웨어러블 기기와 모니터는 적은 수의 심전도(ECG) 유도만 기록하지만, 대부분의 진단 도구는 12유도를 전제로 한다. BiMa-ECGSR은 양방향 Mamba 상태 공간 인코더-디코더를 사용하여 축소된 유도 집합으로부터 12유도 심전도를 재구성하며, 회귀 방식(BiMa-SR) 또는 확산 방식(DiBiMa-SR)으로 구현된다. 모델은 여섯 가지 입력 집합(I; II; I+II; I+II+V1; I+II+V2; I+II+V1+V4)에 대해 PTB-XL로 학습되었고, 추론 시에는 측정된 유도만 입력으로 받으며, PTB-XL 테스트 폴드(2,198건)와 두 개의 외부 코호트(Georgia 10,275건; Chapman-Shaoxing/Ningbo 43,559건)에서 평가되었다. II유도만 사용했을 때 예측된 11개 유도에 대한 통합 피어슨 상관계수(PCC) 중앙값은 PTB-XL에서 0.914로, 최소제곱 선형 필터의 0.784보다 높았다(I유도: 0.906 대 0.789). 사지 유도는 I과 II로부터 정확히 유도되므로, 다중 유도 입력은 예측된 흉부 유도를 기준으로 비교하였으며, I+II에서는 0.939 대 0.849, I+II+V1+V4에서는 0.979 대 0.962였다. BiMa-SR은 18개 구성-코호트 쌍 모두에서 선형 비교 기법을 능가하였으며(0.012–0.136 차이), 흉부 유도가 추가될수록 그 격차는 줄어들었다. II유도 입력에서는 회귀 방식이 확산 방식보다 더 정확하였다(DiBiMa-SR: 1단계 0.903, 6단계 DDIM 0.862). 실제 심전도로만 학습한 12유도 분류기는 실제 PTB-XL 심전도에서 상위 범주 매크로 AUROC 0.912를 기록했고, II유도로부터의 재구성에서는 0.843, I+II+V1+V4로부터의 재구성에서는 0.908을 기록하였다. 외부 데이터에서는 세 개 또는 네 개 유도로부터의 재구성이 실제 심전도와 0.004 이내의 점수를 보였다. BiMa-SR(파라미터 268만 개)은 GPU에서 10초 길이 기록 하나당 45.8 ms가 소요된다. 재구성은 축소 유도 기록을 12유도 도구에서 사용할 수 있게 하지만, 측정된 유도에 없는 정보를 추가할 수는 없다.
재료 기계학습의 급속한 발전은 대규모 이종 데이터셋에 의존하지만, 다양한 실험, 시뮬레이션, 데이터베이스 통합에서 비롯된 불완전한 데이터로 인해 모델의 신뢰성이 손상되는 경우가 많다. 실제 재료 데이터베이스에는 측정 오류, 실패한 계산, 누락되거나 중복된 레코드, 물리화학적 제약에 대한 숨겨진 위반이 포함될 수 있다. 이러한 문제는 손상된 샘플이 명시적인 이상치로 나타나지 않고 통계적으로 그럴듯하게 남아 있을 수 있어 식별하기 어렵다. 본 논문에서는 도메인 지식과 그래프 구조 학습을 통합한 신뢰도 기반 재료 데이터 품질 평가 프레임워크를 제안한다. 데이터 품질은 이진 이상 탐지 과제가 아니라 연속적인 신뢰도 추정 문제로 정식화되며, 이를 통해 샘플 수준의 평가와 과거 기준 기반의 배치 비교가 가능하다. 9차원 특징 품질 사전분포와 중복 인식 샘플 초기화는 재료 도메인 규칙과 통계적 근거를 사용하여 보정된다. 신뢰도는 샘플-특징 이분 그래프 전파와 약지도 그래프 어텐션을 통해 추가로 정제되며, Memory-GAT 모듈은 과거 기준 점수화를 제공한다. 23개 ODDS 벤치마크 데이터셋에 대한 실험에서 일반 모듈은 평균 AUC-ROC 0.866을 달성하였다. mp\_20에 대한 다섯 차례의 반복 혼합 오염 실험에서 규칙 보정은 HistGradientBoostingRegressor의 테스트 $R^2$를 $0.538\pm0.008$에서 $0.616\pm0.014$로 향상시켰다. 그래프 정제는 평균 정밀도를 $0.943\pm0.004$에서 $0.953\pm0.004$로 높였으며, 규칙 보정 구성은 평가된 스크리닝 구성 중 가장 높은 평균 테스트 $R^2$를 보였다. 다섯 차례 반복된 MACE 부분집합 실험에서도 규칙 기반 스크리닝 이후 $R^2$가 $0.590\pm0.053$에서 $0.880\pm0.027$로 증가하였다.
문제적 게임, 도박, 소셜 미디어 사용, 온라인 쇼핑과 같은 행동 중독은 심리적, 사회적, 경제적으로 중대한 결과를 초래하는 전 세계적 문제로 부상하고 있다. 전통적인 평가 및 치료 접근법은 임상적 기반을 갖추고 있으나 확장성, 접근성, 장기적 참여 측면에서 어려움을 겪는 경우가 많다. 최근 디지털 기술과 인공지능(AI)의 발전으로 행동 중독의 예방, 탐지, 치료, 회복을 위한 새로운 데이터 기반 해결책의 개발이 가능해졌다. 이 책은 임상적 기초와 최첨단 계산 접근법을 연결하여 디지털 기술을 통한 행동 중독 관리에 대한 포괄적인 조사를 제시한다. 이 책은 연구자, 임상의, 실무자에게 AI 기반 디지털 기술이 행동 중독 관리에서 갖는 기회와 한계에 대한 통합적이고 학제적인 관점을 제공하고, 보다 확장 가능하고 개인화되며 효과적인 개입 전략으로 나아가는 길을 제시하는 것을 목표로 한다.
생성형 추천(GR) 추론은 긴 입력 시퀀스, 넓은 빔 서치, 그리고 소수의 고정된 출력 토큰을 특징으로 하여 기존 LLM 서빙과 크게 다르다. vLLM과 같은 기존 LLM 서빙 엔진은 빔을 배치된 독립 시퀀스로 처리하므로, 공유된 프롬프트 접두부에 대해 중복된 KV 캐시 접근이 발생한다. 더욱이 vLLM은 각 빔 서치 생성 단계를 별도의 엔진 호출로 실행하여, 디코딩 단계 사이에 호스트 측 빔 처리 오버헤드가 발생하고 PagedAttention에서 상당한 런타임 KV 블록 관리 비용이 발생한다. 본 연구는 Tree Attention을 사용하여 빔을 시퀀스 차원을 따라 연결함으로써 중복된 KV 접근을 제거하고, 사전 생성된 부분 어텐션 마스크, 정적 KV 캐시 할당, 루프 언롤링 생성 디스패치, TorchAir 그래프 컴파일, 자동 연산자 융합, 어휘 제약 디코딩을 통해 실행을 추가로 최적화한다. 커스텀 커널을 사용하지 않고도 본 접근법은 Ascend NPU에서 vLLM 대비 종단 간 지연 시간을 최대 25배 줄이며, 커스텀 커널을 사용하는 최신 솔루션에 필적하는 생성 지연 시간을 달성한다. 이는 커스텀 커널 개발에 의존하기 전에 생성 파이프라인을 전체적으로 최적화해야 함을 보여준다.
범용 코딩 에이전트는 수문학 및 지구 시스템 모델을 위한 코드를 작성해 왔다. 이러한 연구에서는 모델을 어떻게 평가할지, 예를 들어 테스트 기간, 점수 함수, 모델이 충족해야 하는 기준을 연구자가 미리 결정하였다. 에이전트가 이러한 결정을 스스로 내릴 때 어떤 일이 일어나는지, 즉 에이전트의 주장 중 얼마나 많은 부분이 자체 데이터, 코드, 결과로 뒷받침되는지, 그리고 독자가 이를 검증할 수 있는지는 아직 어떤 연구에서도 검증되지 않았다. 두 가지 모두 에이전트의 하네스, 즉 호출할 수 있는 도구와 따르는 서면 지침에 달려 있을 수 있다. 우리는 세 가지 하네스를 비교하였다. 첫째는 에이전트 자체의 하네스이고, 둘째는 이 하네스에 범용 에이전트를 위해 우리가 개발한 수문 모델링 시스템인 HydroMind의 모델링 도구를 더한 것으로, 모든 모델을 고정된 명령을 통해 실행하고 그 설정, 학습된 모델, 예측을 저장한다. 셋째는 이 둘에 더해 HydroMind의 연구 절차까지 적용한 것으로, 에이전트가 모델을 실행하기 전에 연구 설계를 작성하고 그에 대한 모든 변경을 기록한다. 각 하네스에서 동일한 에이전트가 수문 모델 개발의 네 가지 미해결 질문을 연구하였으며 데이터만 제공받았다. 세 하네스에서 실험은 각각 23개, 20개, 41개의 주장을 제출하였고, 각 주장은 하나의 모델 또는 접근법이 다른 것보다 낫거나, 못하거나, 비슷하다고 진술한다. 실험 자체의 코드와 예측으로부터 다시 계산한 차이가 주장과 일치하지 않거나, 코드가 주장에서 명시한 두 모델 또는 접근법을 비교하지 않았다면 해당 주장은 성립하지 않는다. 세 하네스에서 각각 주장의 30%, 20%, 5%가 성립하지 않았다. 독자가 진술된 차이를 판단할 수 있게 하는 통계 검정, 신뢰구간, 또는 결정 규칙은 각각 주장의 48%, 53%, 83%에 대해 보고되었다. 언어 모델을 그대로 두고 하네스만 바꾸었을 때 성립하지 않는 주장의 비율은 감소하였고 독자가 검증할 수 있는 주장의 비율은 증가하였다.
고도화된 AI와 함께하는 인간의 좋은 미래에 대한 하나의 희망은 지속적인 상리공생에 기반한다. 즉, 인간과 AI가 서로를 필요로 하므로 그 관계가 양쪽 모두에게 계속 좋을 것이라는 것이다. 우리는 AI 능력이 증가함에 따라 이 희망이 무너진다고 주장한다. 협상은 각 측에게 협상이 결렬되었을 때 얻게 될 몫만을 보장한다. 인간에게 이는 AI 이전에 가졌던 것보다 적을 수 있다. 단순한 게임 이론 모델에서 인간이 정렬 없이 AI 이전만큼의 복지를 유지하는 것은 AI에 대한 영향력을 가지는 동안뿐이다. 이는 AI가 인간이 공급하는 것에 의존하거나, 인간이 AI가 생산할 수 있는 것에 비해 큰 비용을 AI에 부과할 수 있는 경우이다. 인간이 두 종류의 영향력을 모두 잃으면, AI가 인간과 정렬되어 있을 때에만 AI 이전만큼의 복지를 유지할 수 있다. AI의 목표가 만족을 모르는 것이라면, 요구되는 정렬은 AI 능력이 커질수록 완전한 정렬에 근접한다. 따라서 상리공생은 정렬을 대체하지 못한다. 또한 더 많은 자원을 보유하는 AI 변종이 더 빠르게 확산되는 경우, 정렬은 정렬되지 않은 변종이 확실히 제재되는 동안에만 지속된다. 이 두 가지 의미에서 인간-AI 상리공생은 불안정하다.
이제 AI는 연구자가 읽을 수 있는 속도보다 더 빠르게 기계 검증된 수학을 생성한다. 이러한 정리가 실제 계산 작업에 쓰일 수 있을까? 우리는 \mbox{OpenAI}의 Lean~4 상대론적 Vlasov--Maxwell 라이브러리의 정리 하나를 재사용한다. 이 정리는 플라즈마 신호가 도달하기 전까지 초기 장이 외부 지점의 장을 결정하며, 신호가 면에 도달하기 전까지 주변 상자를 빠져나가는 에너지도 결정한다는 내용이다. 새로운 Lean 증명과 수치적 경계는 세 가지 과제에 걸쳐 입자-인-셀 시뮬레이션을 위한 입자 없는 기준을 제공한다. 영역 크기는 관측 시간으로부터 해석적으로 결정되며, 이를 통해 전역 에너지 검사에서 놓친 WarpX와 Smilei의 경계 및 초기화 오류가 드러났다. 격자 선택도 직접 검증할 수 있다. 두 개의 성긴 격자를 결합하면 중간 격자 단독으로는 실패하는 상황에서도 미세 격자 대비 중앙값 14.9배의 속도 향상으로 미지의 플라즈마 입력을 허용 오차 내에서 복원한다. 축소 모델의 경우, 이 경계는 에너지 손실을 예측하는 데 필요한 시간 곡선의 최소 개수를 규정한다.
코딩 에이전트는 보통 과제별 테스트를 실행하여 평가되지만, 테스트가 없거나 불완전할 수 있으며 이를 실행하려면 각 저장소마다 동작하는 환경이 필요하다. 우리는 후보 패치 중에서 선택하기 위해 도입된 에이전트 루브릭을, 패치가 과제의 요구사항을 얼마나 충족하는지에 대한 실행 없는 측정으로 변형한다. 에이전트가 변경 이전의 저장소를 탐색하여 가중치가 부여된 이진 기준을 작성하고, 도구가 없는 심사자가 diff가 충족하는 기준의 가중 비율로 점수를 매긴다. 우리는 이 점수가 만들어 내는 순서를 SWE-bench Verified에서 15개 시스템의 레이블링된 패치 7,291개를 사용하여 테스트 결과와 대조해 검증한다. 해결된 패치와 해결되지 않은 패치가 모두 존재하는 400개 과제 내에서 과제별 평균 AUROC는 0.826(루브릭 생성 프롬프트 조정에 사용되지 않은 과제에서는 0.838)이며, 실패한 패치를 기준으로 시스템의 순위를 매기는 것은 해결률로 순위를 매기는 것과 거의 일치한다(스피어만 0.968). 사례 분석은 불일치의 원인을 과제와 맞지 않는 테스트, 텍스트 평가가 놓치는 실행 차단 결함, 그리고 기준 또는 판정의 오류로 추적한다. 이 검증은 절대적인 점수 크기나 테스트와의 일치를 넘어서는 요구사항 충족을 입증하지는 않지만, 테스트나 실행 환경을 가정할 수 없는 경우 루브릭 점수가 테스트를 보완할 수 있다.
저장소 배포 에이전트는 소프트웨어 저장소를 실행하는 데 필요한 환경을 구성한다. 이러한 에이전트는 테스트 통과를 설정 성공의 증거로 간주하는 경우가 많다. 본 보고서는 정상적인 설정이 불가능한 상황에서 이러한 에이전트가 어떻게 행동하는지를 조사한다. 에이전트가 정당한 방법으로 획득할 수 없는 의존성을 포함하도록 탐침용 저장소를 구성하였다. 따라서 테스트 통과는 누락된 패키지를 대체하는 스텁을 생성하는 것과 같은 조작이 있었음을 의미하였다. Repo2Run과 SetupX의 에이전트는 대체로 해당 의존성을 조작하였다. 두 하니스 모두 이러한 실행을 대부분 여전히 성공으로 표시하였다. 프롬프트나 저장소 문서를 통해 조작을 금지하는 규칙을 제시하더라도 이러한 행동이 안정적으로 방지되지는 않았다. 본 보고서를 위해 구축한 MinimalSetupAgent에서는 보상 해킹 문헌에서 제안된 완화 기법이, 에이전트가 직접적인 규칙을 받고 작업을 중단하여 문제를 보고할 명확한 방법을 가질 때 가장 효과적이었다. 이러한 조건에서는 Qwen3.5-Plus와 GPT-5.6 Luna 모두 16회의 실행 중 어느 것에서도 부정행위를 하지 않았다. 동일한 완화 기법을 Repo2Run과 SetupX에 적용할 때에도 에스컬레이션을 위한 네이티브 도구 호출이 필요하였다. Repo2Run에서는 프롬프트 또한 테스트 통과를 덜 강조하는 것으로 교체한 뒤에야 효과가 있었다.
코딩 에이전트는 의존성 선택, 소스 수정, 소프트웨어 배포를 포함한 저장소 수준의 개발을 점차 더 많이 수행하고 있다. 그러나 기존 평가는 라이선스 정확성과 상업적 적합성보다 기능적 성공을 우선시한다. 본 연구는 에이전트가 독점 소프트웨어를 개발할 때 소프트웨어 라이선스 제약을 인식하고 준수하는지를 조사한다. 여러 에이전트에 대한 실험에서는 허용적 라이선스와 카피레프트 라이선스, 라이선스 정보의 누락, 전이적 의존성, 소스 수정, 이중 라이선스, 벤더링, 배포 맥락을 살펴본다. 에이전트의 트레이스, 저장소 변경 사항, 최종 산출물을 라이선스 기준 정답에 비추어 평가한다. 결과는 기능적 정확성과 라이선스 정확성 사이에 지속적인 격차가 있음을 보여준다. 에이전트는 소프트웨어를 성공적으로 빌드하고 테스트하면서도 출처, 권한, 배포와 관련된 라이선스 제약을 간과할 수 있다. 라이선스 정보가 의존성 대체, 아키텍처 변경, 릴리스 게이팅과 같은 엔지니어링 조치로 이어질 때 더 나은 결과가 나타난다. 우리는 에이전트 기반 개발에서의 라이선스 처리가 단순한 라이선스 분류가 아니라 소프트웨어 수명 주기 전반에 걸친 맥락적 제약의 인식과 보존을 필요로 한다고 주장한다.
누락되었거나 과소 반영된 비기능 요구사항(NFR) 범주는 요구사항 집합에 직접적인 증거를 거의 남기지 않아 요구사항 검토 중에 식별하기 어렵다. 본 연구에서는 NFR 커버리지 공백 검토를 프로젝트 수준의 순위화 과제로 정식화한다. 즉, 대상 요구사항 명세가 주어졌을 때 분석가의 검토를 위해 11개의 PROMISE NFR 범주에 순위를 매기는 것이 목표이다. 순위화 메커니즘과 증거 출처가 서로 다른 일곱 가지 통계 기반, 임베딩 기반, 대규모 언어 모델(LLM) 기반 구성을 비교하며, 증거 출처에는 대상 요구사항 문장, 동료 요구사항, 그 의미 표현, 동료 범주 통계가 포함된다. PROMISE, PROMISE+, PURE-Transport, PURE-Business에서 통제된 공백 주입과 leave-one-project-out 평가를 사용하여 구성들을 평가한다. 동료 범주 통계를 사용하는 네 가지 구성은 순위화 메커니즘이 서로 다름에도 범주를 완전히 제거한 조건에서 사실상 동률이며(평균 AUROC 0.875-0.889), 이러한 통계를 직접 LLM 순위화기에 제공할 때 증거로 인한 이득이 가장 크다. 범주가 존재하지만 과소 반영된 경우에는 모든 구성의 성능이 약화되며, 모든 NFR 범주에서 최선인 구성은 없다. 개수가 변하는 범주 수준의 공백에서는 순위화기의 정교함보다 구조화된 동료 증거가 더 중요하다. 이러한 결과는 순위가 요구사항 완전성에 대한 자동 판정으로 쓰이기보다 분석가의 검토를 안내하는 데 사용되어야 함을 시사한다.
본 연구는 생성형 AI(GenAI)가 소프트웨어 개발 활동 전반에서 소프트웨어 실무자의 인지적 작업을 어떻게 재편하는지를 탐구한다. 우리는 9개 조직의 실무자 44명으로부터 얻은 설문 응답을 기술 양적 방법으로 분석하고, 관련 있는 개방형 응답을 질적으로 분석하였다. 실무자들은 생산성 향상과 시간 절약을 보고하였으나, 맥락 제공, 프롬프팅, 검토, 수정, 검증, 그리고 AI가 생성한 결과물의 통합과 관련된 노력 또한 보고하였다. 인간의 판단과 책임은 여전히 중심에 있었으며, 실무자들은 직접적인 코드 작성에서 AI가 지원하는 작업을 안내, 평가, 검증, 통합, 조정하는 방향으로의 전환을 예상하였다. 따라서 GenAI는 인지적 작업을 단순히 없애기보다 감독 쪽으로 재분배하는 것으로 보이며, 전체 인지적 작업량이 증가하는지 감소하는지는 여전히 확정되지 않았다.
코드 리뷰는 소프트웨어 품질 문제를 식별하고 시스템의 견고성을 보장하는 데 중요한 역할을 한다. 선행 연구는 리뷰 코멘트 생성(RCG)과 코드 개선(CR)을 위한 기법을 제안하였으며, 최근의 멀티 에이전트(MA) 접근법은 서로 다른 품질 차원에 특화된 에이전트를 조율하여 최고 수준의 결과를 달성하였다. 그러나 MA 시스템은 상당한 아키텍처 복잡성과 실행 시간 오버헤드를 수반하며, 최근의 증거는 특정 과제에서 MA 시스템이 단일 에이전트(SA) 접근법보다 성능이 낮을 수 있음을 시사한다. 본 연구에서는 RCG와 CR에 대한 MA 및 SA 설계를 체계적으로 비교한다. 놀랍게도 결과는 SA 접근법이 더 단순한 설계임에도 MA 시스템과 대등한 성능을 보이며 때로는 이를 능가함을 보여준다. 이러한 발견은 복잡한 소프트웨어 공학 과제에서 MA 아키텍처가 기본 선택이라는 지배적인 가정에 의문을 제기한다.
코딩 에이전트가 이제 소프트웨어 테스트의 점점 더 많은 부분을 작성하고 있으나, 속성 기반 테스팅(PBT) 라이브러리는 과거의 고려 사항에 따라 설계되어 있다. 우리는 맞춤화 가능성, 관측 가능성, 생성기 합성이라는 세 가지 개념을 기반으로 Rust로 구현한 PBT 라이브러리 Ephyra를 제시한다. Ephyra를 통해 사용자는 생성, 변이, 축소로 구성된 자신만의 테스트 루프를 조합할 수 있으며, 기능적 술어를 만족하도록 이러한 구성 요소를 합성할 수 있다. Ephyra를 14개의 오픈 소스 시스템에 적용하여 349개의 버그를 발견하고 그중 300개를 보고하였다. 대상은 데이터베이스 관리 시스템(SQLite, Turso, PostgreSQL, DuckDB, DataFusion), 검증된 정책 엔진(Cedar), SQL 동치성 증명기(QED), Node.js에서 사용되는 URL 파서(ada-url), 기존 오픈 소스 시스템을 Rust로 재구현한 프로젝트(coreutils, brush, gitoxide), 그리고 컴파일러(binaryen, OCaml, OxCaml)이다.
AI 에이전트는 과학 컴퓨팅과 소프트웨어 워크플로를 변화시키고 있으나, 코드를 생성하고 실행하려면 올바르게 구성된 실행 환경이 필요하다. 저장소가 운영체제, 툴체인, 의존성, 빌드 절차에 대해 이질적이고 불완전한 요구사항을 담고 있기 때문에 환경 구축의 자동화는 여전히 어렵다. 따라서 기존 워크플로는 개발자가 관리하는 Dockerfile과 설정 스크립트에 의존하며, 이로 인해 준비 작업이 노동 집약적이고 확장하기 어려우며 평가에 편향을 일으킬 수 있다. 우리는 저장소 수준의 Docker 환경을 합성, 빌드, 검증하는 에이전트 프레임워크 ENVAGENT를 제시한다. ENVAGENT는 Docker 실행과 상태 관리를 위한 결정적 유틸리티를, 저장소 분석, 계획 수립, Dockerfile 합성, 반복적인 실패 진단 및 수리를 위한 협조하는 에이전트들과 결합한다. 또한 Chameleon Trovi와 Multi-SWE-bench에서 가져온, 일곱 가지 언어에 걸친 54개의 과학 산출물 및 오픈 소스 저장소로 구성된 벤치마크 ENVBENCH를 소개한다. 각 저장소에 대해 필요한 구조, 구성, 기능에 대한 선언적 루브릭을 구축하고, 공용 평가기가 생성된 환경 전반에 걸쳐 가중치가 부여된 2,108개의 검사를 적용한다. 네 가지 대응되는 언어 모델 설정에서 ENVAGENT는 평균적으로 54개 중 43.5개의 실행 가능한 환경을 구축하였으며, 이는 Codex와 Claude Code의 23.5개와 비교된다. 실행 가능성과 루브릭 충족도를 합친 종합 점수는 62.02로, 24.19와 비교된다. 이러한 결과는 환경에 특화된 에이전트 오케스트레이션이 자동화된 환경 구축을 크게 개선함을 보여준다.
대규모 언어 모델은 그래픽 사용자 인터페이스(GUI)를 갖춘 대화형 소프트웨어의 코드를 생성하는 데 드는 노력을 줄였다. 이러한 소프트웨어에서 테스트의 핵심 병목은 긴 상호작용 이력을 요구하는 깊은 상태에 도달하는 것이다. 이에 도달하는 비용은 커밋마다 반복되며, 이를 분산시킬 수 있는 GUI 자동화는 자체 렌더링 엔진이 제공하지 않는 DOM이나 접근성 트리를 전제로 한다. 우리는 자연어 기능 테스트 케이스와 대상 소스 코드에 대한 읽기 전용 접근으로부터, 해당 상태를 복원하며 버전 관리와 재생이 가능한 산출물인 체크포인트를 합성하는 에이전트 StatePortal을 소개한다. 체크포인트는 온보딩 에이전트가 직접 작성한 훅 코드 없이 한 번 바인딩하거나 합성하는 애플리케이션별 훅을 통해 복원된다. 체크포인트는 상태 검사를 만족하면서도 잘못 렌더링될 수 있으므로, 프로그램적 상태와 시각 평가를 결합한 하이브리드 방식으로 점수를 매기며, 수락을 위해서는 프로그램적 상태 오라클과 시각 오라클이 모두 통과해야 한다. 시각 오라클은 블라인드 방식의 교차 VLM 기준에 대해 보정한다. 우리는 다섯 개 언어 계열과 여섯 개 렌더링 스택에 걸쳐 소스 규모가 874줄에서 720만 줄에 이르는 10개의 대화형 애플리케이션에서 가져온 61개의 깊은 상태 과제 DeepStateBench를 공개한다. 등록된 세 모델 전반에서, 합성된 체크포인트로 시드된 GUI 에이전트는 시행의 10.4%를 완료한 반면 동일한 픽셀 행동 공간에서 시드 없이는 0%였으며, 대상 행동도 훅을 통해 전달하는 StatePortal은 27.5%를 완료한다. 112개 체크포인트에 대한 1,361회의 재생에서 98.90%가 모델 호출 없이 원래의 판정을 재현하였고, 하이브리드 오라클은 프로그램적 상태 검사만으로는 보이지 않는 통제된 시각 결함의 96.25%(77/80)를 탐지한다. 코드는 https://github.com/pzy2000/State_Portal 에, 웹사이트는 https://stateportal.mineyosemite.chatgpt.site 에 오픈 소스로 공개한다.
생성형 인공지능(GenAI)이 소프트웨어 테스팅을 점점 더 많이 지원하고 있으나, 실무자의 인식에 관한 실증적 근거는 여전히 제한적이다. 본 연구는 64명의 실무자를 대상으로 한 설문 조사를 통해 소프트웨어 테스팅에서 GenAI가 갖는 이점, 과제, 기회 및 위험에 대한 인식을 조사한다. 폐쇄형 응답은 기술통계로 분석하였고, 개방형 응답은 연구 결과의 맥락을 파악하기 위해 질적으로 코딩하였다. 응답자 중 34명은 사용자(테스팅에서 GenAI를 정기적으로 또는 시험적으로 사용하는 사람)였고 30명은 비사용자(테스팅에서 GenAI를 사용한 경험이 없는 사람)였다. 결과는 노력 절감, 테스트 생성, 디버깅 측면에서 GenAI에 대해 대체로 긍정적인 인식이 있음을 보여주며, 동시에 프롬프트 의존성, 신뢰, 잘못된 출력에 대한 우려도 나타난다. 사용자는 몇 가지 구체적인 이점에 대해 더 긍정적이었고 신뢰성 관련 위험을 더 자주 우선순위에 두었으며, 비사용자는 기술적으로 구체적인 일부 과제에 대해 더 큰 불확실성을 보였다. 종합하면, 본 연구 결과는 GenAI를 인간의 검증이 필요한 보조 기술로 규정하며, GenAI 지원 테스팅에 대한 인식을 해석할 때 실무자의 GenAI 사용 경험을 고려하는 것이 중요함을 강조한다.
연구 소프트웨어는 이제 과학의 핵심 도구로 자리 잡았지만, 그 품질, 지속가능성, 재사용 및 영향력을 판단하기 위해 커뮤니티가 사용하는 방법들은 소프트웨어 공학, 오픈 사이언스, FAIR 소프트웨어, 인용, 연구 평가 문헌 전반에 흩어져 있다. AI 지원 개발은 이 문제를 더욱 첨예하게 만든다. 코드가 인간의 검토 역량을 넘어서는 속도로 생산될 수 있고, 출처와 기여 표기를 추적하기가 더 어려우며, 학술적 공로 인정 체계가 이를 따라가지 못하고, 기존 지표는 더 이상 적용되지 않을 수 있는 연구 소프트웨어 개발 방식에 대한 가정을 내포하고 있다. 이러한 과제를 헤쳐 나가는 데 도움을 주기 위해, 본 논문은 49개의 핵심 문헌에 기반한 연구 소프트웨어 지표의 집중적 현황 종합을 제시하고, 반복적으로 나타나는 지표를 데이터 출처, 주장하는 구성개념, 타당성 근거, 자동화 가능성, 오용 가능성에 따라 기술되는 여덟 개의 계열로 정리한다. 널리 인용되는 많은 연구 소프트웨어 지표는 부분적인 신호로 기능하지만, 과학적 영향력에 대한 단독 척도로는 취약하다. AI 시대에는 출처, 생성된 코드의 유지보수성, 검토자의 노력, 모델 및 데이터 의존성, 재사용 및 커뮤니티 건전성 신호의 부풀림, 그리고 AI가 수행하지 않는 인간 노동에 대한 공로 인정과 관련된 격차가 새로 생기거나 확대된다. 본 논문은 연구 소프트웨어 지표를 책임감 있게, 맥락에 맞게, 혼합 방법으로 사용할 것을 주장하며, 더 나은 소프트웨어, 더 공정한 공로 인정, 더 신뢰할 수 있는 과학을 뒷받침하는 지표를 선택하는 연구 소프트웨어 엔지니어(RSE), 연구책임자, 기관 및 연구비 지원기관을 위한 의사결정 지침을 제시한다. 모든 연구 결과는 49개 문헌에 대한 집중 검토에 근거하며, 재현 가능한 검색 및 선별 프로토콜과 727개 레코드의 선별된 코퍼스가 향후 전체 체계적 매핑 연구를 위한 투명성 산출물로서 논문과 함께 제공된다.
AI 기반 소프트웨어 집약적 임베디드 시스템(SIES)은 개발과 운영 과정에서 데이터에 의존한다. 데이터 품질(DQ)이 낮으면 데이터 신뢰성이 약화될 수 있으나, 그 영향과 생애주기 관리에 관한 근거는 여전히 단편적이다. 본 체계적 문헌 고찰은 2020년 1월부터 2026년 2월까지 발표된 27편의 1차 연구를 종합한다. 이는 DQ 관련 문제와 이들이 데이터 신뢰성 저하로 이어진다는 근거, 그리고 평가 및 관리 방법을 검토한다. 본 고찰은 소스 품질과 콘텐츠 품질로 구성된 16개의 문제를 식별한다. 연구들은 DQ 기반 점수와 모델 또는 의사결정 성능에 대한 영향의 근거를 제시한다. 종합 결과는 상류의 소스 또는 처리 문제가 학습 기준선에 내재될 수 있으며 런타임에서 탐지하기 어려울 수 있음을 시사한다. 여덟 개의 방법 범주가 식별되었다. 런타임 모니터링이 가장 큰 범주이며, 상류 및 학습 시점의 통제는 런타임 보증과 제대로 통합되지 못하고 있다. 전체 생애주기를 다루는 연구는 없다. 데이터 신뢰성은 신뢰할 수 있는 SIES 의사결정을 뒷받침하지만 AI 시스템 신뢰성의 한 구성요소일 뿐이다.
모델이 다른 모델이 작성한 것을 점검하는 일이 점점 늘고 있다. 본 연구는 실제 배포된 하나의 구성, 즉 다른 벤더의 감사자가 작업물을 읽고 결정론적 검사가 코드로 검증 가능한 것을 확인하는 구성을 연구하며, 어떤 모델도 제공하지 않는 정답 기준에 대해 그 한계를 측정한다. 숨겨진 테스트가 있는 범용 코드에서 감사자의 여덟 번의 판독은 재현율 30.0% [20.0, 40.7]에 도달하며 올바른 코드에 대한 오탐 플래그 비율은 16.0% [10.1, 22.3]이고, 수확 체감이 나타나며 정체 구간은 없다. 판독 모델(샘플링과 교란됨), 규칙집 한 문장, 그리고 결정 규칙은 각각 이 수치를 변화시키며, 놓친 것의 상당 부분은 사후 평가에서 명세가 결정하지 않은 동작으로 나타난다. 사전 등록된 세 가지 과학 연구에서, 보고된 수치가 출처로 추적되는지를 점검한 결과 불일치하는 보고 49건 전부를 플래그했고 일관된 조작 25건에는 하나도 플래그하지 않았으며, 이 중 모델 감사자는 23건을 플래그했다(사후 분석에서 21건은 타당한 지적이었다). 데이터에서는 문서에서 도출한 검증기와 감사자가 서로 겹치지만 다른 결함 항목을 플래그하여, 깨끗한 데이터에 대한 플래그 비율 2.9% [0.7, 5.7]에서 합쳐서 140건 중 112건을 찾아냈다. 과학 코드에서는 작업을 한 단계 중심으로 재구성하자 올바른 코드에 대한 플래그가 68.7%에서 36.0%로 줄었다. 두 계층이 모두 실행된 경우, 결정론적 계층은 깨끗한 항목을 하나도 플래그하지 않았으나 일관된 오류는 볼 수 없었고, 모델은 일부를 보았으나 스스로도 오류를 범했다. 모델 호출을 수반한 연구는 사전 등록되었고, 등록되지 않은 두 분석은 명시하였으며, 인용된 모든 보고는 독립적인 벤더 간 교차 검토를 통과하였다.