《Frontiers in Artificial Intelligence》：Digital nudging in software development: a review and research agenda
编辑推荐：
数字助推（Digital Nudging）是一种通过微妙方式引导决策的行为方法，作为支持开发人员完成复杂且认知要求较高的任务的手段，正日益受到软件开发领域的关注。本文分析了2010年至2026年4月期间软件工程中数字助推与说服技术（Persuasive Tec
数字助推（Digital Nudging）是一种通过微妙方式引导决策的行为方法，作为支持开发人员完成复杂且认知要求较高的任务的手段，正日益受到软件开发领域的关注。本文分析了2010年至2026年4月期间软件工程中数字助推与说服技术（Persuasive Technology）的演变。基于结构化文献综述（Structured Literature Review），研究人员采用时间热力图（Temporal Heatmap）和定性趋势分析（Qualitative Trend Analysis）来考察既有的助推策略（如反馈、框架效应和个性化）如何被应用于支持软件开发活动。结果表明，研究重心已从基于规则和社会导向的干预措施转向更具适应性、情境感知（Context-Aware）以及人工智能/大语言模型（AI/LLM）中介的方法。特别是，近期研究显示出将个性化和实时助推机制直接集成到开发环境中的趋势日益增强。在此发现基础上，本文提出了一种协调统一的数字助推视角（Harmonized Perspective），在该视角下，多种策略被系统性地整合，以提供一致且情境感知的决策支持。一个示例性的人工智能驱动插件原型（AI-Driven Plug-in Prototype）展示了如何将个性化助推机制集成到开发环境中，以支持软件质量以及对SOLID等设计原则的遵循。此外，本文还识别了关键挑战，包括助推策略的选择与组合、其评估方法以及将其集成到实际开发工作流程中的问题。总体而言，本文对现有研究进行了结构化综合，并概述了软件工程中协调统一的、人工智能驱动的助推（Harmonized, AI-Driven Nudging）未来研究方向。
1 引言
软件开发团队通常面临在有限时间框架内交付高质量解决方案的巨大压力。持续数字化、数据密集型系统的增长、新技术栈的采用以及不断演变的业务需求共同增加了软件项目的复杂性。实证研究表明，许多软件项目遭遇重大挑战，例如Standish Group的2018年CHAOS报告显示，64%至86%的项目被归类为"受挑战"或"失败"。过程相关因素固然重要，但软件工程师的日常决策实践同样影响项目结果。软件架构由系统开发和演化过程中的主要设计决策构成，早期决策对可维护性、可扩展性和系统演化具有持久影响。实证研究证实认知偏差在开发环境中普遍存在，例如开发者可能依赖熟悉方案、推迟重构或忽略替代设计选项。在此背景下，说服技术（Persuasive Technology）和数字助推（Digital Nudging）作为支持决策同时保持选择自由的方法受到关注。本文旨在提供数字助推在软件开发中的结构化概述，涵盖助推类型、心理效应、工具实例、开放问题及协调统一视角。
2 背景
2.1 软件设计中的SOLID原则
SOLID是面向对象设计中五个广泛认可原则的首字母缩写，包括单一职责原则（Single Responsibility Principle, SRP）、开闭原则（Open/Closed Principle, OCP）、里氏替换原则（Liskov Substitution Principle, LSP）、接口隔离原则（Interface Segregation Principle, ISP）和依赖倒置原则（Dependency Inversion Principle, DIP）。这些原则提供了一套概念框架，鼓励开发者将系统分解为定义良好的组件、建立清晰抽象并减少不必要的耦合，从而使系统更易于理解、修改和扩展。
2.2 软件开发中的认知偏差
软件开发涉及影响软件制品结构、演化和质量的持续决策，这些决策可能受到认知偏差的系统性影响。本文聚焦于与软件设计决策尤为相关的五类偏差：锚定偏差（Anchoring Bias）、确认偏差（Confirmation Bias）、过度自信偏差（Overconfidence Bias）、可用性偏差（Availability Bias）和现状偏差（Status Quo Bias）。这些偏差可能导致开发者坚持早期架构选择、忽略重构需求、低估实现风险或重复使用熟悉方案。先前研究已系统调查了软件工程中的认知偏差，并探索了利用心理现象设计干预措施以支持开发者决策的途径。
2.3 说服技术
说服技术是指有意设计用于以预定方式改变个人态度或行为的计算系统。说服系统设计模型（Persuasive Systems Design, PSD）基于Fogg行为模型（Fogg Behavior Model, FBM），将说服设计原则组织为四个类别：主要任务支持、对话支持、系统可信度支持和社会支持，共包含28条原则。其中主要任务支持原则如简化（Reduction）、隧道引导（Tunneling）、定制（Tailoring）、个性化（Personalization）、自我监控（Self-monitoring）、模拟（Simulation）和演练（Rehearsal），与数字助推机制存在概念相似性。
2.4 助推理论
助推被定义为选择架构的一个方面，它以可预测方式影响行为，同时不限制可用选项或显著改变经济激励。助推通常与双过程决策理论相关联，即自动模式和反思模式两种交互模式。数字助推是说服技术在数字选择架构中的具体应用，其关键特征在于保持用户自主权。在软件工程中，默认选项（如GitHub Copilot的代码建议）、框架效应（如安全助推）、反馈（如代码审查系统）、简化（如ArchReco）、提醒、显著性（如Tricorder）、社会规范（如GitHub协作平台）和个性化（如Grounded Copilot）等策略均有应用实例。
3 方法
本研究采用结构化工作流程，借鉴系统综述实践以增强方法严谨性和可复现性。方法包括五个阶段：（1）文献识别，（2）去重，（3）标题和摘要筛选，（4）全文资格评估，（5）数据提取、主题分析和证据综合。检索在ACM Digital Library、IEEE Xplore、SpringerLink、ScienceDirect、Taylor & Francis Online和Google Scholar等主要学术数据库中进行。检索词组合了行为干预术语（如数字助推、说服技术、行为改变、选择架构）与软件工程术语（如软件开发、软件质量、开发者工具、技术债务、代码审查），并扩展至AI辅助软件开发相关关键词。纳入标准包括：研究涉及数字助推或说服机制、面向软件工程或开发、描述或评估面向开发者的软件制品、发表于2010年至2026年4月同行评审场所。共识别1233条记录，去重后517条，标题和摘要筛选后99篇进入全文评估，最终纳入53项主要研究。采用迭代多标签编码方法根据助推策略进行分类，分类依据作者明确描述或实现的行为机制而非底层技术实现。
4 研究格局（2010年至2026年4月）
4.1 趋势分析
时间热力图揭示了从早期基于规则和社会导向的干预向更具适应性、情境感知和AI辅助行为支持的演变。2022年起，AI和LLM中介方法显著增长。探索性Spearman秩相关分析显示，默认选项（ρ=0.804）呈现最强正向时间关联，提醒（ρ=0.652）、简化（ρ=0.626）和个性化（ρ=0.621）也呈正关联，而社会规范（ρ=-0.525）呈负关联。反馈（ρ=0.273）、显著性（ρ=0.268）和框架效应（ρ=-0.227）的时间关联较弱。研究识别出三大趋势：向过程导向和细粒度干预转变、从基于规则向数据驱动和自适应机制转变、助推机制日益集成到开发环境并扩展到对软件设计原则的支持。
5 走向软件开发中的协调统一数字助推
5.1 协调统一的动机
现有研究仍较为分散，各研究聚焦于特定助推策略、工具或开发情境，难以系统地设计和集成跨开发活动的一致且可扩展的支持。基于文献综述和时间分析识别的趋势，需要更协调统一的视角。
5.2 概念化
协调统一的数字助推（Harmonized Digital Nudging）指在软件开发环境中对多种助推策略进行结构化集成和协调，以提供一致、情境感知和自适应的决策支持。其核心原则是保持用户自主权并支持透明决策。AI和LLM工具的发展为动态组合和适应助推策略创造了机会。
5.3 设计维度
提出11个设计维度：策略整合（Strategy Integration）、情境感知（Context Awareness）、时机对齐（Timing Alignment）、自适应个性化（Adaptive Personalization）、技能感知（Skill Awareness）、工具集成（Tool Integration）、透明助推（Transparent Nudging）、社会反馈（Social Feedback）、负责任AI（Responsible AI）、质量对齐（Quality Alignment）和后果感知（Consequence Awareness）。这些维度组织为四个互补的设计视角：行为设计（Behavioral Design）、情境设计（Contextual Design）、实施设计（Implementation Design）和治理设计（Governance Design），各维度相互关联并共同构成集成框架。
6 示例：面向SOLID合规的AI驱动助推
介绍了一个AI辅助插件原型，该原型通过LLM分析代码变更并评估对SOLID原则的潜在偏离。当检测到单一职责原则的潜在违反时，开发者会收到情境化通知、问题简要说明和AI生成的重构替代方案。原型结合了工具集成、时机对齐、质量对齐和策略整合等维度，通过反馈、框架效应、简化和社交证明机制提供支持，同时注重透明助推、后果感知和负责任AI。该示例被视为探索性原型，需更广泛的实证研究评估其工业实践有效性。
7 开放研究挑战
识别了四个主要挑战：策略整合（确定适合软件开发任务的助推策略组合）、开发者多样性（不同经验、技能和动机的开发者群体）、影响评估（标准化指标和评估方法缺乏，需纵向研究）和界面设计（助推的呈现方式影响其被感知为支持还是干扰）。
8 结论
数字助推方法日益集成到开发环境中，近期研究关注自适应、情境感知和AI中介机制。本文提出协调统一数字助推概念，为设计更一致和情境感知的行为支持提供概念框架。AI和LLM助推机制为支持软件质量提供机会。未来研究可开发正式计算模型，平衡干预效果、开发者自主权、认知负荷、长期接受度和组织治理约束。
