💻 computer science

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

본 연구는 76 명의 개발자를 대상으로 한 혼합 방법론 연구를 통해 의도, 행동, 도구, 감정을 통합하여 AI 지원 프로그래밍의 다차원적 특성을 규명하는 S-IASE 모델을 제시하며, AI 활용이 더 안정적인 감정 흐름과 집중된 코드 생성을 촉진하는 동시에 사기꾼 증후군과 같은 복잡한 심리적 반응을 유발함을 밝히고 있습니다.

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

게시일 2026-05-01

📖 4 분 읽기☕ 가벼운 읽기

CC BY 4.0

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

원본 논문은 CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. ✨ 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성하거나 승인한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기

소프트웨어 개발을 복잡한 요리 과정으로 상상해 보세요. 수십 년 동안 셰프들 (개발자들) 은 레시피를 따르고, 재료를 다듬으며, 가스불을 관리하는 모든 일을 혼자 해왔습니다. 하지만 최근, 새로운 종류의 '스마트 부셰프' (GitHub Copilot 이나 ChatGPT 와 같은 AI 어시스턴트) 가 주방에 등장했습니다. 이 부셰프들은 즉시 레시피를 제안하거나, 채소를 다지거나, 심지어 요리를 접시에 담는 일까지 해냅니다.

제공된 논문은 실제 셰프들이 이러한 스마트 부셰프를 사용하기 시작했을 때 어떤 일이 일어나는지에 대한 상세한 관찰과 같습니다. 연구자들은 다음과 같은 점을 알고 싶어 했습니다: 셰프는 그냥 뒤로 물러앉아 구경만 할까요, 아니면 요리 방식을 바꿀까요? 부셰프가 일하는 동안 셰프들은 무엇을 생각하고 느끼고 있을까요?

다음은 그들의 발견 사항을 쉬운 용어로 정리한 것입니다:

1. 요리의 새로운 '레시피': S-IASE 모델

이 연구 이전까지 연구자들은 주로 외부에서 셰프들을 지켜보며 다듬거나 휘저은 횟수를 세는 데 그쳤습니다. 그들은 셰프의 머릿속에서 일어나는 일을 놓치고 있었습니다.

연구자들은 S-IASE 모델이라는 새로운 관찰 방식을 고안했습니다. 손만 보는 것이 아니라, 동시에 일어나는 네 가지 요소를 살펴본 것입니다:

상태 (State): 지금 레시피의 어느 단계에 있나요? (예: "소스가 타고 있다" 또는 "향신료를 찾아야 한다.")
의도 (Intention): 셰프는 무엇을 하려 하고 있나요? (예: "이 오류를 수정해야 한다" 또는 "이 작업을 더 빠르게 하고 싶다.")
행동 + 도구 (Action + Tool): 무엇을 하고 있으며, 어떤 도구를 사용하고 있나요? (예: "부셰프에게 제안을 요청한다" 대 "책에서 향신료를 찾는다.")
감정 (Emotion): 셰프는 어떻게 느끼고 있나요? (예: "기분 좋다", "좌절한다", 또는 "죄책감을 느낀다.")

그들은 셰프들이 스마트 부셰프를 사용할 때, 이 네 가지 요소가 모두 변화하며 복잡하게 서로 춤추듯 상호작용한다는 사실을 발견했습니다.

2. '신뢰하되 검증하라'는 춤

연구자들은 셰프들이 AI 를 사용하는 데서 특정한 리듬을 발견했습니다. 단순히 '물어보고 받아들이는' 것이 아니라, 탁구 게임과 같은 것이었습니다:

셰프가 AI 에게 해결책을 요청합니다.
AI 가 제안 (공) 을 던져줍니다.
셰프는 즉시 그것을 확인하거나 수정하거나 테스트를 실행합니다 (반격).
작동하면 다음 단계로 넘어갑니다. 작동하지 않으면 다시 요청합니다.

비유: 레시피 책 전체를 더 이상 읽지 않는 셰프를 상상해 보세요. 대신 부셰프에게 "이 소스를 어떻게 만들까요?"라고 묻습니다. 부셰프는 "소금을 넣으세요"라고 답합니다. 셰프는 맛을 보고 "너무 짜요"라고 말한 뒤, "좋아요, 그럼 소금을 덜 넣는 건 어때요?"라고 다시 묻습니다. 맞을 때까지 서로 주고받으며 진행합니다. 그들은 훨씬 더 빠르게 창조하고 검증하지만, 시작하기 전에 지시사항을 깊이 있게 읽는 시간은 줄어듭니다.

3. 감정의 롤러코스터 (또는 그 부재)

이 연구는 두 그룹의 셰프를 비교했습니다:

A 그룹: 스마트 부셰프를 사용했습니다.
B 그룹: 도움 없이 처음부터 모든 것을 직접 요리해야 했습니다.

결과: AI 를 사용한 그룹의 감정적 여정은 훨씬 원활했습니다. 그들은 덜 스트레스를 받고 덜 좌절했습니다. 더 행복하고 자신감이 있었습니다.

이유: AI 가 그들이 막힌 곳을 빠르게 해결해 주었기 때문입니다.
문제점: 그들이 더 행복해졌음에도 불구하고, 일부 셰프들은 비밀스러운 죄책감을 느꼈습니다. 그들은 '사기꾼 (임포스터)'처럼 느꼈습니다. 한 셰프는 "AI 의 도움을 받아 요리를 완성했지만, 스스로 만드는 법을 배우지 못했기 때문에 죄책감을 느낍니다"라고 말했습니다. 그들이 직접 일을 하지 않으면 실제로 배우는 것이 아니라고 우려했습니다.

4. '말하지 말고 보여줘'라는 문제

때로는 스마트 부셰프가 기술적으로는 정확하지만 텍스트로만 표현되어 따라 하기 어려운 지시를 내립니다.

상황: 부셰프가 "오른쪽 상단 모서리의 버튼을 클릭하세요"라고 말합니다.
문제: 셰프는 그 버튼을 찾을 수 없습니다. 텍스트가 모호합니다.
반응: 셰프는 AI 를 포기하고, 인간 포럼 (예: Stack Overflow) 으로 가거나, 버튼이 정확히 어디 있는지 보기 위해 사진이나 다이어그램을 찾습니다.
교훈: 셰프들은 시각 자료가 필요합니다. 그들은 지시사항을 읽는 것이 아니라 보고 싶어 합니다. AI 가 텍스트만 제공할 때, 셰프는 막히게 되고 다른 곳에서 사진을 찾아야 합니다.

5. 누가 AI 를 가장 많이 사용할까요?

이 연구는 셰프들이 두 가지 상황에서 AI 를 가장 신뢰할 가능성이 높다는 사실을 발견했습니다:

요리에 매우 익숙할 때 (기본을 알았으므로 속도만 원함).
완전히 막혔을 때 (어떻게 해야 할지 전혀 모르므로 시작점이 필요함).

중간 영역: 셰프가 요리에 대해 조금 알지만 전문가가 아닌 경우, 그들은 실제로 AI 에 대해 회의적이었습니다. 그들은 AI 에게 도움을 요청하지만, AI 의 답변을 완전히 신뢰하지 못했으므로 모든 것을 다시 확인했습니다.

요약

이 논문은 AI 가 단순히 코딩을 더 빠르게 만드는 도구가 아니라, 개발자의 전체적인 성격을 변화시킨다고 결론 내립니다.

그들은 읽기와 계획보다는 구축과 테스트에 더 집중하게 됩니다.
그들은 스트레스는 덜 받지만, 도움을 의존하는 것에 대해 때때로 더 많은 죄책감을 느낍니다.
텍스트만으로는 지시사항이 실패하는 경우가 많으므로 시각적 보조 자료가 필요합니다.

연구자들은 이 'S-IASE' 모델을 구축하여 향후 AI 설계자들이 그들이 단순히 코드 생성기를 만드는 것이 아니라, 개발자의 생각, 감정, 그리고 작업 방식에 영향을 미치는 파트너를 만들고 있음을 이해하도록 돕고자 했습니다.

다음은 논문 "How Do Developers Interact with AI? An Exploratory Study on Modeling Developer Programming Behavior(개발자는 AI 와 어떻게 상호작용하는가? 개발자 프로그래밍 행동을 모델링하기 위한 탐색적 연구)"에 대한 상세한 기술 요약입니다:

1. 문제 제기

AI 어시스턴트 (예: GitHub Copilot, ChatGPT) 의 소프트웨어 공학 분야로의 급속한 통합은 개발 관행을 변화시켰습니다. 그러나 기존 연구는 주로 관찰 가능한 결과 (예: 코드 생성 속도, 버그 감소) 나 좁은 상호작용 모드 (예: "가속" 대 "탐색") 에 초점을 맞추고 있습니다.

격차: 개발자 -AI 상호작용의 다차원적 성격에 대한 깊은 이해가 부족합니다. 이전 모델들은 상호작용을 단일 활동으로 취급하거나 외부 관찰에만 의존하여, 숨겨진 의도, 구체적인 행동, 도구 사용, 그리고 정서적 상태 사이의 상호작용을 포착하지 못했습니다.
목표: AI 지원 맥락에서 개발자 프로그래밍 행동을 특징짓고, 상태, 의도, 행동, 도구, 정서 간의 동적 피드백 루프를 포착하는 포괄적인 모델을 개발하는 것입니다.

2. 방법론

저자들은 76 명의 개발자(학부/대학원생 및 산업계 경험을 가진 전문가) 가 참여한 혼합 방법 사용자 연구를 수행했습니다.

연구 설계:
- 그룹: 참가자를 AI 지원 (선호하는 모든 AI 도구 사용 허용) 그룹과 비 AI(AI 도구 미사용) 그룹으로 나누었습니다.
- 과제: 사전 지식에 기반하여 두 가지 현실적이고 시간 제한 (25 분) 이 있는 소프트웨어 공학 과제를 할당했습니다:
  1. PyT: GitHub REST API 관리 (조직 생성, 토큰 생성, 저장소 생성) 를 포함하는 Python 작업.
  2. JavaT: MySQL 데이터베이스 작업 (설치, CRUD 작업, 비즈니스 쿼리) 을 포함하는 Java 작업.
- 절차:
  1. 사전 설문조사: 인구통계학적 정보, 프로그래밍 경험, AI 친숙도를 수집했습니다.
  2. 활동: 참가자는 화면 녹화 while 과제를 수행했습니다.
  3. 주석 달기: 참가자는 녹화 영상을 사후에 시청하고 커스텀 주석 도구를 사용하여 비디오를 시간 간격으로 분할했습니다. 각 간격에 대해 다음을 레이블링했습니다:
    - 의도: 행동 뒤의 목표.
    - 행동: 수행된 구체적인 활동.
    - 지원 도구: 사용된 도구 (예: AI, IDE, 검색 엔진).
    - 정서: 7 점 척도 (valence scale) 로 평가.
  4. 사후 설문조사 및 인터뷰: 인지 부하 (NASA-TLX), 자기 효능감을 측정하고, 사회기술적 근거 이론 (STGT) 을 사용하여 14 명의 참가자와 반구조화 인터뷰를 수행했습니다.
데이터 분석:
- 정량적: 집계된 행동 패턴을 식별하기 위한 통계 분석 (OLS 회귀, Benjamini–Hochberg 보정). 반복되는 상태 전이를 식별하기 위한 순차적 패턴 마이닝 (CloSpan 알고리즘).
- 정성적: 정량적 결과를 해석하고 미묘한 정서적 경험을 발견하기 위한 인터뷰의 주제 분석.

3. 주요 기여

이 논문은 개발자 프로그래밍 행동을 모델링하기 위한 새로운 프레임워크인 S-IASE 모델을 소개합니다.

S-IASE 모델: 개발 상태를 튜플로 정의합니다:
$State_n \rightarrow State_{n+1} [Intention, \langle Action, Supporting Tool \rangle, Emotion]$
- 상태: 현재 개발 맥락.
- 의도: 개발자의 목표 (예: "오류 해결", "코드 구현").
- 행동 및 지원 도구: AI 나 기타 도구를 사용하거나 사용하지 않고 수행된 행동을 구분하기 위해 짝을 이룹니다 (예: "코드 작성" + "AI 도구" 대 "코드 작성" + "IDE").
- 정서: 정서적 상태 (7 점 척도).
주석 도구: 이 네 가지 차원의 사후 주석 달기를 용이하게 하기 위해 개발된 오픈 소스 도구.
행동 패턴: 집계된 (통계적) 및 순차적 (시간적) 상호작용 패턴을 발견했습니다.

4. 주요 결과

A. 집계된 행동 패턴 (RQ2)

초점의 이동: AI 지원 개발자는 생성, 평가, 검증에 훨씬 더 집중했습니다. 비 AI 개발자에 비해 심층적인 읽기와 이해에 할애한 시간은 적었습니다.
도구 사용: AI 그룹은 검색 엔진(예: Stack Overflow) 에 훨씬 덜 의존하고 AI 도구와 IDE에 더 많이 의존했습니다. 이는 AI 가 주요 지식 인터페이스가 되었음을 시사합니다.
정서적 안정성: AI 지원 참가자는 더 긍정적이고 중립적인 정서를 보고하고 부정적인 변동을 적게 경험했습니다. 비 AI 참가자는 더 높은 좌절감과 정서적 변동을 경험했습니다.
과제 수행: AI 그룹은 더 높은 완료율과 기능적 정확성을 달성했으나, 과제의 복잡성으로 인해 전체 정확도는 여전히 낮았습니다 (13%).

B. 순차적 행동 패턴 (RQ3)

"신뢰하되 검증하라": 관찰된 지배적인 순서는 다음과 같습니다: 맥락 이해 $\rightarrow$ (AI 를 통해) 코드 구현 $\rightarrow$ 새로운 코드 설계/계획. 이는 전통적인 "설계 후 구현" 패러다임을 반전시킵니다; 개발자는 먼저 코드베이스에 "발걸음"을 딛기 위해 AI 를 사용한 후 아키텍처를 다듬습니다.
반복적 피드백 루프: 읽기 $\rightarrow$ 프롬프트 입력 $\rightarrow$ 작성 $\rightarrow$ 읽기. 개발자는 AI 출력을 초안으로 간주하여 심층적인 초기 이해보다는 빠른 시행착오 주기에 참여합니다.
모달리티 불일치: 시각적 안내가 필요한 작업 (예: API 설정) 이 발생할 때 텍스트 전용 AI 제안은 실패하여 개발자가 시각적 문서화를 위해 검색 엔진으로 되돌아가게 했습니다.

C. 정성적 통찰 (인터뷰)

"사기꾼" 현상: 통계적 정서적 안정성에도 불구하고, 많은 AI 지원 개발자가 죄책감, 자기 의심, 사기꾼 증후군을 보고했습니다. 그들은 "속임수"를 치거나 배우지 않는다고 느껴, 생산성(속도) 과 기술 개발(이해) 사이의 내적 갈등을 겪었습니다.
자기 비난: AI 생성 코드가 실패할 때, 개발자는 종종 AI 도구 자체보다는 자신의 프롬프트 기술이나 환경을 탓했습니다.

5. 중요성과 함의

연구자를 위해: S-IASE 모델은 단순한 활동 로그를 넘어 정서적 및 의도적 상태를 포함하는 구조화된 다차원 렌즈를 통해 개발자 -AI 상호작용을 연구할 수 있는 틀을 제공합니다. 이는 AI 협업의 "숨겨진" 인지 및 정서적 층위를 연구할 필요성을 강조합니다.
실무자 (AI 설계자) 를 위해:
- 시각적 안내: AI 어시스턴트는 텍스트뿐만 아니라 설정 및 구성 작업을 위해 시각적 모달리티 (스크린샷, 다이어그램) 를 지원해야 합니다.
- 신뢰 보정: 시스템은 학습을 촉진하기 위해 AI 가 무엇을 하고 있는지 명시적으로 강조함으로써 죄책감을 유발하지 않고 개발자가 AI 출력을 검증하도록 도와야 합니다.
- 워크플로우 통합: 도구는 "신뢰하되 검증하라"는 워크플로우를 지원하여 AI 생성과 수동 정제 간에 빠른 반복과 쉬운 전환을 용이하게 해야 합니다.
교육을 위해: 커리큘럼은 효율성을 위한 AI 사용과 심층적인 개념적 이해 유지 사이의 긴장 관계를 다루어야 하며, 개발자가 AI 의존과 관련된 "사기꾼" 감정을 관리할 수 있도록 준비시켜야 합니다.

결론

본 연구는 개발자 -AI 상호작용의 사회기술적 복잡성을 이해하는 데 있어 중요한 격차를 해소합니다. S-IASE 프레임워크를 통해 행동을 모델링함으로써, 저자들은 AI 지원이 심층적인 초기 이해보다 빠른 반복과 검증을 우선시하는 새로운 "분위기 기반 코딩 (vibe coding)" 패러다임을 창출하면서 프로그래밍의 순서와 정서적 질감을 근본적으로 변화시킨다는 것을 드러냈으며, 이는 개발자들에게 새로운 심리적 도전을 제기하고 있음을 보여줍니다.