[论文解读] AI for Agile development: a Meta-Analysis
本篇元分析研究探讨了人工智能在敏捷软件开发中的整合，识别出关键挑战，如手动任务依赖和专业知识缺乏，同时展示了人工智能在持续集成、测试优先级排序和待办事项管理方面的增强作用。研究发现，人工智能可提升效率与质量，但面临重要的社会技术与人为因素挑战，亟需进一步研究。
This study explores the benefits and challenges of integrating Artificial Intelligence with Agile software development methodologies, focusing on improving continuous integration and delivery. A systematic literature review and longitudinal meta-analysis of the retrieved studies was conducted to analyse the role of Artificial Intelligence and it's future applications within Agile software development. The review helped identify critical challenges, such as the need for specialised socio-technical expertise. While Artificial Intelligence holds promise for improved software development practices, further research is needed to better understand its impact on processes and practitioners, and to address the indirect challenges associated with its implementation.
研究动机与目标
- 识别并分类文献中报告的敏捷软件开发中的主要挑战。
- 分析人工智能目前如何用于缓解这些敏捷开发挑战。
- 探讨将人工智能整合到敏捷实践过程中所产生的直接与间接未来挑战。
- 指出当前研究中的空白，特别是行业工具（例如JIRA）与学术文献之间的脱节。
- 强调在人工智能-敏捷整合中，对人为因素与社会技术专业知识进一步研究的必要性。
提出的方法
- 对来自四个学术数据库和Google Scholar的377篇经同行评审的全文英文文献（6页以上）进行了系统性文献回顾与纵向元分析。
- 使用关键词和布尔逻辑查询检索关于人工智能与敏捷开发的研究，排除仅关注人工智能开发方法的研究。
- 采用主题分析法对挑战与缓解策略进行分类，并将人工智能角色映射到特定的敏捷问题上。
- 运用统计技术对研究间的发现进行定量综合，重点关注人工智能应用的趋势。
- 使用一种自定义网络爬虫（AHK）以增强从预印本存储库和数据库中收集数据的能力。
- 将识别出的挑战（n=7）与人工智能缓解策略（M1–M5）进行映射，评估人工智能在每种情境下的作用。
实验结果
研究问题
- RQ1文献中识别出的敏捷软件开发的主要挑战是什么（RQ1）？
- RQ2人工智能目前如何用于缓解这些敏捷开发挑战（RQ2）？
- RQ3将人工智能整合到敏捷实践中所伴随的直接与间接未来挑战有哪些（RQ3）？
- RQ4当前的人工智能够否与现实世界中的敏捷工具（如JIRA）对齐？学术研究在哪些方面存在覆盖空白？
- RQ5哪些社会技术与人为因素挑战阻碍了人工智能与敏捷的有效整合？
主要发现
- 人工智能正越来越多地用于自动化和增强核心敏捷实践，特别是在测试用例优先级排序、待办事项优先级排序和持续集成方面。
- 诸如大语言模型（LLMs）的人工智能工具正被用于协助新手开发者进行架构分析和用户故事评估，从而减少对专家知识的依赖。
- 最有效的AI应用聚焦于缓解人为因素，例如减少在任务分配中的手动工作量以及在用户故事中检测冲突。
- 尽管已有进展，但行业工具（如JIRA）与学术研究之间仍存在显著差距，文献中对实际工具的提及极少。
- 在AI模型管理、部署、监控以及确保可信度方面仍存在关键挑战，尤其是在安全关键领域。
- 安全威胁，包括对AI模型的对抗性攻击和数据隐私风险，是重大关切，亟需整合安全软件开发实践。
更好的研究，从现在开始
从阅读论文到最终审阅，大幅缩短您的研究时间。
无需绑定信用卡
本解读由 AI 生成，并经人工编辑审核。