💻 computer science

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

Deze mixed-methods studie onder 76 ontwikkelaars introduceert het S-IASE-model om de multidimensionale aard van AI-ondersteunde programmering te karakteriseren door intenties, acties, hulpmiddelen en emoties te integreren, en onthult dat het gebruik van AI een stabielere emotionele stroom en gefocuste codegeneratie bevordert, terwijl het ook complexe psychologische reacties zoals het impostor-syndroom oproept.

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

Gepubliceerd 2026-05-01

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

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

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

Stel je softwareontwikkeling voor als een complex kookproces. Decennialang hebben chefs (ontwikkelaars) recepten gevolgd, ingrediënten gesneden en fornuizen volledig zelf beheerd. Maar recentelijk is er een nieuw soort "slimme sous-chef" (AI-assistenten zoals GitHub Copilot of ChatGPT) de keuken binnengekomen. Deze sous-chefs kunnen direct recepten voorstellen, groenten snijden of zelfs gerechten opdienen.

Het door jou aangeleverde artikel is als een gedetailleerde observatie van wat er gebeurt wanneer echte chefs beginnen met het gebruik van deze slimme sous-chefs. De onderzoekers wilden weten: Zit de chef alleen maar achterover en kijkt hij toe, of verandert hij zijn kookwijze? Waar denken en voelen ze aan terwijl de sous-chef werkt?

Hier is een overzicht van hun bevindingen in eenvoudige bewoordingen:

1. Het nieuwe "recept" voor koken: het S-IASE-model

Voor dit onderzoek keken onderzoekers voornamelijk van buitenaf naar chefs en telden ze hoe vaak ze sneden of roerden. Ze misten wat er binnenin het hoofd van de chef gebeurde.

De onderzoekers creëerden een nieuwe manier om naar koken te kijken, het S-IASE-model. In plaats van alleen naar de handen te kijken, keken ze naar vier dingen die tegelijkertijd gebeuren:

Toestand: Waar staan we nu in het recept? (bijvoorbeeld: "De saus staat op te branden" of "We moeten een specerij vinden.")
Intentie: Wat probeert de chef te doen? (bijvoorbeeld: "Ik moet deze fout oplossen" of "Ik wil dit sneller maken.")
Actie + Hulpmiddel: Wat doen ze en welk hulpmiddel gebruiken ze? (bijvoorbeeld: "De sous-chef om een suggestie vragen" versus "Een specerij opzoeken in een boek.")
Emotie: Hoe voelt de chef zich? (bijvoorbeeld: "Blij", "Frustrerend" of "Schuldig.")

Ze ontdekten dat wanneer chefs de slimme sous-chef gebruiken, al deze vier dingen op een complexe manier veranderen en met elkaar dansen.

2. De "Vertrouwen maar verifiëren"-dans

De onderzoekers merkten een specifiek ritme op in hoe chefs de AI gebruikten. Het was niet zomaar "vragen en accepteren". Het leek meer op een spelletje ping-pong:

De chef vraagt de AI om een oplossing.
De AI gooit een suggestie terug (een "ping").
De chef controleert het direct, past het aan of voert een test uit (de "pong").
Als het werkt, gaan ze verder. Zo niet, dan vragen ze opnieuw.

De Analogie: Stel je een chef voor die niet meer het hele receptenboek leest. In plaats daarvan vraagt hij de sous-chef: "Hoe maak ik deze saus?" De sous-chef zegt: "Voeg zout toe." De chef proeft het, zegt: "Te zout", en vraagt: "Oké, hoe zit het met minder zout?" Ze blijven heen en weer gaan tot het goed is. Ze creëren en verifiëren veel sneller, maar ze besteden minder tijd aan het diepgaand lezen van de instructies voordat ze beginnen.

3. De emotionele achtbaan (of het gebrek daaraan)

Het onderzoek vergeleek twee groepen chefs:

Groep A: Gebruikte de slimme sous-chef.
Groep B: Moest alles van scratch koken zonder hulp.

De Bevinding: De groep die de AI gebruikte, had een veel soepelere emotionele rit. Ze voelden zich minder gestrest en minder gefrustreerd. Ze waren gelukkiger en zelfverzekerder.

Waarom? Omdat de AI hen snel uit de problemen hielp.
De Haken en Ogen: Hoewel ze gelukkiger waren, voelden sommige chefs een geheime schuld. Ze voelden zich als "impostors" (oplichters). Een chef zei: "Ik heb het gerecht afgerond met hulp van de AI, maar ik voel me schuldig omdat ik niet heb geleerd hoe ik het zelf moet maken." Ze maakten zich zorgen dat als ze het werk niet zelf deden, ze niet echt leerden.

4. Het "Laat zien, vertel het niet"-probleem

Soms geeft de slimme sous-chef instructies die technisch correct zijn, maar moeilijk te volgen omdat het slechts tekst is.

Het Scenario: De sous-chef zegt: "Klik op de knop rechtsboven."
Het Probleem: De chef kan de knop niet vinden. De tekst is vaag.
De Reactie: De chef geeft het met de AI op, gaat naar een menselijk forum (zoals Stack Overflow) of zoekt een afbeelding/diagram om precies te zien waar de knop zit.
De Les: Chefs hebben visuele hulpmiddelen nodig. Ze willen de stappen zien, niet alleen lezen. Wanneer de AI alleen tekst geeft, komt de chef vast te zitten en moet hij elders een afbeelding zoeken.

5. Wie gebruikt de AI het meest?

Het onderzoek vond uit dat chefs de AI het meest vertrouwden in twee situaties:

Wanneer ze super bekend waren met het gerecht (ze kenden de basis, dus wilden ze alleen maar snelheid).
Wanneer ze volledig verdwaald waren (ze wisten niet wat ze moesten doen, dus hadden ze een startpunt nodig).

Het Midden: Als een chef een beetje over het gerecht wist maar geen expert was, waren ze eigenlijk sceptisch over de AI. Ze zouden de AI om hulp vragen, maar alles dubbelchecken omdat ze het antwoord van de AI nog niet volledig vertrouwden.

Samenvatting

Het artikel concludeert dat AI niet zomaar een hulpmiddel is dat coderen sneller maakt; het verandert de hele persoonlijkheid van de ontwikkelaar.

Ze worden meer gefocust op bouwen en testen in plaats van lezen en plannen.
Ze voelen zich minder gestrest, maar soms schuldiger over het vertrouwen op hulp.
Ze hebben visuele hulpmiddelen nodig, omdat tekstuele instructies ze vaak in de steek laten.

De onderzoekers hebben dit "S-IASE"-model gebouwd om toekomstige AI-ontwerpers te helpen begrijpen dat ze niet alleen een codegenerator bouwen; ze bouwen een partner die invloed heeft op hoe ontwikkelaars denken, voelen en werken.

1. Probleemstelling

De snelle integratie van AI-assistenten (zoals GitHub Copilot, ChatGPT) in software-engineering heeft ontwikkelpraktijken getransformeerd. Echter, bestaand onderzoek richt zich grotendeels op waarneembare uitkomsten (bijvoorbeeld code-generatiesnelheid, vermindering van bugs) of smalle interactiemodi (bijvoorbeeld "versnelling" versus "exploratie").

Kloof: Er ontbreekt een diepgaand begrip van de multidimensionale aard van de interactie tussen ontwikkelaars en AI. Eerdere modellen behandelen interactie vaak als een enkele activiteit of vertrouwen uitsluitend op externe observatie, waardoor ze het samenspel tussen verborgen intenties, concrete acties, gebruik van hulpmiddelen en emotionele toestanden niet vastleggen.
Doel: Het ontwikkelen van een uitgebreid model dat het programmeergedrag van ontwikkelaars in de context van AI-ondersteuning karakteriseert, waarbij de dynamische feedbacklus tussen toestand, intentie, actie, hulpmiddelen en emotie wordt vastgelegd.

2. Methodologie

De auteurs voerden een mixed-methods gebruikersstudie uit met 76 ontwikkelaars (studenten op bachelor- en masterniveau en professionals met industriële ervaring).

Studieontwerp:
- Groepen: Deelnemers werden verdeeld in een AI-ondersteunde groep (toegang tot elke gewenste AI-tool) en een Non-AI groep (geen AI-tools).
- Taken: Twee realistische, tijdsgebonden (25 minuten) software-engineering-taken werden toegewezen op basis van voorkennis:
  1. PyT: Een Python-taak met betrekking tot beheer van de GitHub REST API (organisatie aanmaken, token genereren, repo aanmaken).
  2. JavaT: Een Java-taak met betrekking tot MySQL-database-operaties (opzetten, CRUD-operaties, zakelijke queries).
- Procedure:
  1. Pre-enquête: Verzameling van demografische gegevens, programmeerervaring en bekendheid met AI.
  2. Activiteit: Deelnemers voerden de taak uit terwijl het scherm werd opgenomen.
  3. Annotatie: Deelnemers keken achteraf hun opnames terug en gebruikten een aangepast annotatietool om de video te segmenteren in tijdsintervallen. Voor elk interval labelden ze:
    - Intentie: Het doel achter de actie.
    - Actie: De specifieke uitgevoerde activiteit.
    - Ondersteunend hulpmiddel: Het gebruikte hulpmiddel (bijvoorbeeld AI, IDE, Zoekmachine).
    - Emotie: Gescoord op een 7-punts valentie-schaal.
  4. Post-enquête & Interviews: Meting van cognitieve belasting (NASA-TLX), zelfeffectiviteit en uitvoering van semi-gestructureerde interviews (14 deelnemers) met behulp van Socio-Technical Grounded Theory (STGT).
Data-analyse:
- Kwantitatief: Statistische analyse (OLS-regressie, Benjamini–Hochberg-correctie) om geaggregeerde gedragspatronen te identificeren. Sequentiële pattern mining (CloSpan-algoritme) om terugkerende toestands-overgangen te identificeren.
- Kwalitatief: Thematische analyse van interviews om kwantitatieve bevindingen te interpreteren en genuanceerde emotionele ervaringen bloot te leggen.

3. Belangrijkste Bijdragen

Het artikel introduceert het S-IASE Model, een nieuw raamwerk voor het modelleren van het programmeergedrag van ontwikkelaars.

Het S-IASE Model: Definieert een ontwikkeltoestand als een tuple:
$State_n \rightarrow State_{n+1} [Intention, \langle Action, Supporting Tool \rangle, Emotion]$
- State: De huidige ontwikkelcontext.
- Intention: Het doel van de ontwikkelaar (bijvoorbeeld "Fouten Oplossen", "Code Implementeren").
- Action & Supporting Tool: Gekoppeld om onderscheid te maken tussen acties uitgevoerd met/zonder AI of andere hulpmiddelen (bijvoorbeeld "Code Schrijven" + "AI-tool" versus "Code Schrijven" + "IDE").
- Emotion: Affectieve toestand (7-punts valentie-schaal).
Annotatietool: Een open-source tool ontwikkeld om de retrospectieve annotatie van deze vier dimensies te faciliteren.
Gedragspatronen: Blootlegging van zowel geaggregeerde (statistische) als sequentiële (temporele) patronen van interactie.

4. Belangrijkste Resultaten

A. Geaggregeerde Gedragspatronen (RQ2)

Verschuiving in Focus: AI-ondersteunde ontwikkelaars richtten zich significant meer op het creëren, evalueren en verifiëren van code. Ze besteedden minder tijd aan diepgaand lezen en begrijpen in vergelijking met Non-AI-ontwikkelaars.
Gebruik van Hulpmiddelen: AI-groepen vertrouwden significant minder op Zoekmachines (bijvoorbeeld Stack Overflow) en meer op AI-tools en IDE's. Dit suggereert dat AI de primaire kennisinterface is geworden.
Emotionele Stabiliteit: AI-ondersteunde deelnemers rapporteerden meer positieve en neutrale emoties en minder negatieve schommelingen. Non-AI-deelnemers ervoeren meer frustratie en emotionele volatiliteit.
Taakprestatie: AI-groepen behaalden hogere voltooiingspercentages en functionele correctheid, hoewel de algehele correctheid laag bleef (13%) vanwege de complexiteit van de taak.

B. Sequentiële Gedragspatronen (RQ3)

"Vertrouwen maar Verifiëren": Een dominante sequentie die werd waargenomen was: Context Begrijpen $\rightarrow$ Code Implementeren (via AI) $\rightarrow$ Nieuwe Code Ontwerpen/Plannen. Dit keert het traditionele "Eerst Ontwerpen dan Implementeren"-paradigma om; ontwikkelaars gebruiken AI om eerst een "voet aan de grond" te krijgen in de codebase en verfijnen vervolgens de architectuur.
Iteratieve Feedbacklus: Lezen $\rightarrow$ Prompten $\rightarrow$ Schrijven $\rightarrow$ Lezen. Ontwikkelaars behandelen AI-uitvoer als concepten en gaan snelle trial-and-error-cycli aan in plaats van diepgaande initiële comprehension.
Modale Mismatch: Wanneer taken visuele begeleiding vereisten (bijvoorbeeld API-opzet), faalden tekst-only AI-suggesties, waardoor ontwikkelaars terugvielen op zoekmachines voor visuele documentatie.

C. Kwalitatieve Inzichten (Interviews)

Het "Impostor"-Fenomeen: Ondanks statistische emotionele stabiliteit rapporteerden veel AI-ondersteunde ontwikkelaars schuldgevoel, zelftwijfel en impostor-syndroom. Ze voelden dat ze "valsspelen" of niet leerden, wat leidde tot een intern conflict tussen productiviteit (snelheid) en vaardigheidsontwikkeling (begrip).
Zelfbeschuldiging: Wanneer AI-genererde code faalde, gaven ontwikkelaars vaak hun eigen prompt-vaardigheden of omgeving de schuld in plaats van de AI-tool zelf.

5. Betekenis en Implicaties

Voor Onderzoekers: Het S-IASE-model biedt een gestructureerd, multidimensionaal lens om de interactie tussen ontwikkelaars en AI te bestuderen, en gaat voorbij aan eenvoudige activiteitslogging door affectieve en intentionele toestanden mee te nemen. Het benadrukt de noodzaak om de "verborgen" cognitieve en emotionele lagen van AI-samenwerking te bestuderen.
Voor Praktici (AI-ontwerpers):
- Visuele Begeleiding: AI-assistenten moeten visuele modaliteiten (screenshots, diagrammen) ondersteunen voor opzet- en configuratietaken, niet alleen tekst.
- Trust Calibration: Systemen moeten ontwikkelaars helpen AI-uitvoer te verifiëren zonder schuldgevoel op te wekken, misschien door expliciet aan te geven wat de AI doet om leren te stimuleren.
- Workflow-integratie: Tools moeten de "Vertrouwen maar Verifiëren"-workflow ondersteunen, snelle iteratie en gemakkelijke schakeling tussen AI-generatie en handmatige verfijning faciliterend.
Voor Onderwijs: Curricula moeten de spanning adresseren tussen het gebruik van AI voor efficiëntie en het behoud van diepgaand conceptueel begrip, en ontwikkelaars voorbereiden op het beheersen van de "impostor"-gevoelens die gepaard gaan met afhankelijkheid van AI.

Conclusie

Deze studie overbrugt een kritieke kloof in het begrip van de socio-technische complexiteiten van de interactie tussen ontwikkelaars en AI. Door gedrag te modelleren via het S-IASE-raamwerk, onthullen de auteurs dat AI-ondersteuning fundamenteel de volgorde en emotionele textuur van programmeren verandert, waardoor een nieuw paradigma van "vibe coding" ontstaat dat prioriteit geeft aan snelle iteratie en verificatie boven diepgaande initiële comprehension, terwijl het tegelijkertijd nieuwe psychologische uitdagingen introduceert voor ontwikkelaars.