💻 computer science

Exploring Individual Factors in the Adoption of LLMs for Specific Software Engineering Purposes

Deze studie onderzoekt hoe individuele cognitieve en gedragsfactoren, geanalyseerd via het UTAUT2-model bij 188 software-engineers, de adoptie van Large Language Models voor specifieke software-engineeringdoeleinden beïnvloeden, waarbij blijkt dat deze factoren per doel variëren en soms zelfs een negatieve invloed hebben.

Oorspronkelijke auteurs: Stefano Lambiase, Gemma Catolino, Fabio Palomba, Filomena Ferrucci, Daniel Russo

Gepubliceerd 2026-04-15

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Stefano Lambiase, Gemma Catolino, Fabio Palomba, Filomena Ferrucci, Daniel Russo

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

De "AI-Keuken" voor Softwareontwikkelaars: Waarom gebruiken ze het voor het ene en niet voor het andere?

Stel je voor dat softwareontwikkelaars (de mensen die computerschrijven) een gigantische, nieuwe keuken hebben gekregen. In deze keuken staat een superkrachtige robotkok: een LLM (zoals ChatGPT). Deze robot kan van alles: hij kan recepten schrijven, ingrediënten zoeken, koken, en zelfs helpen met het plannen van een diner.

Maar de onderzoekers van dit artikel (Lambiase en collega's) vroegen zich af: "Waarom gebruiken sommige ontwikkelaars deze robotkok om een taart te bakken, terwijl anderen hem alleen gebruiken om het kruidenrek te vinden? En wat drijft hen daartoe?"

Ze hebben 188 ontwikkelaars ondervraagd om dit mysterie op te lossen. Hier is wat ze ontdekten, vertaald in begrijpelijke taal:

1. De Grote Vijf: Waarom gebruiken ze de robot?

De onderzoekers zagen dat ontwikkelaars de AI voor vijf verschillende dingen gebruiken, net zoals je een keuken voor verschillende doelen gebruikt:

Het maken van gerechten (Artifacts): Code schrijven of documenten maken.
Het maken van variaties (Alternatives): "Kun je dit recept in een andere stijl schrijven?"
Het zoeken in de kruidenkast (Informatie): "Wat is de beste manier om dit foutje op te lossen?"
Het plannen van het diner (Beslissingen): "Moeten we nu dit of dat systeem kiezen?"
Leren koken (Training): "Leer me hoe je dit gerecht maakt."

2. De Drie Grote Drijfveren (De "Motoren")

De studie vond drie hoofdredenen waarom mensen de robot gaan gebruiken, maar deze werken niet altijd op dezelfde manier:

A. De Gewoonte (De "Automatische Piloot")

Dit was de sterkste drijfveer voor alles.

Analogie: Als je elke ochtend koffie zet, doe je het bijna zonder na te denken. Zo is het met AI. Als een ontwikkelaar de AI al vaak gebruikt, wordt het een gewoonte. Ze gebruiken het dan automatisch voor code, beslissingen én om te leren.
Conclusie: Hoe vaker je het gebruikt, hoe meer je het voor alles gaat gebruiken.

B. Het Gemak (De "Gladde Weg")

Analogie: Als de robotkok heel makkelijk te bedienen is (je hoeft maar één knop in te drukken), gebruiken mensen hem graag om taarten te bakken of variaties te maken.
Verrassend: Als het moeilijk lijkt, gebruiken ze hem liever niet voor creatieve taken. Ze blijven dan liever zelf koken.

C. De "Koffieautomaat" (Facilitating Conditions)

Dit gaat over of de tools en ondersteuning er zijn.

Het mysterie: De onderzoekers vonden iets raars. Als de "koffieautomaat" (de tools) er goed staat, gebruiken mensen de AI wel om te koken en te zoeken. Maar als de automaat er staat, wil dat niet zeggen dat ze van plan zijn om de AI te gaan gebruiken voor beslissingen.
De reden: Voor moeilijke beslissingen vertrouwen mensen liever op hun eigen ervaring of op collega's, zelfs als de tools perfect zijn.

3. De "Koffiegesprekjes" (Sociale Invloed)

Soms kijken mensen naar wat hun collega's doen.

Voor het zoeken van informatie: Als je ziet dat je beste vriendje de AI gebruikt om snel antwoorden te vinden, doe jij dat ook. Dit werkt heel goed!
Voor het maken van code: Dit werkt minder. Iedereen maakt zijn eigen code, dus wat je collega doet, maakt minder uit.
Voor beslissingen: Ook hier helpt het als je ziet dat anderen het doen, want dan durf je het ook.

4. Het Verassende Resultaat: "Niet alles is hetzelfde"

De grootste les uit dit onderzoek is: Er is geen één groot antwoord.

Voor code schrijven (taart bakken) is het vooral een kwestie van gewoonte. Als je het al doet, doe je het.
Voor informatie zoeken (kruiden vinden) is het belangrijk wat collega's zeggen.
Voor beslissingen nemen (het menu plannen) is het juist lastig. Als er te veel ondersteuning is, vertrouwen mensen de AI juist minder voor belangrijke keuzes. Ze denken dan: "Ik heb genoeg hulpbronnen, waarom zou ik aan een robot vertrouwen?"

Wat betekent dit voor de praktijk?

Stel je voor dat je een manager bent die wil dat zijn team de AI beter gebruikt. Dit onderzoek geeft je een recept:

Maak het makkelijk: Zorg dat de AI in hun programma's zit (zoals een plugin in hun IDE). Als het makkelijk is, wordt het een gewoonte.
Gebruik "Koffieautomaatjes": Laat mensen zien hoe anderen de AI gebruiken voor het zoeken van informatie. De "sociale druk" werkt hier wonderbaarlijk goed.
Wees voorzichtig met beslissingen: Als je wilt dat ze de AI gebruiken voor belangrijke beslissingen, moet je niet alleen tools geven. Je moet ook laten zien dat de AI betrouwbaar is en dat het veilig is om het te vertrouwen.

Kortom: AI is geen magische toverstaf die voor iedereen op dezelfde manier werkt. Het is meer zoals een nieuwe keukenhulp: voor het snijden van groenten (code) is het gewoonte, voor het zoeken van recepten (informatie) is het wat je vrienden doen, en voor het plannen van het menu (beslissingen) moet je eerst echt vertrouwen hebben.

1. Probleemstelling en Context

De opkomst van Large Language Models (LLMs) heeft de software-engineering (SE) fundamenteel veranderd, met toepassingen variërend van codegeneratie tot besluitvorming. Hoewel er veel onderzoek is gedaan naar de algemene adoptie van LLMs, bestaat er een significante kennislacune:

Gebrek aan nuance: Bestaand onderzoek focust vaak op brede adoptietrends en negeert de subtiele relatie tussen individuele cognitieve/gedragsfactoren en de adoptie voor specifieke doeleinden (bijv. code genereren versus informatie opzoeken).
Praktische beperkingen: Zonder inzicht in welke factoren specifieke toepassingen drijven, kunnen teams geen op maat gemaakte systemen bouwen (zoals Generative AI Agents) en kunnen leiders geen effectieve strategieën ontwikkelen voor de integratie van LLMs in specifieke workflows.
Doel: Het onderzoek streeft ernaar een profiel te schetsen van ontwikkelaars dat bepaalt waarom ze LLMs kiezen voor specifieke SE-taken, gebaseerd op individuele adoptiefactoren.

2. Methodologie

De auteurs hanteren een kwantitatieve benadering gebaseerd op een survey-onderzoek en structurele vergelijkingen.

Datacollectie:
- Steekproef: 188 software-engineers met ervaring in het gebruik van LLMs voor SE-taken.
- Rekrutering: Via het platform Prolific, met strenge filters (bijv. Engels taalvaardigheid, 100% goedkeuring op Prolific, relevante SE-ervaring).
- Instrument: Een tweedelige vragenlijst. De eerste meet de onafhankelijke variabelen (UTAUT2-construekten), de tweede meet de frequentie van gebruik voor specifieke doeleinden.
Theoretisch Kader:
- Onafhankelijke Variabelen (Profiel): Het UTAUT2-model (Unified Theory of Acceptance and Use of Technology 2). Dit omvat zeven construekten: Performance Expectancy (PE), Effort Expectancy (EE), Social Influence (SI), Hedonic Motivation (HM), Facilitating Conditions (FC), Habit (Hb) en Behavioral Intention (BI).
- Afhankelijke Variabelen (Doelen): Gebaseerd op het framework van Khojah et al. [12], onderverdeeld in vijf specifieke gebruiksdomeinen:
  1. UB1: Artifacts manipuleren (genereren/modificeren).
  2. UB2: Alternatieven genereren.
  3. UB3: Informatie ophalen.
  4. UB4: Besluitvorming ondersteunen.
  5. UB5: Training/leren.
Data-analyse:
- Gebruik van Partial Least Squares Structural Equation Modeling (PLS-SEM) via SmartPLS.
- Dit methode is gekozen vanwege de complexiteit van het model (meerdere afhankelijke variabelen) en de focus op voorspellende kracht.
- Er werd gekeken naar directe effecten, indirecte effecten (mediatie via intentie en algemeen gebruik) en totale effecten.

3. Belangrijkste Resultaten

De analyse onthult dat adoptie geen uniform proces is; de drijvende factoren variëren sterk afhankelijk van het specifieke doel van het gebruik.

Gewoonte (Habit) als dominante factor:
- Habit is de sterkste voorspeller voor alle vijf gebruiksdomeinen. Dit suggereert dat LLM-gebruik snel een automatisch gedrag wordt dat de adoptie voor specifieke taken drijft, ongeacht de taak.
Verschillen per Doel:
- Artifacts Manipuleren (UB1): Wordt voornamelijk gedreven door Habit en Facilitating Conditions (indirect). Dit is een gevestigd, intuïtief gebruik dat weinig afhankelijk is van externe factoren.
- Alternatieven Genereren (UB2): Wordt sterk beïnvloed door Habit en Effort Expectancy (gemak van gebruik). Als developers het moeilijk vinden, gebruiken ze het minder voor creatieve variatie.
- Informatie Ophalen (UB3): Hier speelt Social Influence een unieke, directe rol (niet gemedieerd). Developers vertrouwen op LLMs voor informatie als ze zien dat collega's of leiders het gebruiken. Habit en Effort Expectancy blijven belangrijk.
- Besluitvorming (UB4): Hier is Habit, Effort Expectancy en Social Influence direct belangrijk. Opvallend is een negatief verband met Facilitating Conditions: in omgevingen met veel externe ondersteuning vertrouwen developers juist minder op LLMs voor beslissingen (ze gebruiken traditionele bronnen).
- Training (UB5): Heeft de laagste verklarende kracht ( $R^2$ ). Habit is hier de belangrijkste factor, maar Facilitating Conditions heeft een negatief effect (vergelijkbaar met besluitvorming).
Performance Expectancy (PE):
- PE heeft een verrassend zwak of zelfs negatief effect op specifieke adoptie (vooral bij UB2 en UB3), wat suggereert dat "waarde" op zich niet genoeg is zonder gewoonte en gemak.
Mediatie:
- Algemeen gebruiksgedrag (UB) fungeert als een sterke mediator. De intentie om te gebruiken vertaalt zich pas naar specifiek gebruik via de frequentie van algemeen gebruik.

4. Kernbijdragen

Doel-specifiek inzicht: Het onderzoek breekt met het "one-size-fits-all" perspectief van eerdere studies en toont aan dat de adoptiedynamiek per SE-taak verschilt.
Validatie en uitbreiding van UTAUT2: Het toont aan dat Habit de meest robuuste voorspeller is in de context van LLMs, en dat Social Influence cruciaal is voor kennisintensieve taken (informatie/beslissingen), in tegenstelling tot eerdere studies die sociale invloed als marginaal beschouwden.
Contraintuïtieve bevindingen: De ontdekking dat een sterk ondersteunende omgeving (Facilitating Conditions) soms de adoptie voor besluitvorming en training kan remmen, omdat developers dan terugvallen op bestaande, vertrouwde bronnen.
Praktische richtlijnen: Het biedt actionable adviezen voor toolmakers en managers (zie punt 5).

5. Significantie en Implicaties

De bevindingen hebben directe gevolgen voor zowel onderzoek als praktijk:

Voor Organisaties en Managers:
- Integratie: Voor code-generatie (UB1) moet de focus liggen naadloze integratie in IDE's om Habit te versterken.
- Kennisdeling: Voor informatie-ooging (UB3) en besluitvorming (UB4) is "peer-driven adoption" cruciaal. Managers moeten "boundary spanners" (collega's die over teams heen werken) inzetten om vertrouwen te bouwen via sociale validatie.
- Vertrouwen: Bij besluitvorming is betrouwbaarheid (geen hallucinaties) belangrijker dan alleen gemak. Tools moeten transparantie bieden (bijv. bronvermelding).
Voor Tool Ontwikkelaars:
- Gebruiksgemak (Effort Expectancy) is kritiek voor creatieve taken (alternatieven genereren).
- Tools moeten ontworpen worden om Habit te faciliteren door ze in bestaande workflows te embedden.
Voor Onderzoek:
- Het benadrukt de noodzaak van doel-specifieke modellen in plaats van algemene adoptiemodellen.
- Het wijst op de behoefte aan toekomstig onderzoek naar de rol van hallucinaties, teamdynamiek en longitudinale veranderingen in adoptiepatronen.

Conclusie:
De adoptie van LLMs in software-engineering is een complex, context-afhankelijk fenomeen. Hoewel Habit de universele drijvende kracht is, vereisen verschillende taken (van code schrijven tot beslissingen nemen) verschillende strategieën voor succesvolle implementatie. Een uniforme aanpak is inefficiënt; succes vereist maatwerk op basis van het specifieke gebruiksscenario.