💻 computer science

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

この 76 名の開発者を対象とした混合研究法による研究は、意図、行動、ツール、感情を統合することで AI 支援プログラミングの多次元的性質を特徴づける S-IASE モデルを導入し、AI の利用がより安定した感情の流れと焦点の絞られたコード生成を促進する一方で、 impostor syndrome（シンデレラ症候群）のような複雑な心理的反応も引き起こすことを明らかにした。

原著者： Yinan Wu, Ze Shi Li, Kathryn Thomasset Stolee, Bowen Xu

公開日 2026-05-01

📖 1 分で読めます☕ さくっと読める

CC BY 4.0

原著者： Yinan Wu, Ze Shi Li, Kathryn Thomasset Stolee, Bowen Xu

原論文は CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) でライセンスされています。 ✨ これは以下の論文のAI生成解説です。著者が執筆または承認したものではありません。技術的な正確性については原論文を参照してください。免責事項の全文を読む

ソフトウェア開発を、複雑な調理プロセスだと想像してみてください。長年にわたり、シェフ（開発者）たちはレシピに従い、材料を切り、コンロを管理することを、すべて自分一人で行ってきました。しかし最近、新しい種類の「スマートな副シェフ」（GitHub Copilot や ChatGPT などの AI アシスタント）がキッチンに登場しました。これらの副シェフは、レシピを瞬時に提案したり、野菜を切ったり、さらには料理を盛り付けたりすることができます。

あなたが提供した論文は、実際のシェフたちがこれらのスマートな副シェフを使い始めたときに何が起こるかを詳細に観察したものです。研究者たちは、次のような疑問を持ちました：シェフはただ後ろに座って見ているだけなのか、それとも調理の方法を変えているのか？副シェフが働いている間、シェフはどのように考え、どのように感じているのか？

以下に、彼らの発見をわかりやすく要約します。

1. 調理の新しい「レシピ」：S-IASE モデル

この研究以前、研究者たちは主に外側からシェフを観察し、包丁を振るったりかき混ぜたりした回数を数えていました。シェフの頭の中で何が起こっているかは見逃していました。

研究者たちは、S-IASE モデルと呼ばれる、調理を見る新しい方法を作成しました。手元を見るだけでなく、同時に起こっている 4 つの要素に注目しました。

状態 (State): 今、レシピのどの段階にいるのか？（例：「ソースが焦げている」または「スパイスを見つける必要がある」）
意図 (Intention): シェフは何を達成しようとしているのか？（例：「このエラーを修正する必要がある」または「これを速くしたい」）
行動＋ツール (Action + Tool): 何をし、どのツールを使っているのか？（例：「副シェフに提案を求める」対「本でスパイスを調べる」）
感情 (Emotion): シェフはどのように感じているのか？（例：「嬉しい」、「イライラしている」、または「罪悪感がある」）

彼らは、シェフがスマートな副シェフを使うとき、この 4 つの要素すべてが複雑に絡み合い、互いに影響し合いながら変化することを見出しました。

2. 「信頼して確認する」ダンス

研究者たちは、シェフが AI を使う際に見られる特定のリズムに気づきました。それは単なる「聞いて、受け入れる」だけではありませんでした。どちらかといえばピンポンのようなゲームのようでした。

シェフが AI に解決策を尋ねる。
AI が提案（「ピン」）を返す。
シェフが即座にそれをチェックし、微調整するか、テストを実行する（「ポン」）。
機能すれば次のステップへ進む。機能しなければ、再度尋ねる。

比喩: 料理の本全体を読み直すことのないシェフを想像してください。代わりに、副シェフに「このソースはどうやって作るの？」と尋ねます。副シェフは「塩を加えて」と答えます。シェフは味見をして、「塩辛すぎる」と言い、「じゃあ、塩を減らしたらどう？」と尋ねます。正しくなるまで、彼らは行き来を繰り返します。彼らは創造と検証をはるかに速く行っていますが、始める前に指示を深く読む時間は減っています。

3. 感情のジェットコースター（またはその欠如）

この研究は、2 つのグループのシェフを比較しました。

グループ A: スマートな副シェフを使用。
グループ B: 助けなしで全てゼロから調理。

発見: AI を使用したグループは、感情の起伏がはるかにスムーズでした。ストレスやイライラを感じることが少なく、より幸せで自信に満ちていました。

なぜか？ AI がすぐに行き詰まりを解消してくれたからです。
欠点: 幸せを感じていたにもかかわらず、一部のシェフは秘密の罪悪感を抱いていました。彼らは「 impostors（詐欺師）」のような気分になりました。あるシェフは、「AI の助けを借りて料理を完成させたが、自分で作り方を学ばなかったことに罪悪感を感じる」と言いました。もし自分が作業を行わなければ、本当に学んでいるわけではないのではないかと懸念していました。

4. 「見せてくれ、教えてくれ」問題

時々、スマートな副シェフは技術的には正しいが、テキストだけなので実行しにくい指示を出します。

シナリオ: 副シェフは「右上のボタンをクリックしてください」と言います。
問題: シェフはボタンを見つけることができません。テキストが曖昧です。
反応: シェフは AI を諦め、人間によるフォーラム（Stack Overflow など）に行ったり、ボタンがどこにあるかを正確に確認するために写真や図を探したりします。
教訓: シェフには視覚的補助が必要です。彼らは手順を読むだけでなく、見ることを望んでいます。AI がテキストのみを提供する場合、シェフは行き詰まり、別の場所で写真を探す必要があります。

5. 誰が AI を最も使うのか？

この研究は、シェフが AI を信頼する可能性が最も高いのは、以下の 2 つの状況であると発見しました。

彼らがその料理に非常に精通している場合（基本は知っているため、スピードだけを求めている）。
彼らが完全に迷っている場合（何をすべきか全くわからないため、出発点が必要）。

中間層: シェフがその料理について少しは知っているが専門家ではない場合、彼らは実際には AI に対して懐疑的でした。彼らは AI に助けを求めますが、AI の回答を完全に信頼していないため、すべてを二重に確認します。

まとめ

この論文は、AI は単にコーディングを速くするツールではなく、開発者の人格全体を変えると結論付けています。

彼らは、読むことや計画することよりも、構築とテストに焦点を当てるようになります。
彼らはストレスを感じにくくなりますが、助けに頼ることに対して罪悪感をより強く感じることがあります。
テキストだけの指示はしばしば失敗するため、彼らは視覚的補助を必要とします。

研究者たちは、将来の AI 設計者が、単にコード生成器を構築しているのではなく、開発者の考え方や感情、働き方に影響を与えるパートナーを構築していることを理解できるよう、この「S-IASE」モデルを構築しました。

論文「開発者は AI とどのように相互作用するか？開発者のプログラミング行動のモデリングに関する探索的研究」の詳細な技術的サマリーを以下に示す：

1. 問題提起

AI アシスタント（GitHub Copilot や ChatGPT など）のソフトウェア工学への急速な統合は、開発プラクティスを変容させた。しかし、既存の研究は主に観測可能な成果（コード生成速度やバグの削減など）や、狭い相互作用モード（「加速」対「探索」など）に焦点を当てている。

ギャップ: 開発者と AI の相互作用の多次元的性質に関する深い理解が欠如している。従来のモデルは相互作用を単一の活動として扱ったり、外部観察のみに依存したりしており、隠れた意図、具体的な行動、ツールの使用、および感情状態の間の相互作用を捉えきれていない。
目的: AI 支援の文脈における開発者のプログラミング行動を特徴づけ、状態、意図、行動、ツール、感情の間の動的なフィードバックループを捉える包括的なモデルを開発すること。

2. 手法

著者は、76 名の開発者（学部生・大学院生および業界経験を持つプロフェッショナル）を対象とした混合手法ユーザー調査を実施した。

調査設計:
- グループ: 参加者はAI 支援群（任意の AI ツール使用を許可）と非 AI 群（AI ツール不使用）に分割された。
- タスク: 事前知識に基づき、2 つの現実的かつ時間制限付き（25 分）のソフトウェア工学タスクが割り当てられた：
  1. PyT: GitHub REST API の管理（組織作成、トークン生成、リポジトリ作成）を含む Python タスク。
  2. JavaT: MySQL データベース操作（セットアップ、CRUD 操作、ビジネスクエリ）を含む Java タスク。
- 手順:
  1. 事前アンケート: 人口統計、プログラミング経験、AI への慣れを収集。
  2. 活動: 参加者は画面録画を行いながらタスクを実行。
  3. アノテーション: 参加者は録画を振り返って視聴し、カスタムアノテーションツールを使用して動画を時間区間に分割。各区間について以下のラベルを付与：
    - 意図: 行動の背後にある目標。
    - 行動: 実行された具体的な活動。
    - 支援ツール: 使用されたツール（例：AI、IDE、検索エンジン）。
    - 感情: 7 段階の快不快尺度で評価。
  4. 事後アンケートおよびインタビュー: 認知的負荷（NASA-TLX）、自己効力感を測定し、社会技術的グラウンデッド理論（STGT）を用いて 14 名の参加者に対して半構造化インタビューを実施。
データ分析:
- 定量的: 集約された行動パターンを特定するための統計分析（OLS 回帰、Benjamini–Hochberg 補正）。繰り返し発生する状態遷移を特定するためのシーケンシャルパターンマイニング（CloSpan アルゴリズム）。
- 定性的: 定量的な知見を解釈し、微妙な感情体験を明らかにするためのインタビューのテーマ分析。

3. 主な貢献

本論文は、開発者のプログラミング行動をモデル化するための新しい枠組みであるS-IASE モデルを導入する。

S-IASE モデル: 開発状態を以下のタプルとして定義する：
$State_n \rightarrow State_{n+1} [Intention, \langle Action, Supporting Tool \rangle, Emotion]$
- 状態: 現在の開発コンテキスト。
- 意図: 開発者の目標（例：「エラーの解決」、「コードの実装」）。
- 行動と支援ツール: AI や他のツールを用いた場合と用いない場合の行動を区別するためにペアリングされる（例：「コード記述」＋「AI ツール」対「コード記述」＋「IDE」）。
- 感情: 情動状態（7 段階の快不快尺度）。
アノテーションツール: これら 4 つの次元の振り返りによるアノテーションを容易にするために開発されたオープンソースツール。
行動パターン: 集約的（統計的）および逐次的（時間的）な相互作用パターンを明らかにした。

4. 主な結果

A. 集約された行動パターン（RQ2）

焦点のシフト: AI 支援を受けた開発者は、コードの作成、評価、検証に有意に多くの時間を費やした。非 AI 群と比較して、深い読解や理解に費やす時間は少なかった。
ツールの使用: AI 群は検索エンジン（例：Stack Overflow）への依存度が有意に低く、AI ツールやIDEへの依存度が高かった。これは、AI が主要な知識インターフェースとなっていることを示唆する。
感情的安定性: AI 支援を受けた参加者は、より肯定的かつ中立的な感情を報告し、否定的な変動は少なかった。非 AI 群はより高いフラストレーションと感情的な不安定さを経験した。
タスクパフォーマンス: AI 群は完了率と機能的な正しさが向上したが、タスクの複雑さにより全体的な正しさは低く（13%）留まった。

B. 逐次的行動パターン（RQ3）

「信頼するが検証する」: 支配的なシーケンスとして観察されたのは：コンテキストの理解 $\rightarrow$ （AI 経由の）コード実装 $\rightarrow$ 新しいコードの設計/計画。これは従来の「設計してから実装」というパラダイムを逆転させるものであり、開発者はまずコードベースに「足場」を得るために AI を使用し、その後アーキテクチャを洗練させる。
反復的フィードバックループ: 読解 $\rightarrow$ プロンプト入力 $\rightarrow$ 記述 $\rightarrow$ 読解。開発者は AI の出力をドラフトとして扱い、深い初期理解ではなく、迅速な試行錯誤サイクルに従事する。
モダリティのミスマッチ: 視覚的ガイダンスが必要なタスク（例：API セットアップ）において、テキストのみの AI 提案は失敗し、開発者は視覚的ドキュメントのために検索エンジンに依存せざるを得なくなった。

C. 定性的洞察（インタビュー）

「 impostor（偽物）」現象: 統計的な感情的安定性にもかかわらず、多くの AI 支援を受けた開発者は罪悪感、自己疑念、 impostor シンドロームを報告した。彼らは「不正をしている」あるいは「学んでいない」と感じ、生産性（速度）とスキル開発（理解）の間に内的葛藤が生じていた。
自己非難: AI 生成コードが失敗した場合、開発者は AI ツール自体ではなく、自身のプロンプトスキルや環境を非難する傾向があった。

5. 意義と示唆

研究者向け: S-IASE モデルは、単なる活動ログの記録を超えて、情動的および意図的状態を含めることで、開発者と AI の相互作用を研究するための構造化された多次元的レンズを提供する。AI 協働の「隠れた」認知的および感情的な層を研究する必要性を浮き彫りにしている。
実践者（AI デザイナー）向け:
- 視覚的ガイダンス: AI アシスタントはテキストだけでなく、セットアップや構成タスクのための視覚的モダリティ（スクリーンショット、図解）をサポートする必要がある。
- 信頼の較正: システムは、罪悪感を誘発することなく開発者が AI 出力を検証できるよう支援すべきであり、学習を促進するために AI が何を行っているかを明示的に強調することで、その実現が図れるかもしれない。
- ワークフロー統合: ツールは「信頼するが検証する」というワークフローをサポートし、AI 生成と手動の洗練間での迅速な反復と容易な切り替えを促進すべきである。
教育向け: カリキュラムは、効率化のための AI 利用と、深い概念的理解の維持との間の緊張関係に対処し、AI 依存に伴う「 impostor」感情を管理できるよう開発者を準備させるべきである。

結論

本研究は、開発者と AI の相互作用における社会技術的複雑性を理解する上で重要なギャップを埋めるものである。S-IASE 枠組みを通じて行動をモデル化することで、著者らは AI 支援がプログラミングのシーケンスと感情的な質感を根本的に変容させ、深い初期理解よりも迅速な反復と検証を優先する「vibe coding」と呼ばれる新しいパラダイムを創出し、同時に開発者に対して新たな心理的課題をもたらしていることを明らかにした。