AI生成コードレビュー編_中級者向け_20261021

🐰 USAUSA TRAINING WORKSHOP AI生成コード レビュー編 中級者向け——自動化バイアスに気づき、レビューの質を上げる 査読済み論文ベース（『AI駆動開発のテスト設計』続編） AI生成コードレビュー編 気づく 手法を使う 言葉にする 自動化バイアスという盲点を知る チェックリスト×小さい差分でレビューする 指摘を安全に伝える工夫 1

OVERVIEW なぜ「AI生成コードのレビュー」は普通と違うのか コードの書き手が人間からAIに変わったことで、レビューする側に求められる視点も変わります。3つの観点から整理します。 概要 1 自動化バイアス 「AIが書いたから正しいはず」という無意識の信頼が、見落としを生む Parasuraman & Manzey(2010)、Skitka et al.(1999) 2 検証の難しさ AI生成コードは一見自然で読みやすいため、誤りに気づきにくい Vaithilingam et al.(2022)、Perry et al.(2023) 3 レビューの目的と実践 現代のコードレビューの成果は欠陥発見に加え知識共有・理解の促 進。小さく頻繁なレビューに収束する傾向 Bacchelli & Bird(2013)、Rigby & Bird(2013) 2

KEY CONCEPT 自動化バイアスとは 自動化バイアス（automation bias）とは、自動化されたシステムの出力を過度に信頼し、自分自身の判断や他の情報を軽視してしまう傾向のことです。 見落としエラー（Omission error） 追従エラー（Commission error） AIが提示しなかった問題に、レビュアー自身も気づけなくなる。「AIが指摘し AIの誤った提案を、誤りと気づかずそのまま採用してしまう。提示された情 なかったから大丈夫」という無意識の判断停止。 報自体を疑うコストを省略してしまう。 出典：Skitka, Mosier & Burdick(1999)は、自動化支援下でこの2種類のエラーが増えることを実験で確認。Parasuraman & Manzey(2010)はこれを自動化バイアスの中核的メカニズムとして整理した。 自動化バイアス 3

CHECKPOINTS AI生成コード特有のレビュー観点 1 セキュリティ 入力値検証・権限チェックが省略されていないか（Perry et al. 2023：AI支援下で脆弱性混入率が上がる傾向） 2 例外処理 正常系しか考慮されておらず、異常系・境界値が抜けていないか 3 暗黙の前提 「このデータは必ず存在する」等、確認していない前提に依存していないか 4 既存コードとの整合性 プロジェクト固有の命名規則・設計方針から外れていないか（AIは文脈を知らない） レビュー観点 4

METHOD 効果的なレビュー手法 レビューの目的と、理解が最大の課題 Bacchelli & Bird(2013)のMicrosoftでの調査では、コードレビューの成果は欠陥発見だけでなく知識共有・チーム意識・代替案の発見にも及び、コードの理解が最大の 課題とされています。理解を助ける仕組み（チェックリストなど）は有効と考えられますが、これは本資料の提案で、チェックリスト自体の効果を示した結果ではありませ ん。 小さく頻繁なレビュー Rigby & Bird(2013)は、複数のOSS・企業プロジェクトの分析から、小さな変更を頻繁に、少人数で速くレビューする実践に収束する傾向を報告しています。AI生成コー ドも、まとめて大量に出力させず、小さい単位でレビューに回すのが有効と考えられます。 効果的なレビュー手法 5

CHECKLIST 中級者向け レビューチェックリスト • レビュー前に、AIへの指示（プロンプト）の内容を確認したか • 「AIが指摘しなかった箇所」にも、自分なりの仮説を立てて見ているか（見落としエラー対策） • 提案された実装を、一度は自分で「別解」を考えてから評価しているか（追従エラー対策） • セキュリティ・例外処理・暗黙の前提の3点は、固定チェック項目として毎回見ているか • 大きな差分は、意味のある単位に分割してからレビューしているか • 「なぜそう書いたか」をコード生成者（新人など）に説明させ、理解度を確認したか レビューチェックリスト 6

PHRASES レビューコメントのフレーズ例 指摘は、相手を否定する形ではなく「問いかけ」の形にすると、心理的安全性を保ちながら検証の質を上げられます（Edmondson 1999）。 避けたい言い方 • 「これ間違ってますよ」 • 「AIの提案そのまま使ったでしょう」 • 「普通はこうしない」 レビューコメントのフレーズ例 言い換え案 • 「この入力が空だった場合、どう動きますか？」 • 「この部分、自分の言葉で説明できますか？」 • 「このプロジェクトだと、他にもこの書き方してる箇所ありましたっ け？」 7

SUMMARY レビューの心構え • 「AIが書いたから」を評価の理由にしない。誰が書いたコードも、同じ基準で見る • 見落としエラー・追従エラーという2種類の失敗パターンを知っておくだけで、意識的に確認できるようになる • チェックリストと小さい差分という「仕組み」で、個人の注意力に頼らないレビュー体制を作る • 指摘は問いかけの形にし、相手が自分で気づける余地を残す レビューの心構え 8

REFERENCES 参考文献 ・Parasuraman, R., & Manzey, D. H. (2010). Complacency and Bias in Human Use of Automation: An Attentional Integration. Human Factors. ・Skitka, L. J., Mosier, K. L., & Burdick, M. (1999). Does automation bias decision-making? Int. J. Human-Computer Studies. ・Bacchelli, A., & Bird, C. (2013). Expectations, Outcomes, and Challenges of Modern Code Review. ICSE. ・Rigby, P. C., & Bird, C. (2013). Convergent Contemporary Software Peer Review Practices. FSE. ・Perry, N., Srivastava, M., Kumar, D., & Boneh, D. (2023). Do Users Write More Insecure Code with AI Assistants? ACM CCS. ・Vaithilingam, P., Zhang, T., & Glassman, E. L. (2022). Expectation vs. Experience. CHI EA. ・Edmondson, A. (1999). Psychological safety and learning behavior in work teams. ASQ. 参考文献 9

🐰 レビューの目は、曇らせない うさうさ研修工房 — 面白きこともなき世を面白く AI生成コードレビュー編 10