Neutrosophic Computing and Machine Learning, Vol. 29, 2023
Llerena O. Luis A, Viscaino N. Fausto A, Culque T. Walter V, Baño N. Freddy P. Estudio neutrosófico sobre la
afectación de la inteligencia artificial en el desarrollo de software.
University of New Mexico
Estudio neutrosófico sobre la afectación de la
inteligencia artificial en el desarrollo de software.
Neutrosophic study on the affectation of the artificial
intelligence in the software development.
Llerena Ocaña Luis Antonio
1
, Viscaino Naranjo Fausto Alberto
2
, Culque Topanta Walter Vinicio
3
,
Baño Naranjo Freddy Patricio
4
1
Universidad Regional Autónoma de Los Andes, Ambato. Ecuador. E-mail: ua.luisllerena@uniandes.edu.ec
2
Universidad Regional Autónoma de Los Andes, Ambato. Ecuador. E-mail: ua.faustoviscaino@uniandes.edu.ec
3
Universidad Regional Autónoma de Los Andes, Ambato. Ecuador. E-mail: ua.walterculque@uniandes.edu.ec
4
Universidad Regional Autónoma de Los Andes, Ambato. Ecuador. E-mail: freddy.bano@institutotraversari.edu.ec
Resumen.La inteligencia artificial (IA) ha transformado significativamente el campo del desarrollo de software, introdu-
ciendo nuevas herramientas y técnicas que mejoran la eficiencia y la calidad del trabajo. En particular, modelos de len-
guaje como ChatGPT de OpenAI y GitHub Copilot han demostrado un impacto considerable en la forma en que se desa-
rrolla y mantiene el software. Estas herramientas de IA ayudan a los desarrolladores a generar automáticamente código,
depurar problemas, tomar decisiones informadas y mejorar la documentación y comunicación. El objetivo de la investi-
gación es realizar un estudio neutrosófico para la valoración de estado de afectación de la inteligencia artificial en el
desarrollo de software. En la obra presentada se utilizaron métodos y técnicas teóricas, empíricas y estadísticas matemáti-
cas. Se realizó además una investigación no experimental de tipo transversal y descriptiva. Una vez aplicados y tabulados
los datos obtenidos se interpretaron los resultados y se demostró el nivel de validez de la investigación realizada.
Palabras clave: neutrosófía, inteligencia artificial, chatGPT
Summary. Artificial intelligence (IA) it has transformed the field of the software development significantly, introducing
new tools and technical that improve the efficiency and the quality of the work. In particular, language models like
ChatGPT of OpenAI and GitHub Copilot has demonstrated a considerable impact in the form in that it is developed and it
maintains the software. These tools of IA help to the developers to generate code automatically, to purify problems, to
make informed decisions and to improve the documentation and communication. The objective of the investigation is to
carry out a study neutrosophic for the valuation of state of affectation of the artificial intelligence in the software devel-
opment. In the presented work methods were used and technical theoretical, empiric and mathematical statistics. He/she
was also carried out a traverse and descriptive non experimental investigation of type. Once applied and tabulated the ob-
tained data the results were interpreted and the level of validity of the carried out investigation was demonstrated.
Keywords: neutrosophic, artificial intelligence, chatGPT
1 Introducción
El desarrollo de software es un proceso dinámico y en constante evolución que abarca la creación, diseño,
implementación, prueba y mantenimiento de aplicaciones y sistemas informáticos. A medida que el campo de la
informática ha avanzado, también lo han hecho las herramientas y tecnologías empleadas en el desarrollo de
software, desde lenguajes de programación de alto nivel hasta entornos de desarrollo integrados (IDE) y metodo-
logías ágiles.
Una de las tendencias más recientes en la industria del software es la aplicación de la inteligencia artificial
(IA) y el aprendizaje automático (AA) en el proceso de desarrollo. Estos avances han abierto nuevas posibilida-
des para mejorar la eficiencia, la calidad y la colaboración en el desarrollo de software.
Neutrosophic Computing and Machine Learning, Vol. 29, 2023
Llerena O. Luis A, Viscaino N. Fausto A, Culque T. Walter V, Baño N. Freddy P. Estudio neutrosófico sobre la
afectación de la inteligencia artificial en el desarrollo de software.
296
CHATGPT es un modelo de lenguaje desarrollado por OpenAI, basado en la arquitectura de Transformer y
entrenado en grandes conjuntos de datos de texto. Esta IA es capaz de entender y generar texto en lenguaje natu-
ral, lo que permite una amplia gama de aplicaciones, desde la generación de texto creativo hasta la traducción au-
tomática y el análisis de sentimiento, [1].
En el contexto del desarrollo de software, CHATGPT tiene el potencial de revolucionar la forma en que los
desarrolladores trabajan y colaboran. A través del uso de esta tecnología, los equipos de desarrollo pueden mejo-
rar su productividad y eficiencia en diversas áreas, como la generación de código, la depuración y resolución de
problemas, la asistencia en la toma de decisiones, y la documentación y comunicación.
Los modelos de lenguaje como CHATGPT se han vuelto cada vez más populares en la industria del software
debido a su capacidad para procesar grandes volúmenes de datos de texto y generar respuestas coherentes y con-
textuales. Además, el aprendizaje automático ha permitido a estos modelos adaptarse y mejorar con el tiempo, lo
que ha llevado a un crecimiento significativo en su utilidad y aplicabilidad en el desarrollo de software.
El estudio de centró en explorar y analizar el papel de CHATGPT en el desarrollo de software, con un enfo-
que específico en las aplicaciones prácticas y el impacto potencial de esta tecnología en la industria. Además, es-
te estudio pretende identificar las ventajas, desafíos y limitaciones asociadas con el uso de CHATGPT en el
desarrollo de software, así como proporcionar recomendaciones para futuras investigaciones y desarrollos en es-
ta área.
Es por eso que la revisión de la literatura existente sobre modelos de lenguaje, inteligencia artificial y apren-
dizaje automático aplicado al desarrollo de software, autores como Radford, [1]; Amershi, [2]. Al igual que un
análisis de casos de estudio que demuestren el uso de CHATGPT en diversas etapas del proceso de desarrollo de
software, incluida la generación de código, la depuración y resolución de problemas, la asistencia en la toma de
decisiones y la documentación y comunicación, aspectos valorados por Chen, [3]; Hashimoto [4].
La evaluación y comparación de las soluciones basadas en CHATGPT con enfoques tradicionales y otras he-
rramientas de IA en términos de eficiencia, calidad y colaboración en el desarrollo de software, ha sido sistema-
tizada por investigadores como Allamanis [5]; Raychev [6], además, la discusión sobre las implicaciones y apli-
caciones prácticas de CHATGPT en la industria del software, así como una visión general de las tendencias.
Sobre la base de lo antes planteado se identifica el siguiente problema de investigación ¿cómo conocer el es-
tado de afectación de la inteligencia artificial en el desarrollo de software?
Para dar solución a esta interrogante se formula como objetivo de la investigación: realizar un estudio neutro-
sófico para la valoración de estado de afectación de la inteligencia artificial en el desarrollo de software.
2 Materiales y métodos
Se realizó una investigación no experimental de tipo descriptiva y transversal. Pues no se manipula ninguna
de las variables estudiadas. Los datos se recopilan y presentan tal y como se recolectan en contexto de investiga-
ción, siguiendo las recomendaciones para este tipo de investigación.
Se utiliza además, los postulados de los diseños mixto de la investigación científica. Pues se recopilan y tabu-
lan los datos teniendo en cuenta lo cuantitativo y lo cualitativo. Para ello se utilizan técnicas como el tarjado
simple.
Sobre los criterios anteriores, se seleccionan un conjunto de métodos teóricos, empíricos y estadísticos ma-
temáticos. Los cuales son contextualizados a las conveniencias y exigencias de la investigación y en plena co-
rrespondencia con el diseño asumido.
Nivel teórico
Analítico-sintético: permitió realizar un estudio acerca de los postulados teóricos y metodológicos que sus-
tentan el estudio neutrosófico sobre la valoración de estado de afectación de la inteligencia artificial en el desa-
rrollo de software. Fue útil en la interpretación de la información empírica obtenida.
Inductivo-deductivo: posibilitó hacer inferencias y generalizaciones el estudio neutrosófico para la valoración
de estado de afectación de la inteligencia artificial en el desarrollo de software, así como la interpretación de los
datos obtenidos, a partir de las cuales se deducen nuevas conclusiones lógicas.
Nivel empírico
Encuesta: Fue realizada a todos los desarrolladores, ingenieros de software y profesionales de TI, que for-
man parte de la muestra en estudio, pues este fue el instrumento utilizado para la recolección de los datos deri-
vado de este estudio neutrosófico.
Nivel matemático estadístico
Se empleó la estadística descriptiva, pues ésta se centra en la recopilación, organización, presentación y re-
sumen de datos con el fin de comprender sus características principales. Dentro de ella se emplea la distribución
de frecuencias, donde para una mayor ilustración se presentan tablas de doble entrada.
Neutrosophic Computing and Machine Learning, Vol. 29, 2023
Llerena O. Luis A, Viscaino N. Fausto A, Culque T. Walter V, Baño N. Freddy P. Estudio neutrosófico
sobre la afectación de la inteligencia artificial en el desarrollo de software.
297
2.1 Población y muestra
Se empleó la estadística neutrosófica para el cálculo de la población. Como se conoce la población total me-
diante la siguiente expresión, [7].
• p = proporción aproximada del fenómeno en estudio en la población de referencia
• q = proporción de la población de referencia que no presenta el fenómeno en estudio (1 -p).
• El nivel de confianza deseado (Z). Indica el grado de confianza que se tendrá de que el valor verda-
dero del parámetro en la población se encuentre en la muestra calculada.
• La precisión absoluta (d). Es la amplitud deseada del intervalo de confianza a ambos lados del valor
real de la diferencia entre las dos proporciones (en puntos porcentuales).
• N es tamaño de la población.
• En este caso de desea un nivel de confianza entre un 90 y 95%, z= [1.645, 1.98], d= [0.05, 0.0] y p =
[0.3,0.43], N=1310. El resultado al que denominamos muestra neutrosófica n= [10.1, 30.6].
En concordancia con lo anterior descrito, se seleccionó como muestra a 120 desarrolladores, ingenieros de
software y profesionales de TI, de Ambato que son conocedores de esta temática y llevan varios de experiencia
tanto como profesor universitario como desarrolladores para varias instituciones.
Se seleccionó una muestral probabilística, utilizando la técnica de tómbola. Una vez seleccionados se les ex-
plicó en qué consistía la investigación y se firmó el consentimiento informado.
2.2 Método neutrosófico
El método neutrosófico es una teoría desarrollada por el matemático y filósofo rumano Florentin Smaranda-
che en la década de 1990. El enfoque neutrosófico busca tratar situaciones en las que la información disponible
es incompleta, incierta o contradictoria. Proporciona un marco matemático y lógico para lidiar con la imprecisión,
la incertidumbre y la vaguedad en los problemas de toma de decisiones, [7].
El término "neutrosófico" proviene de la combinación de las palabras "neutro" y "sofía" (sabiduría en griego),
lo que implica que el método busca abordar la neutralidad y la sabiduría en la toma de decisiones en situaciones
complejas y ambiguas.
Para el análisis neutrosófico desarrollado se tuvo en cuenta el flujo de trabajo de 6 actividades fundamentales.
El análisis se basa en el funcionamiento del entorno neutrosófico para modelar la incertidumbre. El análisis se
sustenta sobre una guía de pasos lógicas con enfoque neutrosófico que puede abordar criterios de diferente natu-
raleza en un entorno neutrosófico [7], [8], [9], [10], [11-17]. En la figura 1se representa esquemáticamente cada
una de ellas. Donde además se muestra la relación que presentan en correspondencia con la teoría de loa algorit-
mos.
Figura 1. Modelo neutrosófico empleado en la investigación
Neutrosophic Computing and Machine Learning, Vol. 29, 2023
Llerena O. Luis A, Viscaino N. Fausto A, Culque T. Walter V, Baño N. Freddy P. Estudio neutrosófico sobre la
afectación de la inteligencia artificial en el desarrollo de software.
298
3 Resultados y discusión
A continuación, se presentan los resultados de una encuesta realizada a 120 personas sobre la descripción ge-
neral de CHATGPT y GitHub Copilot en el desarrollo de software. Los encuestados incluyeron desarrolladores,
ingenieros de software y profesionales de TI.
Tabla 1: Familiaridad con CHATGPT y GitHub Copilot
Respuesta
Número de respuestas
Porcentaje
Muy familiar
30
25%
Algo familiar
50
41.7%
Poco familiar
25
20.8%
No familiar (nunca he oído hablar)
15
12.5%
Tabla 2: Uso de CHATGPT y GitHub Copilot en el desarrollo de software
Respuesta
Número de respuestas
Uso frecuente
40
Uso ocasional
45
Rara vez lo utilizo
20
Nunca lo he utilizado
15
Tabla 3: Satisfacción con CHATGPT y GitHub Copilot
Respuesta
Número de respuestas
Porcentaje
Muy satisfecho
35
29.2%
Satisfecho
55
45.8%
Neutral
20
16.7%
Insatisfecho
7
5.8%
Muy insatisfecho
3
2.5%
La mayoría de los encuestados (66.7%) indicaron estar familiarizados o muy familiarizados con CHATGPT
y GitHub Copilot. El 41.7% de los encuestados informó que eran algo familiares con estas tecnologías, mientras
que el 25% afirmó estar muy familiarizado con ellas.
En cuanto al uso, el 33.3% de los encuestados informó utilizar frecuentemente CHATGPT y GitHub Copilot
en el desarrollo de software, y el 37.5% lo utilizó ocasionalmente. Solo el 12.5% de los encuestados nunca había
utilizado estas herramientas de IA.
La satisfacción con CHATGPT y GitHub Copilot fue en general alta entre los encuestados, ya que el 75% de
ellos se mostraron satisfechos o muy satisfechos con estas tecnologías. Solo el 8.3% de los encuestados expresa-
ron insatisfacción o alta insatisfacción con CHATGPT y GitHub Copilot.
En general, estos resultados indican que CHATGPT y GitHub Copilot son herramientas conocidas y utiliza-
das en el desarrollo de software, con un alto nivel de satisfacción entre los usuarios. Sin embargo, todavía hay
espacio para mejorar la adopción y el conocimiento de estas tecnologías en la comunidad de desarrolladores
Neutrosophic Computing and Machine Learning, Vol. 29, 2023
Llerena O. Luis A, Viscaino N. Fausto A, Culque T. Walter V, Baño N. Freddy P. Estudio neutrosófico
sobre la afectación de la inteligencia artificial en el desarrollo de software.
299
Tabla 4: Aplicaciones más populares de CHATGPT en el desarrollo de software.
Aplicación
Número de respuestas
Porcentaje
Generación de código
70
58.3%
Depuración de problemas
55
45.8%
Mejora de la documentación
50
41.7%
Toma de decisiones informadas
40
33.3%
Mejora de la comunicación
35
29.2%
Otros
10
8.3%
Nota: Los porcentajes suman más del 100%, ya que los encuestados podían seleccionar varias aplicaciones.
Según los resultados de la encuesta, la generación de código es la aplicación más popular de CHATGPT en el
desarrollo de software, con el 58.3% de los encuestados utilizando la herramienta para este propósito. La depura-
ción de problemas y la mejora de la documentación también fueron aplicaciones comunes, con el 45.8% y 41.7%
de los encuestados utilizándolas respectivamente.
La toma de decisiones informadas y la mejora de la comunicación también fueron aplicaciones populares de
CHATGPT en el desarrollo de software, con el 33.3% y el 29.2% de los encuestados utilizándolas para estos
propósitos. Además, un pequeño porcentaje de encuestados (8.3%) mencionó otras aplicaciones no especificadas.
Estos resultados indican que CHATGPT se utiliza en una variedad de aplicaciones dentro del desarrollo de
software, desde la generación de código hasta la mejora de la comunicación entre miembros del equipo. Esto su-
giere que CHATGPT es una herramienta versátil y valiosa en el campo del desarrollo de software, con un amplio
rango de usos y beneficios potenciales.
Tabla 5: Eficacia de CHATGPT y GitHub Copilot en la generación de código
Respuesta
Número de respuestas
Porcentaje
Muy eficaz
45
37.5%
Eficaz
60
50%
Neutral
10
8.3%
Ineficaz
4
3.3%
Muy ineficaz
1
0.8%
Tabla 6: Calidad del código generado por CHATGPT y GitHub Copilot
Respuesta
Número de respuestas
Porcentaje
Excelente
30
25%
Buena
65
54.2%
Aceptable
20
16.7%
Mala
4
3.3%
Muy mala
1
0.8%
Neutrosophic Computing and Machine Learning, Vol. 29, 2023
Llerena O. Luis A, Viscaino N. Fausto A, Culque T. Walter V, Baño N. Freddy P. Estudio neutrosófico sobre la
afectación de la inteligencia artificial en el desarrollo de software.
300
Los resultados de la encuesta muestran que la mayoría de los encuestados considera que CHATGPT y
GitHub Copilot son eficaces en la generación de código. El 87.5% de los encuestados calificaron estas herra-
mientas como eficaces o muy eficaces, mientras que solo el 4.1% las consideró ineficaces o muy ineficaces.
En cuanto a la calidad del código generado por CHATGPT y GitHub Copilot, el 79.2% de los encuesta-
dos calificó la calidad del código como buena o excelente. Un 16.7% adicional calificó la calidad del código co-
mo aceptable, mientras que solo el 4.1% de los encuestados la consideró mala o muy mala.
Estos resultados sugieren que CHATGPT y GitHub Copilot son herramientas eficaces en la generación
de código en el desarrollo de software, y que la calidad del código generado por estas herramientas es en su ma-
yoría alta. Sin embargo, es importante tener en cuenta que las experiencias individuales pueden variar y que estas
herramientas no son perfectas, por lo que los desarrolladores deben seguir revisando y ajustando el código gene-
rado según sea necesario.
Tabla 7: Eficacia de CHATGPT y GitHub Copilot en la depuración y resolución de problemas
Respuesta
Número de respuestas
Porcentaje
Muy eficaz
40
33.3%
Eficaz
55
45.8%
Neutral
15
12.5%
Ineficaz
8
6.7%
Muy ineficaz
2
1.7%
Tabla 8: Calidad de las soluciones proporcionadas por CHATGPT y GitHub Copilot en la depuración y resolu-
ción de problemas
Respuesta
Número de respuestas
Porcentaje
Excelente
25
20.8%
Buena
60
50%
Aceptable
25
20.8%
Mala
8
6.7%
Muy mala
2
1.7%
La encuesta revela que la mayoría de los encuestados considera que CHATGPT y GitHub Copilot son
eficaces en la depuración y resolución de problemas. El 79.1% de los encuestados calificó estas herramientas
como eficaces o muy eficaces, mientras que solo el 8.4% las consideró ineficaces o muy ineficaces.
En cuanto a la calidad de las soluciones proporcionadas por CHATGPT y GitHub Copilot en la depura-
ción y resolución de problemas, el 70.8% de los encuestados calificó la calidad de las soluciones como buena o
excelente. Un 20.8% adicional calificó la calidad de las soluciones como aceptable, mientras que solo el 8.4% de
los encuestados la consideró mala o muy mala.
Los resultados sugieren que CHATGPT y GitHub Copilot son herramientas eficaces en la depuración y
resolución de problemas en el desarrollo de software, y que la calidad de las soluciones proporcionadas por estas
herramientas es en su mayoría alta. Sin embargo, es importante tener en cuenta que las experiencias individuales
pueden variar y que estas herramientas no son perfectas, por lo que los desarrolladores deben seguir evaluando y
ajustando las soluciones proporcionadas según sea necesario.
Neutrosophic Computing and Machine Learning, Vol. 29, 2023
Llerena O. Luis A, Viscaino N. Fausto A, Culque T. Walter V, Baño N. Freddy P. Estudio neutrosófico
sobre la afectación de la inteligencia artificial en el desarrollo de software.
301
Tabla 9: Eficacia de CHATGPT y GitHub Copilot en la asistencia en la toma de decisiones
Respuesta
Número de respuestas
Muy eficaz
30
Eficaz
50
Neutral
25
Ineficaz
10
Muy ineficaz
5
Tabla 10: Calidad de la información proporcionada por CHATGPT y GitHub Copilot en la asistencia en la toma
de decisiones.
Respuesta
Número de respuestas
Porcentaje
Excelente
20
16.7%
Buena
55
45.8%
Aceptable
30
25%
Mala
10
8.3%
Muy mala
5
4.2%
La encuesta muestra que la mayoría de los encuestados considera que CHATGPT y GitHub Copilot son efi-
caces en la asistencia en la toma de decisiones. El 66.7% de los encuestados calificó estas herramientas como
eficaces o muy eficaces, mientras que solo el 12.5% las consideró ineficaces o muy ineficaces.
En cuanto a la calidad de la información proporcionada por CHATGPT y GitHub Copilot en la asistencia en
la toma de decisiones, el 62.5% de los encuestados calificó la calidad de la información como buena o excelente.
Un 25% adicional calificó la calidad de la información como aceptable, mientras que solo el 12.5% de los en-
cuestados la consideró mala o muy mala.
Estos resultados sugieren que CHATGPT y GitHub Copilot son herramientas eficaces en la asistencia en la
toma de decisiones en el desarrollo de software, y que la calidad de la información proporcionada por estas he-
rramientas es en su mayoría alta. Sin embargo, es importante tener en cuenta que las experiencias individuales
pueden variar y que estas herramientas no son perfectas, por lo que los desarrolladores deben seguir evaluando y
ajustando la información proporcionada según sea necesario.
Tabla 11: Eficacia de CHATGPT y GitHub Copilot en la documentación y comunicación.
Respuesta
Número de respuestas
Porcentaje
Muy eficaz
35
29.2%
Eficaz
55
45.8%
Neutral
20
16.7%
Ineficaz
7
5.8%
Muy ineficaz
3
2.5%
Neutrosophic Computing and Machine Learning, Vol. 29, 2023
Llerena O. Luis A, Viscaino N. Fausto A, Culque T. Walter V, Baño N. Freddy P. Estudio neutrosófico sobre la
afectación de la inteligencia artificial en el desarrollo de software.
302
Tabla 12: Calidad de la documentación y comunicación generada por CHATGPT y GitHub Copilot
Respuesta
Número de respuestas
Porcentaje
Excelente
25
20.8%
Buena
60
50%
Aceptable
25
20.8%
Mala
7
5.8%
Muy mala
3
2.5%
La encuesta revela que la mayoría de los encuestados considera que CHATGPT y GitHub Copilot son efica-
ces en la documentación y comunicación. El 75% de los encuestados calificó estas herramientas como eficaces o
muy eficaces, mientras que solo el 8.3% las consideró ineficaces o muy ineficaces.
En cuanto a la calidad de la documentación y comunicación generada por CHATGPT y GitHub Copilot, el
70.8% de los encuestados calificó la calidad como buena o excelente. Un 20.8% adicional calificó la calidad co-
mo aceptable, mientras que solo el 8.3% de los encuestados la consideró mala o muy mala.
En general, estos resultados sugieren que CHATGPT y GitHub Copilot son herramientas eficaces en la do-
cumentación y comunicación en el desarrollo de software, y que la calidad de la documentación y comunicación
generada por estas herramientas es en su mayoría alta. Sin embargo, es importante tener en cuenta que las expe-
riencias individuales pueden variar y que estas herramientas no son perfectas, por lo que los desarrolladores de-
ben seguir evaluando y ajustando la documentación y comunicación generada según sea necesario.
4-Discusión
CHATGPT y GitHub Copilot han demostrado ser herramientas prometedoras en el campo del desarrollo de
software. Algunas de las ventajas y beneficios de estas herramientas incluyen la generación de código, la depu-
ración y resolución de problemas, la asistencia en la toma de decisiones y la documentación y comunicación. A
continuación, se discuten estas ventajas y beneficios con referencias bibliográficas.
Generación de código: CHATGPT y GitHub Copilot pueden generar automáticamente código para una am-
plia gama de lenguajes y bibliotecas, lo que puede aumentar la productividad de los desarrolladores y reducir el
tiempo necesario para completar tareas de codificación [1].
Depuración y resolución de problemas: Estas herramientas pueden ofrecer sugerencias de código para resol-
ver problemas y depurar errores, lo que ayuda a los desarrolladores a identificar rápidamente soluciones y mejo-
rar la calidad del software, [12].
Asistencia en la toma de decisiones: CHATGPT y GitHub Copilot pueden proporcionar información y reco-
mendaciones basadas en el contexto del proyecto y el conocimiento previo, lo que puede ayudar a los desarrolla-
dores a tomar decisiones más informadas y acelerar el proceso de desarrollo, [1].
Documentación y comunicación: Estas herramientas pueden generar automáticamente documentación y co-
mentarios para el código, lo que facilita la comprensión y el mantenimiento del software por parte de otros desa-
rrolladores. Además, pueden ayudar a los desarrolladores a comunicarse de manera más efectiva con sus colegas
al proporcionar ejemplos de código y soluciones a problemas comunes, [12].
Es importante destacar que, aunque CHATGPT y GitHub Copilot ofrecen numerosos beneficios, también es
esencial que los desarrolladores revisen y ajusten el código y las soluciones proporcionadas por estas herramien-
tas según sea necesario, ya que no son perfectas y pueden cometer errores [1].
En el ámbito del desarrollo de software, las herramientas de inteligencia artificial están cobrando cada vez
más importancia debido a su capacidad para automatizar tareas, mejorar la eficiencia y aumentar la precisión. En
este sentido, CHATGPT y GitHub Copilot son dos herramientas de inteligencia artificial que están ganando po-
pularidad en la comunidad de desarrolladores.
CHATGPT es un modelo de lenguaje de inteligencia artificial desarrollado por OpenAI que permite generar
respuestas a preguntas y comentarios de manera automática, basándose en un análisis profundo del lenguaje na-
tural. Por su parte, GitHub Copilot es una herramienta que utiliza un modelo de lenguaje de inteligencia artificial
para generar código de manera automática, basándose en el contexto del código existente y en las sugerencias
proporcionadas por el programador.
Automatización de tareas: tanto CHATGPT como GitHub Copilot permiten automatizar tareas repetitivas y
tediosas, lo que permite a los desarrolladores concentrarse en tareas más importantes y creativas.
Neutrosophic Computing and Machine Learning, Vol. 29, 2023
Llerena O. Luis A, Viscaino N. Fausto A, Culque T. Walter V, Baño N. Freddy P. Estudio neutrosófico
sobre la afectación de la inteligencia artificial en el desarrollo de software.
303
Mejora de la eficiencia: al automatizar tareas, se mejora la eficiencia del proceso de desarrollo de software, lo
que permite ahorrar tiempo y recursos.
Reducción de errores: la automatización de tareas y la generación automática de código reducen la posibili-
dad de cometer errores humanos, lo que aumenta la calidad del software.
Mayor precisión: los modelos de lenguaje de inteligencia artificial utilizados por CHATGPT y GitHub Copi-
lot son capaces de analizar grandes cantidades de información y proporcionar respuestas y sugerencias precisas y
relevantes [13], [14].
Aumento de la productividad: al automatizar tareas y reducir la posibilidad de errores, se aumenta la produc-
tividad de los desarrolladores, lo que permite generar más código en menos tiempo.
CHATGPT y GitHub Copilot son herramientas de inteligencia artificial que ofrecen una serie de ventajas y
beneficios en el desarrollo de software. Al automatizar tareas, mejorar la eficiencia y aumentar la precisión, estas
herramientas permiten a los desarrolladores concentrarse en tareas más importantes y creativas, lo que se traduce
en un mejor software, [14].
Otro de los puntos que se deben tratar, se basa en las mejoras en la calidad del lenguaje natural, una posible
mejora para CHATGPT es la mejora en la calidad del lenguaje natural. Aunque el modelo actual es impresionan-
te, aún hay margen de mejora para que la herramienta pueda comprender mejor los matices del lenguaje natural,
[13].
Generación de código más sofisticado en cuanto a GitHub Copilot, una posible mejora sería la generación de
código más sofisticado. Si bien la herramienta es capaz de generar código básico, aún hay margen de mejora pa-
ra que pueda generar código más avanzado y complejo [1].
La integración con otras herramientas de desarrollo de software es una posible mejora para ambas herramien-
tas sería la integración con otras herramientas de desarrollo de software. Si bien CHATGPT y GitHub Copilot
son herramientas impresionantes, aún se pueden mejorar para que puedan integrarse mejor con otras herramien-
tas de software existentes, lo que podría mejorar aún más la eficiencia y la productividad, [1], [6], [15].
La mejora de la capacidad de aprendizaje automático otra posible mejora para ambas herramientas es la me-
jora de la capacidad de aprendizaje automático. Si bien los modelos de lenguaje de inteligencia artificial utiliza-
dos por CHATGPT y GitHub Copilot son impresionantes, aún hay margen de mejora para que puedan aprender
y adaptarse más rápidamente a medida que se utilizan [15], [16].
La ampliación de la base de conocimiento finalmente, una posible mejora para CHATGPT sería la amplia-
ción de su base de conocimiento, [13]. Si bien el modelo actual es capaz de comprender una gran cantidad de in-
formación, aún hay margen de mejora para que pueda comprender aún más información y, por lo tanto, propor-
cionar respuestas más precisas y relevantes.
Conclusión
Los estudios teóricos realizados durante el trascurso de la investigación evidencian la necesidad de profundi-
zar en las investigaciones neutrosóficos que permitan lograr una mayor precisión en la valoración del estado de
afectación de la inteligencia artificial en el desarrollo de software.
Derivado de los resultados obtenidos en el estudio neutrosófico desarrollado se concluye que el CHATGPT
es una herramienta impresionante con un gran potencial en el desarrollo de software. Si bien hay algunos desa-
fíos y limitaciones asociados con la herramienta, sus ventajas y beneficios superan con creces estos desafíos.
Con el tiempo, es posible que se realicen mejoras y desarrollos adicionales en la herramienta, lo que podría au-
mentar aún más su capacidad para mejorar la eficiencia y la productividad en el desarrollo de software.
Referencias
[1] A Radford, K Narasimhan, T Salimans, & I Sutskever. mproving Language Understanding by Generative Pre-
Training. OpenAI, 2019
[2] S Amershi, A Begel, C Bird, R DeLine, H Gall, E Kamar, & T Zimmermann. Software engineering for machine
learning: A case study. EEE/ACM 41st International Conference on Software Engineering: Software Engineering in
Practice (ICSE-SEIP), 2019
[3] M. X Chen, O Firat, A Bapna, M Johnson, W Macherey, G Foster & Y Wu. OpenAI Codex: Human-like language
understanding and code generation. rXiv preprint arXiv:2109.03374, 2021
[4] T. B Hashimoto, K Guu, Y Oren, & P Liang. A retrieve-and-edit framework for predicting structured outputs. Ad-
vances in Neural Information Processing Systems, 31, 10076-10086, 2018
[5] M Allamanis, E. T Barr, P Devanbu, & C Sutton. A survey of machine learning for big code and naturalness. ACM
Computing Surveys (CSUR), 51(4), 1-37, 2018
[6] V Raychev, P Bielik, & M Vechev. Probabilistic model for code with decision trees. ACM SIGPLAN Notices,
51(10), 731-747, 2016
Neutrosophic Computing and Machine Learning, Vol. 29, 2023
Llerena O. Luis A, Viscaino N. Fausto A, Culque T. Walter V, Baño N. Freddy P. Estudio neutrosófico sobre la
afectación de la inteligencia artificial en el desarrollo de software.
304
[7] O. Mar, I. Santana, and J. Gulín, “Algoritmo para determinar y eliminar nodos neutrales en Mapa Cognitivo Neu-
trosófico,” Neutrosophic Computing and Machine Learning, vol. 8, pp. 4-11, 2019.
[8] R. G. Ortega, M. Rodríguez, M. L. Vázquez, and J. E. Ricardo, “Pestel analysis based on neutrosophic cognitive
maps and neutrosophic numbers for the sinos river basin management,” Neutrosophic Sets and Systems, vol. 26, no.
1, pp. 16, 2019.
[9] Edalatpanah, S. A., & Smarandache, F. (2019). Data envelopment analysis for simplified neutrosophic sets. Infinite
Study.
[10] MY. Leyva Vázquez, & F. Smarandache. Neutrosofía: Nuevos avances en el tratamiento de la incertidumbre. Infinite
Study. 2018
[11] F. Smarandache. "Introduction to Neutrosophic Statistics". Ed. Infinite Study, 150, 2014
[12] T. B Brown, B Mann, N Ryder, M Subbiah, J Kaplan, P Dhariwal, & D Amodei. Language models are few-shot
learners. Advances in Neural Information Processing Systems, 33, 2020
[13] OpenAI. OpenAI. Obtenido de OpenAI: https://openai.com/blog/gpt-3-apps/, 2021
[14] Microsoft.GitHub Copilot. Obtenido de GitHub Copilot: https://copilot.github.com/, 2021
[15] B Boehm & R Turner. Management challenges to implementing agile processes in traditional development organiza-
tions. IEEE software, 22(5), 30-39, 2004
[16] B. P Lientz, & E. B. Swanson. Software maintenance management: A study of the maintenance of computer applica-
tion software in 487 data processing organizations. Addison-Wesley Longman Publishing Co., Inc, 1980
[17] von Feigenblatt, O. F. Trends and Debates in American Education: A Hispanic Perspective. Ediciones
Octaedro, 2023.
Recibido: Agosto 30, 2023. Aceptado: Septiembre 29, 2023