Abstract: | De voorbije jaren heeft pair programming veel aandacht gekregen vanwege zijn mogelijkheid om de productiviteit, code kwaliteit en gebruikerstevredenheid te verbeteren. Ondanks de gekende voordelen vereist correct en efficiënt pair programmeren aandacht op vlak van communicatie, taakverdeling en gedeelde kennis. Verwaarlozing van deze factoren leidt mogelijks tot contraproductieve resultaten, die de productiviteit beperken en leiden tot suboptimale oplossingen.
Daarnaast heeft de snelle ontwikkeling van eye-tracking technologie onderzoekers instaat gesteld inzicht te krijgen in de samenwerkingsdynamiek - inherent aan pair programmeren - door het vastleggen en analyseren van blikpatronen, aandacht en pupilverwijding.
Door deze twee elementen te combineren, tracht deze thesis potentiële problemen te voorspellen en op te lossen. Hiervoor gebruikt het een voorspellingsmodel getraind op eye-tracking data. Het systeem anticipeert voorspelde suboptimale situaties en, afhankelijk van de situatie, zal het verschillende feedback mechanisme voorleggen aan de gebruiker. Deze mechanismen zijn de blik met de partner delen, GitHub Copilot (de)activeren en tekstuele prompts tonen. Elk mechanisme is strategisch ontworpen om de verschillende samenwerkingsdynamieken te beïnvloeden. Bijvoorbeeld, wanneer het model een afname in Joint Visual Attention (JVA) voorspelt, zal het systeem de blikken delen zodanig dat de programmeurs eenvoudig elkaar kunnen vinden in de code.
Wanneer het bevorderende effect bereikt is, worden de mechanismen weer uitgeschakeld. Op die manier kan het duo hun creatieve proces autonoom verderzetten.
|
---|
Abstract (Eng): | In recent years, pair programming has gained significant attention for its potential to enhance productivity, code quality and user satisfaction. However, despite its recognized advantages, effective collaboration in pair programming environments requires careful attention to various factors, such as communication, division of labor, and mutual understanding. Neglecting these factors will lead to counterproductive results, limiting productivity and resulting in suboptimal solutions.
In addition, the rapid evolution of eye-tracking technology has allowed us to gain insights into the collaboration dynamics inherent in pair programming setups, by capturing and analyzing gaze patterns, visual attention and pupil dilation.
Combining these two elements, this thesis employs a forecasting model, utilizing eye tracking data from the pair. By forecasting potential issues, the model can anticipate suboptimal future states during pair programming sessions. Once a suboptimal state is predicted, the forecasting model activates various combinations of feedback mechanisms to assist in rectifying potential issues and optimizing collaboration dynamics. These feedback mechanisms include a gaze sharing system, GitHub Copilot, and textual prompts, each strategically employed to address specific challenges identified in the forecasted state. For example, if the model predicts a decrease in Joint Visual Attention (JVA) accompanied by a rise in mental effort, it may activate the gaze sharing system to facilitate mutual understanding and communication between the pair programmers.
Once the forecasted issue is resolved and collaboration dynamics improve, the feedback mechanisms are disabled, allowing the pair programmers to resume their creative process autonomously. |
---|