研究分析 LLM 智能体编码基准的构念效度

该论文分析了九个常用于评估 LLM 智能体编码工具效果的基准，考察它们声称测量的构念、用于操作化的指标以及可能干扰测量的混杂因素。结果显示，这些基准普遍只用少量指标来操作化编码能力这类宽泛概念，而各基准报告的潜在混杂属性并不一致，说明缺乏标准化。作者据此提出加强构念效度的建议，并呼吁开展更多实证研究以理解智能体编码工具的实际效果。