How generative AI tools can enhance software development?
Dmitrieva, Kseniia (2026)
Kandidaatintyö
2026
School of Engineering Science, Tietotekniikka
Kaikki oikeudet pidätetään.
Julkaisun pysyvä osoite on
https://urn.fi/URN:NBN:fi-fe2026061066441
https://urn.fi/URN:NBN:fi-fe2026061066441
Tiivistelmä
This thesis studies how generative AI (GAI) tools such as GitHub Copilot and ChatGPT can improve software development. These tools are becoming popular, but their real impact on developers is still not fully clear. The goal of this research is to measure how GAI tools affect coding speed, code correctness, and maintainability.
An experimental method was used in this study. Participants, including software engineering students and beginner developers, were asked to complete programming tasks under two conditions: with and without AI assistance. The tasks varied in difficulty. Data was collected on task completion time, code correctness, maintainability, debugging effort, and user experience.
The results show that GAI tools can significantly improve coding speed and reduce development time. Participants completed tasks faster when using AI tools. However, the number of logical errors in code slightly increased in some cases, especially for more complex tasks. Maintainability of AI-generated code was acceptable but sometimes required additional refinement.
Overall, GAI tools are useful for increasing productivity, but developers still need to review and understand the generated code. The findings suggest that GAI tools should be used as support tools rather than full replacements for developers. Tässä kandidaatintyössä tutkitaan, miten generatiiviset tekoälytyökalut (GAI), kuten GitHub Copilot ja ChatGPT, voivat parantaa ohjelmistokehitystä. Nämä työkalut ovat yhä suositumpia, mutta niiden todellinen vaikutus kehittäjiin ei ole vielä täysin selvä. Tutkimuksen tavoitteena on mitata, miten GAI-työkalut vaikuttavat ohjelmointinopeuteen, koodin oikeellisuuteen ja ylläpidettävyyteen.
Tutkimuksessa käytettiin kokeellista menetelmää. Osallistujia, mukaan lukien ohjelmistotekniikan opiskelijoita ja aloittelevia kehittäjiä, pyydettiin suorittamaan ohjelmointitehtäviä kahdessa eri tilanteessa: tekoälyn avustuksella ja ilman sitä. Tehtävät vaihtelivat vaikeustasoltaan. Aineistoa kerättiin tehtävien suoritusajasta, koodin oikeellisuudesta, ylläpidettävyydestä, virheenkorjaukseen käytetystä ajasta sekä käyttäjäkokemuksesta.
Tulokset osoittavat, että GAI-työkalut voivat merkittävästi parantaa ohjelmointinopeutta ja lyhentää kehitysaikaa. Osallistujat suorittivat tehtävät nopeammin käyttäessään tekoälytyökaluja. Kuitenkin loogisten virheiden määrä kasvoi hieman joissakin tapauksissa, erityisesti monimutkaisemmissa tehtävissä. Tekoälyn tuottaman koodin ylläpidettävyys oli hyväksyttävällä tasolla, mutta vaati toisinaan lisämuokkausta.
Yhteenvetona voidaan todeta, että GAI-työkalut ovat hyödyllisiä tuottavuuden lisäämisessä, mutta kehittäjien on edelleen tarkistettava ja ymmärrettävä tuotettu koodi. Tulokset viittaavat siihen, että GAI-työkaluja tulisi käyttää tukivälineinä eikä ohjelmistokehittäjien täydellisinä korvaajina.
An experimental method was used in this study. Participants, including software engineering students and beginner developers, were asked to complete programming tasks under two conditions: with and without AI assistance. The tasks varied in difficulty. Data was collected on task completion time, code correctness, maintainability, debugging effort, and user experience.
The results show that GAI tools can significantly improve coding speed and reduce development time. Participants completed tasks faster when using AI tools. However, the number of logical errors in code slightly increased in some cases, especially for more complex tasks. Maintainability of AI-generated code was acceptable but sometimes required additional refinement.
Overall, GAI tools are useful for increasing productivity, but developers still need to review and understand the generated code. The findings suggest that GAI tools should be used as support tools rather than full replacements for developers.
Tutkimuksessa käytettiin kokeellista menetelmää. Osallistujia, mukaan lukien ohjelmistotekniikan opiskelijoita ja aloittelevia kehittäjiä, pyydettiin suorittamaan ohjelmointitehtäviä kahdessa eri tilanteessa: tekoälyn avustuksella ja ilman sitä. Tehtävät vaihtelivat vaikeustasoltaan. Aineistoa kerättiin tehtävien suoritusajasta, koodin oikeellisuudesta, ylläpidettävyydestä, virheenkorjaukseen käytetystä ajasta sekä käyttäjäkokemuksesta.
Tulokset osoittavat, että GAI-työkalut voivat merkittävästi parantaa ohjelmointinopeutta ja lyhentää kehitysaikaa. Osallistujat suorittivat tehtävät nopeammin käyttäessään tekoälytyökaluja. Kuitenkin loogisten virheiden määrä kasvoi hieman joissakin tapauksissa, erityisesti monimutkaisemmissa tehtävissä. Tekoälyn tuottaman koodin ylläpidettävyys oli hyväksyttävällä tasolla, mutta vaati toisinaan lisämuokkausta.
Yhteenvetona voidaan todeta, että GAI-työkalut ovat hyödyllisiä tuottavuuden lisäämisessä, mutta kehittäjien on edelleen tarkistettava ja ymmärrettävä tuotettu koodi. Tulokset viittaavat siihen, että GAI-työkaluja tulisi käyttää tukivälineinä eikä ohjelmistokehittäjien täydellisinä korvaajina.