रतिक्रिया: शेफ AI पर भरोसा करना छोड़ देता है, किसी मानव फोरम (जैसे Stack Overflow) पर जाता है, या चित्र/आरेख (diagram) की तलाश करता है ताकि वह देख सके कि बटन वास्तव में कहाँ है।
सबक: शेफों को विजुअल्स (दृश्य सहायता) की आवश्यकता होती है। वे चरणों को केवल पढ़ना नहीं, बल्कि देखना चाहते हैं। जब AI केवल टेक्स्ट देता है, तो शेफ फंस जाता है और उसे कहीं और चित्र ढूंढना पड़ता है।

5. AI का सबसे अधिक उपयोग कौन करता है?

अध्ययन ने पाया कि शेफ दो स्थितियों में AI पर सबसे अधिक भरोसा करने की संभावना रखते थे:

जब वे उस व्यंजन से बहुत परिचित थे (वे बुनियादी बातें जानते थे, इसलिए वे केवल गति चाहते थे)।
जब वे पूरी तरह से खोए हुए थे (उन्हें पता ही नहीं था कि क्या करना है, इसलिए उन्हें एक शुरुआती बिंदु की आवश्यकता थी)।

मध्यम मार्ग: यदि एक शेफ को व्यंजन के बारे में थोड़ी जानकारी थी लेकिन वह विशेषज्ञ नहीं था, तो वे AI के प्रति शंकालु थे। वे AI से मदद तो मांगते थे, लेकिन फिर हर चीज़ को दोबारा जांचते थे क्योंकि उन्हें AI के उत्तर पर अभी तक पूरा भरोसा नहीं था।

सारांश

पेपर निष्कर्ष निकालता है कि AI केवल एक ऐसा टूल नहीं है जो कोडिंग को तेज़ बनाता है; यह डेवलपर के संपूर्ण व्यक्तित्व को बदल देता है।

वे पढ़ने और योजना बनाने के बजाय निर्माण और परीक्षण पर अधिक ध्यान केंद्रित करते हैं।
वे कम तनाव महसूस करते हैं लेकिन मदद पर निर्भर होने के कारण कभी-कभी अधिक दोषी महसूस करते हैं।
उन्हें विजुअल एड्स (दृश्य सहायता) की आवश्यकता होती है क्योंकि केवल टेक्स्ट वाले निर्देश अक्सर उन्हें विफल कर देते हैं।

शोधकर्ताओं ने इस "S-IASE" मॉडल का निर्माण यह समझने में मदद करने के लिए किया कि भविष्य के AI डिज़ाइनर केवल एक कोड जनरेटर नहीं बना रहे हैं; वे एक ऐसे साथी का निर्माण कर रहे हैं जो डेवलपर्स के सोचने, महसूस करने और काम करने के तरीके को प्रभावित करता है।

यहाँ शोध पत्र "How Do Developers Interact with AI? An Exploratory Study on Modeling Developer Programming Behavior" का विस्तृत तकनीकी सारांश दिया गया है:

1. समस्या विवरण (Problem Statement)

सॉफ्टवेयर इंजीनियरिंग में AI सहायकों (जैसे, GitHub Copilot, ChatGPT) का तीव्र एकीकरण विकास प्रथाओं को बदल रहा है। हालाँकि, मौजूदा शोध मुख्य रूप से दृश्य परिणामों (जैसे, कोड जनरेशन की गति, बग में कमी) या संकीर्ण इंटरेक्शन मोड (जैसे, "त्वरण" बनाम "अन्वेषण") पर केंद्रित है।

अंतराल (Gap): डेवलपर-AI इंटरेक्शन की बहु-आयामी प्रकृति की गहरी समझ की कमी है। पूर्ववर्ती मॉडल इंटरेक्शन को एक एकल गतिविधि के रूप में मानते हैं या केवल बाहरी अवलोकन पर निर्भर रहते हैं, जिससे छिपे हुए इरादों (intentions), ठोस कार्यों (actions), उपकरणों के उपयोग (tool usage) और भावनात्मक अवस्थाओं (emotional states) के बीच के अंतर्संबंध को पकड़ने में विफलता होती है।
उद्देश्य: एक व्यापक मॉडल विकसित करना जो AI सहायता के संदर्भ में डेवलपर प्रोग्रामिंग व्यवहार को चित्रित कर सके, जो अवस्था (state), इरादा (intention), कार्य (action), उपकरण (tool) और भावना (emotion) के बीच गतिशील फीडबैक लूप को कैप्चर करे।

2. कार्यप्रणाली (Methodology)

लेखकों ने 76 डेवलपर्स (स्नातक/स्नातकोत्तर छात्र और उद्योग अनुभव वाले पेशेवर) को शामिल करते हुए एक मिश्रित-पद्धति उपयोगकर्ता अध्ययन (mixed-methods user study) आयोजित किया।

अध्ययन डिजाइन:
- समूह: प्रतिभागियों को AI-सहायता प्राप्त (किसी भी पसंदीदा AI टूल का उपयोग करने की अनुमति) और गैर-AI (कोई AI टूल नहीं) समूहों में विभाजित किया गया।
- कार्य: पूर्व ज्ञान के आधार पर दो यथार्थवादी, समय-बद्ध (25 मिनट) सॉफ्टवेयर इंजीनियरिंग कार्य सौंपे गए:
  1. PyT: GitHub REST API प्रबंधन (संगठन निर्माण, टोकन जनरेशन, रेपो निर्माण) से संबंधित पायथन कार्य।
  2. JavaT: MySQL डेटाबेस संचालन (सेटअप, CRUD ऑपरेशन्स, बिजनेस क्वेरीज़) से संबंधित जावा कार्य।
- प्रक्रिया:
  1. पूर्व-सर्वेक्षण: जनसांख्यिकी, प्रोग्रामिंग अनुभव और AI परिचितता एकत्र की गई।
  2. गतिविधि: प्रतिभागियों ने स्क्रीन-रिकॉर्डिंग के साथ कार्य किया।
  3. एनोटेशन (Annotation): प्रतिभागियों ने अपनी रिकॉर्डिंग को रेट्रोस्पेक्टिवली (पूर्वव्यापी रूप से) देखा और वीडियो को समय अंतराल में विभाजित करने के लिए एक कस्टम एनोटेशन टूल का उपयोग किया। प्रत्येक अंतराल के लिए, उन्होंने लेबल किया:
    - इरादा (Intention): कार्य के पीछे का लक्ष्य।
    - कार्य (Action): किया गया विशिष्ट कार्य।
    - सहायक उपकरण (Supporting Tool): उपयोग किया गया टूल (जैसे, AI, IDE, सर्च इंजन)।
    - भावना (Emotion): 7-पॉइंट वैलेंस स्केल पर रेट की गई।
  4. पोस्ट-सर्वेक्षण और साक्षात्कार: संज्ञानात्मक भार (NASA-TLX), आत्म-प्रभावकारिता (self-efficacy) को मापा गया, और सोशियो-टेक्निकल ग्राउंडेड थ्योरी (STGT) का उपयोग करके अर्ध-संरचित साक्षात्कार (14 प्रतिभागी) आयोजित किए गए।
डेटा विश्लेषण:
- मात्रात्मक (Quantitative): एकत्रित व्यवहार पैटर्न की पहचान करने के लिए सांख्यिकीय विश्लेषण (OLS रिग्रेशन, बेनजामिनी-हॉकबर्ग सुधार) का उपयोग किया गया। आवर्ती स्टेट ट्रांज़िशन की पहचान करने के लिए अनुक्रमिक पैटर्न माइनिंग (CloSpan एल्गोरिदम) का उपयोग किया गया।
- गुणात्मक (Qualitative): मात्रात्मक निष्कर्षों की व्याख्या करने और सूक्ष्म भावनात्मक अनुभवों को उजागर करने के लिए साक्षात्कारों का विषयगत विश्लेषण (Thematic analysis) किया गया।

3. प्रमुख योगदान (Key Contributions)

यह शोध पत्र S-IASE मॉडल पेश करता है, जो डेवलपर प्रोग्रामिंग व्यवहार को मॉडल करने के लिए एक नया ढांचा है।

S-IASE मॉडल: एक विकास अवस्था (development state) को एक टुपल (tuple) के रूप में परिभाषित करता है:
$State_n \rightarrow State_{n+1} [Intention, \langle Action, Supporting Tool \rangle, Emotion]$
- State (अवस्था): वर्तमान विकास संदर्भ।
- Intention (इरादा): डेवलपर का लक्ष्य (जैसे, "त्रुटियों को हल करना," "कोड लागू करना")।
- Action & Supporting Tool (कार्य और सहायक उपकरण): AI या अन्य उपकरणों के साथ/बिना किए गए कार्यों के बीच अंतर करने के लिए जोड़े गए (जैसे, "कोड लिखना" + "AI टूल" बनाम "कोड लिखना" + "IDE")।
- Emotion (भावना): भावात्मक अवस्था (7-पॉइंट वैलेंस स्केल)।
एनोटेशन टूल: इन चार आयामों के रेट्रोस्पेक्टिव एनोटेशन को सुगम बनाने के लिए विकसित एक ओपन-सोर्स टूल।
व्यवहार संबंधी पैटर्न: इंटरेक्शन के एकत्रित (सांख्यिकीय) और अनुक्रमिक (कालिक) दोनों पैटर्नों को उजागर किया गया।

4. मुख्य परिणाम (Key Results)

A. एकत्रित व्यवहार संबंधी पैटर्न (RQ2)

फोकस में बदलाव: AI-सहायता प्राप्त डेवलपर्स ने निर्माण (creating), मूल्यांकन (evaluating), और सत्यापन (verifying) पर काफी अधिक ध्यान केंद्रित किया। गैर-AI डेवलपर्स की तुलना में उन्होंने गहरे पठन और समझ (deep reading and comprehension) पर कम समय बिताया।
टूल का उपयोग: AI समूहों ने सर्च इंजन (जैसे, Stack Overflow) का बहुत कम उपयोग किया और AI टूल्स तथा IDEs का अधिक उपयोग किया। यह सुझाव देता है कि AI प्राथमिक ज्ञान इंटरफेस बन गया है।
भावनात्मक स्थिरता: AI-सहायता प्राप्त प्रतिभागियों ने अधिक सकारात्मक और तटस्थ भावनाओं की सूचना दी और कम नकारात्मक उतार-चढ़ाव का अनुभव किया। गैर-AI प्रतिभागियों ने उच्च हताशा और भावनात्मक अस्थिरता का अनुभव किया।
कार्य प्रदर्शन: AI समूहों ने उच्च पूर्णता दर (completion rates) और कार्यात्मक शुद्धता प्राप्त की, हालांकि कार्य की जटिलता के कारण समग्र शुद्धता कम (13%) रही।

B. अनुक्रमिक व्यवहार संबंधी पैटर्न (RQ3)

"विश्वास करें लेकिन सत्यापित करें" (Trust but Verify): एक प्रमुख क्रम देखा गया: संदर्भ को समझना $\rightarrow$ कोड लागू करना (AI के माध्यम से) $\rightarrow$ नए कोड की योजना बनाना/डिजाइन करना। यह पारंपरिक "डिजाइन-फिर-लागू करें" प्रतिमान को उलट देता है; डेवलपर्स पहले कोडबेस में "पकड़" बनाने के लिए AI का उपयोग करते हैं, फिर आर्किटेक्चर को परिष्कृत करते हैं।
पुनरावृत्त फीडबैक लूप (Iterative Feedback Loop): पढ़ना $\rightarrow$ प्रॉम्प्टिंग $\rightarrow$ लिखना $\rightarrow$ पढ़ना। डेवलपर्स AI आउटपुट को ड्राफ्ट के रूप में देखते हैं, और गहरे प्रारंभिक बोध के बजाय तीव्र ट्रायल-एंड-एरर चक्रों में संलग्न होते हैं।
मोडैलिटी बेमेल (Modality Mismatch): जब कार्यों के लिए विजुअल गाइडेंस (जैसे, API सेटअप) की आवश्यकता थी, तो केवल टेक्स्ट-आधारित AI सुझाव विफल रहे, जिससे डेवलपर्स विजुअल डॉक्यूमेंटेशन के लिए सर्च इंजन पर वापस चले गए।

C. गुणात्मक अंतर्दृष्टि (साक्षात्कार)

"इम्पोस्टर" घटना (The "Impostor" Phenomenon): सांख्यिकीय भावनात्मक स्थिरता के बावजूद, कई AI-सहायता प्राप्त डेवलपर्स ने अपराधबोध, आत्म-संदेह और इम्पोस्टर सिंड्रोम की सूचना दी। उन्हें लगा कि वे "चीटिंग" कर रहे हैं या सीख नहीं रहे हैं, जिससे उत्पादकता (गति) और कौशल विकास (समझ) के बीच आंतरिक संघर्ष पैदा हुआ।
स्व-दोष (Self-Blame): जब AI-जनरेटेड कोड विफल हुआ, तो डेवलपर्स अक्सर AI टूल के बजाय अपने स्वयं के प्रॉम्प्टिंग कौशल या वातावरण को दोष देते थे।

5. महत्व और निहितार्थ (Significance and Implications)

शोधकर्ताओं के लिए: S-IASE मॉडल डेवलपर-AI इंटरेक्शन का अध्ययन करने के लिए एक संरचित, बहु-आयामी लेंस प्रदान करता है, जो सरल गतिविधि लॉगिंग से आगे बढ़कर इसमें भावात्मक और इरादा संबंधी अवस्थाओं को भी शामिल करता है। यह AI सहयोग के "छिपे हुए" संज्ञानात्मक और भावनात्मक स्तरों का अध्ययन करने की आवश्यकता को रेखांकित करता है।
अभ्यासकर्ताओं (AI डिजाइनरों) के लिए:
- विजुअल गाइडेंस: AI सहायकों को केवल टेक्स्ट ही नहीं, बल्कि सेटअप और कॉन्फ़िगरेशन कार्यों के लिए विजुअल मोडैलिटी (स्क्रीनशॉट, आरेख) का समर्थन करने की आवश्यकता है।
- ट्रस्ट कैलिब्रेशन (Trust Calibration): सिस्टम को डेवलपर्स को सीखने में मदद करने के लिए (शायद यह स्पष्ट रूप से उजागर करके कि AI क्या कर रहा है) AI आउटपुट को सत्यापित करने में मदद करनी चाहिए, जिससे अपराधबोध उत्पन्न न हो।
- वर्कफ्लो एकीकरण: टूल्स को "विश्वास करें लेकिन सत्यापित करें" वर्कफ्लो का समर्थन करना चाहिए, जिससे तीव्र पुनरावृत्ति और AI जनरेशन एवं मैनुअल रिफाइनमेंट के बीच आसान स्विचिंग सुलभ हो सके।
शिक्षा के लिए: पाठ्यक्रम को दक्षता के लिए AI के उपयोग और गहरे वैचारिक बोध को बनाए रखने के बीच के तनाव को संबोधित करना चाहिए, जिससे डेवलपर्स को AI निर्भरता से जुड़े "इम्पोस्टर" महसूस करने से निपटने के लिए तैयार किया जा सके।

निष्कर्ष (Conclusion)

यह अध्ययन डेवलपर-AI इंटरेक्शन की सामाजिक-तकनीकी जटिलताओं को समझने के अंतराल को पाटता है। S-IASE फ्रेमवर्क के माध्यम से व्यवहार को मॉडल करके, लेखक प्रकट करते हैं कि AI सहायता मौलिक रूप से प्रोग्रामिंग के अनुक्रम और भावनात्मक बनावट को बदल देती है, जिससे "वाइब कोडिंग" (vibe coding) का एक नया प्रतिमान बनता है जो गहरे प्रारंभिक बोध के बजाय तीव्र पुनरावृत्ति और सत्यापन को प्राथमिकता देता है, साथ ही डेवलपर्स के लिए नई मनोवैज्ञानिक चुनौतियाँ भी पेश करता है।