Register över socio-teknisk skuld

Registret

Sök på svenskt eller engelskt namn, eller på ord i beskrivningen. Filtrera på domän (social eller teknisk) och på vilket paraplybegrepp kategorin ursprungligen definierats inom. Varje post anger källa till definitionen.

Registret omfattar avhandlingens kategorier samt 34 kategorier som inte ingick i avhandlingen, tillagda 2026 efter en litteraturgenomgång och märkta Ny. 26 av kategorierna är inordnade som underkategorier till en annan kategori, vilket anges på kortet med länk till den överordnade kategorin. Inordningen bygger på litteraturgenomgången och min egen bedömning, och gäller även flera av avhandlingens ursprungliga kategorier. Alla kategorier har fortfarande egna kort och går att söka fram.

Sök och filter kräver JavaScript. Samtliga kategorier visas nedan.

Sök

Domän

Alla Social skuld Teknisk skuld

Ursprung Alla paraplybegrepp TD – Teknisk skuld (traditionell) AI – AI-specifik teknisk skuld DD – Digital skuld TyD – Teknologiskuld NTD – Icke-teknisk skuld Egen – Avhandlingens egna studier Ny – Tillagd efter avhandlingen

Rensa filter

Visar 79 av 79 kategorier.

Så hänger skulderna ihop

Uppdelningen i två domäner ger analytisk tydlighet, men i praktiken förstärker skulderna varandra. Svag styrning och beslut i silor ger inkonsekventa arkitekturer och fragmenterade kodbaser, och föråldrade system frustrerar användare, skapar motstånd mot förändring och urholkar tilliten mellan IT och verksamhet. Social skuld är ofta bränslet till teknisk skuld, och bestående teknisk skuld föder i sin tur ny social skuld.

Hela strukturen, med samtliga kategorier och deras underkategorier i respektive domän, finns som en samlad bild på sidan Så hänger allt ihop.

Begreppets historia: från teknisk till socio-teknisk skuld

Skuldmetaforen föddes i programmeringens värld men har under tre decennier vuxit till ett sätt att beskriva hela det socio-tekniska system där programvara utvecklas, förvaltas och används. Tidslinjen sammanfattar den utveckling som beskrivs i avhandlingens kappa (kapitel 2.2) och som mynnar ut i det samlande begreppet socio-teknisk skuld.

1. 1992

   Metaforen myntas

   Ward Cunningham beskriver ”quick-and-dirty”-programmering som ett lån: lite skuld snabbar upp utvecklingen, förutsatt att den betalas tillbaka snabbt genom omskrivning.

   ”Shipping first-time code is like going into debt. A little debt speeds development so long as it is paid back promptly with a rewrite. […] Every minute spent on not-quite-right code counts as interest on that debt.”

   Metaforen får kraft för att den även hjälper icke-tekniska beslutsfattare inom ekonomi och ledning att förstå riskerna med dålig praxis. Lutz (1993) visar att skulden också kan vara strategiskt gångbar, som att låna kapital i affärsvärlden.

2. 2003 och 2009

   Ränta, amortering och Fowlers kvadrant

   Martin Fowler förenklar metaforen till valet mellan en ”rörig men snabb” och en ”ren men tidskrävande” lösning. Precis som ett lån kräver skulden räntebetalningar i form av extra arbete i all framtida utveckling, tills kapitalet amorteras genom refaktorering. Senare skiljer Fowler på avsiktlig och oavsiktlig, ansvarsfull och oansvarig skuld. Begreppet blir därmed ett gemensamt språk för utvecklare, arkitekter och chefer.

3. 2012–2013

   Utvidgning och varning för urvattning

   Kruchten m.fl. (2012) och Tom m.fl. (2013) utvidgar teknisk skuld till arkitektur- och processnivå, men noterar samtidigt att inkonsekvent terminologi riskerar att försvaga begreppets analytiska skärpa.

4. 2014 och 2018

   Teknologiskuld (TyD)

   Magnusson och Bygstad definierar teknologiskuld som ”den ackumulerade förpliktelse som nuvarande CIO (gäldenär) har till en framtida CIO (borgenär), där tidigare beslut begränsar kommande beslut”. Skulden uppstår inte i koden utan mellan artefakterna, i vägval och beroenden: ett proprietärt affärssystem ger snabb driftsättning men låser organisationen i dyra uppgraderingscykler. Tre huvudgrupper beskrivs (organisation, användare, teknik) med undertyper som kompetens-, arbetsmiljö-, användarnöjdhets-, anseende-, infrastruktur-, skugg-IT- och styrningsskuld (Magnusson m.fl., 2018).

5. 2015

   Social skuld

   Tamburri m.fl. definierar social skuld som ”en kumulativ och ökande kostnad i det rådande läget, kopplad till osynliga och negativa effekter inom en utvecklingsgemenskap”. Det är den första renodlade formuleringen av att skuld kan sitta i samarbete och relationer snarare än i kod.

6. 2016

   Forskarfältet enas om en definition

   Ledande skuldforskare samlas vid ett seminarium för att harmonisera begreppet. Resultatet (Avgeriou m.fl., 2016) definierar teknisk skuld som design- eller implementationskonstruktioner som är ändamålsenliga på kort sikt men skapar ett tekniskt sammanhang där framtida förändringar blir dyrare eller omöjliga, med påverkan begränsad till systemets inre kvaliteter. Tre nyckelelement lyfts fram: skulden (de suboptimala konstruktionerna), räntan (framtida merarbete) och kapitalet (kostnaden att avhjälpa skulden). Det är denna definition som avgränsar den tekniska domänen i registret ovan.

7. 2018

   En taxonomi med 15 typer, och digital skuld (DD)

   Rios m.fl. sammanställer i en tertiär studie en taxonomi med 15 undertyper av teknisk skuld, från krav och test till dokumentation, process och personal, och varnar samtidigt för att begreppet används som ett ”catch-all” för varje hinder i utvecklingen. Taxonomin har sedan byggts ut väsentligt och utgör stommen i avhandlingens appendix 1.

   Samma år definierar Rolland m.fl. digital skuld som ”en organisations ackumulerade tekniska och informationsmässiga förpliktelser kopplade till underhåll och utvecklingsbarhet hos dess plattform och infrastruktur”. Begreppet flyttar fokus från enskilda tekniska brister till det systemiska resultatet av uppskjuten modernisering, och utvidgar metaforen till informationslagret. Ernst m.fl. (2021) och Asatiani & Torell (2023) preciserar åtta underkategorier, där driftsättnings-, social och informationsskuld är de mest särskiljande.

8. 2021

   AI-specifika skulder

   Bogner m.fl. kartlägger teknisk skuld i AI-baserade system och beskriver fyra nya typer: AI-konfigurations-, AI-data-, AI-modell- och AI-etikskuld. Metaforen följer med in i en ny teknikgeneration.

9. 2023–2024

   Icke-teknisk skuld (NTD)

   Saeeda m.fl. definierar icke-teknisk skuld som ansamlingen av suboptimala eller omogna beslut, kompromisser eller nödlösningar i utvecklingens icke-tekniska delar: bristande kommunikation, ineffektiva processer, felriktade team, svagt ledarskap. Fem underkategorier ordnas upp (process-, personal-, kultur-, social och organisationsskuld), och Ahmad m.fl. (2024) lägger till dokumentationsskuld. Icke-teknisk skuld fungerar ofta som en förstärkare: när processer, strukturer eller mänskliga faktorer brister levererar även välbyggda system inte värde.

   Överlappningarna blir nu tydliga: processkuld finns i både TD- och NTD-litteraturen, kulturskuld ligger nära socio-teknisk skuld, och dokumentationsskuld erkänns under alla tre rubrikerna. Fältet behöver ett ramverk som ordnar kategorierna utan att späda ut metaforen.

10. 2023

    Transparensskuld i kommunal kontext

    I avhandlingens första studie (Persson m.fl., 2023) identifieras transparensskuld: stängd kod gör det svårt att veta vilka data som lagras om medborgarna och vilka algoritmer som används när ärenden bedöms. Studien av bygglovsprocessens system i en svensk kommun visar också att avdelningar arbetar i silor och att medborgaren bara har en passiv roll som systemanvändare.

11. 2024

    Socio-teknisk skuld (STeD) som samlande begrepp

    Debatten om metaforens gränser pågår: ena sidan menar att utvidgningen är nödvändig för att fånga den socio-tekniska verkligheten (Ahmad & Al-Baik, 2024; Avgeriou m.fl., 2025), den andra att begreppet dignar under allt fler kategorier (Tom m.fl., 2013; Besker m.fl., 2016). Riquet m.fl. (2024) föreslår socio-teknisk skuld som ett enande begrepp: organisationer kan inte meningsfullt skilja teknisk skuld i artefakter från de organisatoriska och sociala dynamiker som formar utvecklingen.

    ”A phenomenon that occurs when past social and/or technical decisions lead to inefficiencies or increased risks in designing, building, maintaining, managing, or using software engineering artifacts. This, in turn, hampers an organization’s ability to create value, achieve strategic goals, or pursue the best course of action.”

    Skulden har tre kännetecken: den är kumulativ (ju längre den kvarstår, desto högre kostnad), den är dyr att avveckla, och den är oundviklig i praktiken eftersom avvägningar och kompromisser är en del av allt utvecklingsarbete.

12. 2025

    Avhandlingen: kategorierna sorteras i två domäner

    Med Riquets ramverk som lins ordnar avhandlingen alla tidigare artikulerade kategorier i två övergripande domäner: artefaktknuten skuld (teknisk skuld i kod, arkitektur, databaser och testramverk) och socialt knuten skuld (skuld som ansamlas genom sociala beslut om kommunikation, styrning och resursfördelning). Kategorier som tidigare räknats som tekniska, till exempel krav-, process- och AI-etikskuld, placeras på den sociala sidan eftersom deras rötter ligger i sociala sammanhang. Det är den klassificering som registret på denna sida återger.

    Ramverket används sedan som diagnostiskt verktyg i fem studier och 25 kompletterande expertintervjuer i svensk kommunal sektor. Nio problem som driver skuldansamlingen identifieras och kartläggs mot designprinciper och arkitekturskisser. Slutsatsen: i kommunerna är skulden framför allt social. Klassificeringen är inte fullständig, eftersom metaforen fortsätter att utvecklas i takt med att nya sammanhang och tekniker tillkommer.

13. 2026

    Registret utökas med kategorier efter avhandlingen

    En genomgång av litteratur som tillkommit efter avhandlingen, och av några äldre kategorier som inte fanns med i figur 2, tillför registret ytterligare kategorier märkta ”Ny”. På den sociala sidan bland annat konsensus-, team-, lednings-, regelefterlevnads-, kunskaps- och institutionell skuld; på den tekniska sidan bland annat beroende-, pipeline-, prestanda-, tillgänglighets-, hållbarhets-, förklarbarhets- och semantisk skuld samt agentisk teknisk skuld. Flera av dem inordnas som underkategorier till andra, vilket anges på respektive kort. Samtidigt inordnas några av avhandlingens ursprungliga kategorier på samma sätt, till exempel databasdesignskuld under databasskuld och skugg-IT-skuld under styrningsskuld.

    I en andra omgång tillkom reproducerbarhets-, data-, etisk och promptskuld ur nyare programvaruforskning, samt interoperabilitets-, systemevolutions- och organisk skuld ur Yangs taxonomi för systemteknik och anskaffning.

    I en tredje omgång tillkom fyra sociala kategorier ur forskning om AI-assisterad utveckling: intentions-, förståelse- och epistemisk skuld, som alla ligger nära kognitiv skuld, samt agentisk litteracitetsskuld, som verkar på samhällsnivå. På den tekniska sidan tillkom kostnadsskuld (tokenskuld), som gäller driftskostnaden för system som bygger på stora språkmodeller.

De fyra paraplybegreppen

Innan socio-teknisk skuld introducerades hade forskningen skapat flera parallella paraplybegrepp för att skilja mellan olika lager och källor till skuld. De ersätter inte teknisk skuld i traditionell mening utan kompletterar den på olika abstraktionsnivåer, från kodkvalitet till organisationsstrategi. I registret anges för varje kategori vilket eller vilka av begreppen den definierats inom.

• TD

  Teknisk skuld

  Skuld i själva programvaran: kod, design, arkitektur, test, dokumentation. Den harmoniserade definitionen (Avgeriou m.fl., 2016) begränsar påverkan till systemets underhållbarhet och utvecklingsbarhet. Rios m.fl. (2018) ger taxonomin.

  Cunningham, 1992; Avgeriou m.fl., 2016; Rios m.fl., 2018

• DD

  Digital skuld

  Organisationens ackumulerade tekniska och informationsmässiga förpliktelser kring plattformens och infrastrukturens underhåll och utvecklingsbarhet. Ett hinder för digital transformation som även omfattar informationslagret.

  Rolland m.fl., 2018; Ernst m.fl., 2021; Asatiani & Torell, 2023

• TyD

  Teknologiskuld

  Förpliktelser som uppstår ur strategiska, infrastrukturella, organisatoriska och styrningsmässiga val, ofta på ledningsnivå: upphandlingsstrategier, leverantörsberoenden och styrmodeller som binder framtida beslut.

  Magnusson & Bygstad, 2014; Magnusson m.fl., 2018

• NTD

  Icke-teknisk skuld

  Suboptimala beslut, kompromisser och nödlösningar i utvecklingens icke-tekniska delar: processer, personal, kultur, sociala relationer och organisationsstruktur. Ofta en förstärkare av teknisk skuld.

  Saeeda m.fl., 2023; Ahmad m.fl., 2024

Källor

Registret bygger på appendix 1 och 2 samt kapitel 2.2 i avhandlingen Managing Socio-Technical Debt: Causes and Design-Science Solutions for Citizen-Centred Digital Public Services (Göteborgs universitet, 2025). Kategorinamnen är de etablerade engelska termerna från litteraturen; de svenska namnen är mina översättningar. Beskrivningarna är svenska sammanfattningar av de citerade definitionerna. Nedan de arbeten som citeras på sidan.

• Ahmad, M. O., & Al-Baik, O. (2024). Beyond technical debt: Unravelling organisational debt concept. Proceedings of the 39th ACM/SIGAPP Symposium on Applied Computing, 802–809.
• Ahmad, M. O., & Gustavsson, T. (2022). The Pandora’s box of social, process, and people debts in software engineering. Journal of Software: Evolution and Process, 36(2), e2516.
• Ahmad, M. O., Gustavsson, T., Katin, A., Taušan, N., & Mandić, V. (2024). Non-technical aspects of technical debt in the context of large-scale agile development: A qualitative study. 50th Euromicro Conference on Software Engineering and Advanced Applications.
• Akbarinasaji, S., Bener, A. B., & Erdem, A. (2016). Measuring the principal of defect debt. 5th International Workshop on Realizing Artificial Intelligence Synergies in Software Engineering, 1–7.
• Al-Barak, M., & Bahsoon, R. (2016). Database design debts through examining schema evolution. IEEE 8th International Workshop on Managing Technical Debt, 17–23.
• Alves, N. S., Ribeiro, L. F., Caires, V., Mendes, T. S., & Spínola, R. O. (2014). Towards an ontology of terms on technical debt. 6th International Workshop on Managing Technical Debt, 1–7.
• Alves, N. S., Mendes, T. S., De Mendonça, M. G., Spínola, R. O., Shull, F., & Seaman, C. (2016). Identification and management of technical debt: A systematic mapping study. Information and Software Technology, 70, 100–121.
• Asatiani, A., & Torell, J. (2023). Balancing digital debt and digital options: Challenges of digital transformation at Green Cargo. Journal of Information Technology Teaching Cases, 13(2), 154–164.
• Avgeriou, P., Ernst, N. A., Nord, R. L., & Kruchten, P. (2016). Technical debt: Broadening perspectives. Report on the seventh workshop on managing technical debt (MTD 2015). ACM SIGSOFT Software Engineering Notes, 41(2), 38–41.
• Avgeriou, P., Ozkaya, I., Koziolek, H., Codabux, Z., & Ernst, N. (2025). Reframing technical debt (Dagstuhl Perspectives Workshop 24452). Dagstuhl Reports, 14(11), 16–39.
• Besker, T., Martini, A., & Bosch, J. (2016). A systematic literature review and a unified model of ATD. 42nd Euromicro Conference on Software Engineering and Advanced Applications, 189–197.
• Bogner, J., Verdecchia, R., & Gerostathopoulos, I. (2021). Characterizing technical debt and antipatterns in AI-based systems: A systematic mapping study. IEEE/ACM International Conference on Technical Debt, 64–73.
• Cunningham, W. (1992). The WyCash portfolio management system. Addendum to the Proceedings on Object-Oriented Programming Systems, Languages, and Applications, 29–30.
• Ernst, N., Kazman, R., & Delange, J. (2021). Technical debt in practice: How to find it and fix it. MIT Press.
• Fowler, M. (2003). Technical debt. martinfowler.com. Fowler, M. (2009). Technical debt quadrant. martinfowler.com.
• Hacks, S., Höfert, H., Salentin, J., Yeong, Y. C., & Lichter, H. (2019). Towards the definition of enterprise architecture debts. IEEE 23rd International Enterprise Distributed Object Computing Workshop, 9–16.
• Kruchten, P., Nord, R. L., & Ozkaya, I. (2012). Technical debt: From metaphor to theory and practice. IEEE Software, 29(6), 18–21.
• Larrucea, X., Santamaría, I., & Graña Romay, M. (2021). Towards a privacy debt. IET Software, 15(6), 453–463.
• Li, Z., Avgeriou, P., & Liang, P. (2015). A systematic mapping study on technical debt and its management. Journal of Systems and Software, 101, 193–220.
• Liu, J., Huang, Q., Xia, X., Shihab, E., Lo, D., & Li, S. (2020). Is using deep learning frameworks free? Characterizing technical debt in deep learning frameworks. ACM/IEEE 42nd International Conference on Software Engineering: Software Engineering in Society.
• Lutz, M. J. (1993). A maturing field on display at OOPSLA. IEEE Software, 10(1), 113–116.
• MacCormack, A., Baldwin, C., & Rusnak, J. (2012). Exploring the duality between product and organizational architectures: A test of the ”mirroring” hypothesis. Research Policy, 41(8), 1309–1324.
• Magnusson, J., & Bygstad, B. (2014). Technology debt: Toward a new theory of technology heritage. Proceedings of the Scandinavian Conference on Information Systems, 5–18.
• Magnusson, J., Juiz, C., Gómez, B., & Bermejo, B. (2018). Governing technology debt: Beyond technical debt. Proceedings of the 2018 International Conference on Technical Debt, 76–84.
• Marinescu, R. (2012). Assessing technical debt by identifying design flaws in software systems. IBM Journal of Research and Development, 56(5), 9:1–9:13.
• Martini, A., Besker, T., & Bosch, J. (2020). Process debt: A first exploration. 27th Asia-Pacific Software Engineering Conference, 316–325.
• Morgenthaler, J. D., Gridnev, M., Sauciuc, R., & Bhansali, S. (2012). Searching for build debt: Experiences managing technical debt at Google. 3rd International Workshop on Managing Technical Debt, 1–6.
• Persson, P. (2025). Managing Socio-Technical Debt: Causes and Design-Science Solutions for Citizen-Centred Digital Public Services. Doktorsavhandling, Göteborgs universitet.
• Persson, P., Zhang, Y., Asatiani, A., Lindman, J., & Rudmark, D. (2023). Technical debt in the municipality sector: The missing link with citizens and silofication. 14th Scandinavian Conference on Information Systems. (Publikation I.)
• Rindell, K., Bernsmed, K., & Jaatun, M. G. (2019). Managing security in software: Or, how I learned to stop worrying and manage the security technical debt. 14th International Conference on Availability, Reliability and Security, 1–8.
• Rios, N., Mendonça Neto, M., & Spínola, R. (2018). A tertiary study on technical debt: Types, management strategies, research trends, and base information for practitioners. Information and Software Technology, 102, 117–145.
• Riquet, N., Devroey, X., & Vanderose, B. (2024). Debt stories: Capturing social and technical debt in the industry. 7th ACM/IEEE International Conference on Technical Debt, 40–44.
• Rodriguez, A., Gardey, J. C., Grigera, J., Rossi, G., & Garrido, A. (2023). UX debt in an agile development process: Evidence and characterization. Software Quality Journal, 31(4), 1467–1498.
• Rolland, K., Mathiassen, L., & Rai, A. (2018). Managing digital platforms in user organizations: The interactions between digital options and digital debt. Information Systems Research, 29(2), 419–443.
• Rosser, L. A., & Norton, J. H. (2021). A systems perspective on technical debt. 2021 IEEE Aerospace Conference, 1–10.
• Saeeda, H., Ahmad, M. O., & Gustavsson, T. (2023). Multivocal literature review on non-technical debt in software development: An exploratory study. 19th International Conference on Evaluation of Novel Approaches to Software Engineering.
• Samarthyam, G., Muralidharan, M., & Anna, R. K. (2017). Understanding test debt. I Trends in Software Testing, 1–17. Springer.
• Silva, M. C., Valente, M. T., & Terra, R. (2016). Does technical debt lead to the rejection of pull requests? XII Brazilian Symposium on Information Systems.
• Störrle, H., & Ciolkowski, M. (2019). Stepping away from the lamppost: Domain-level technical debt. 45th Euromicro Conference on Software Engineering and Advanced Applications, 325–332.
• Tamburri, D. A., Kruchten, P., Lago, P., & van Vliet, H. (2015). Social debt in software engineering: Insights from industry. Journal of Internet Services and Applications, 6(1), 10.
• Tom, E., Aurum, A., & Vidgen, R. (2013). An exploration of technical debt. Journal of Systems and Software, 86(6), 1498–1516.
• Wiklund, K., Eldh, S., Sundmark, D., & Lundqvist, K. (2012). Technical debt in test automation. IEEE 5th International Conference on Software Testing, Verification and Validation, 887–892.
• Wolfart, D., Assunção, W. K. G., & Martinez, J. (2021). Variability debt: Characterization, causes and consequences. XX Brazilian Symposium on Software Quality, 1–10.
• Zazworka, N., Vetro, A., Izurieta, C., Wong, S., Cai, Y., Seaman, C., & Shull, F. (2014). Comparing four approaches for technical debt identification. Software Quality Journal, 22(3), 403–426.

Källor för kategorier tillagda efter avhandlingen

Referenser för de kategorier som tillagts efter avhandlingen.

• Ahmad, M. O. (2026). Comprehension debt in GenAI-assisted software engineering projects. International Conference on Evaluation and Assessment in Software Engineering (EASE 2026). arXiv:2604.13277.
• Aljohani, A., & Do, H. (2025). PromptDebt: A comprehensive study of technical debt across LLM projects. Proceedings of the 29th International Conference on Evaluation and Assessment in Software Engineering (EASE '25). ACM. https://doi.org/10.1145/3756681.3756976
• Admile, A., Choudhari, M., Kakade, A., Bidve, O., Kulkarni, D., Patil, P., & Jadhav, A. (2025). CodeGuardian: A multi-agent RAG framework for collaborative code understanding optimization and software engineering.
• Arpteg, A., Brinne, B., Crnkovic-Friis, L., & Bosch, J. (2018). Software engineering challenges of deep learning. 2018 44th Euromicro Conference on Software Engineering and Advanced Applications (SEAA), Prague, Czech Republic, 50–59.
• Brahmi, Z., Ouni, A., Sayagh, M., & Saied, M. A. (2026). Characterizing self-admitted technical debt generated by AI coding agents. ACM.
• Butt, T. A., Iqbal, M., & Arshad, N. (2025). From policy to pipeline: A governance framework for AI development and operations pipelines. IEEE Access.
• Carvalho, L., Biazotto, J. P., Feitosa, D., et al. (2026). Technical debt management in continuous software engineering: State of the art and research agenda. Journal of Software: Evolution and Process.
• Costa, F. F. (2026). The deployment wall: A diagnostic framework and instrument for enterprise AI in the deployment era. arXiv preprint arXiv:2607.29089.
• Couto, M., Maia, D., Saraiva, J., & Pereira, R. (2020). On energy debt. Technical Debt Workshop.
• Ehsani, R., Rawal, S., Cai, Y., & Chatterjee, P. (2026). Faster code, deeper debt? A multivocal literature review on technical debt and its early signs in LLM-assisted software development. ACM Transactions on Software Engineering and Methodology. arXiv:2606.14796.
• Dayan-Akman, P., Özcan-Top, Ö., & Temizel, T. T. (2025). People and management debt in ML-integrated software projects: Structuring industry insights. IEEE Access.
• de Souza Santos, R., Fronchetti, F., Freire, S., et al. (2025). Software fairness debt: Building a research agenda for addressing bias in AI systems. ACM Transactions on Software Engineering and Methodology.
• Foidl, H., Felderer, M., & Biffl, S. (2019). Technical debt in data-intensive software systems. 2019 45th Euromicro Conference on Software Engineering and Advanced Applications (SEAA). arXiv:1905.13455.
• Fırat, M. (2026). Cognitive debt in the age of generative AI: A reflective review with an illustrative netnographic case. SSRN.
• Gandikota, L. R., Jegathesan, V., et al. (2026). Quantifying explainability debt in production AI systems: A metric framework for responsible deployment. IEEE.
• Hassan, Z., Treude, C., Norrish, M., Williams, G., & Potanin, A. (2024). Reproducibility debt: Challenges and future pathways. Companion Proceedings of the 32nd ACM International Conference on the Foundations of Software Engineering (FSE Companion '24).
• Hassan, Z., Treude, C., Norrish, M., Williams, G., & Potanin, A. (2025). Characterising reproducibility debt in scientific software: A systematic literature review. Journal of Systems and Software, 222, 112327.
• Indika, A., Kazman, R., & Peruma, A. (2026). Practitioner views on mobile app accessibility: Practices and challenges. arXiv:2601.14131.
• Kapiyasheva, D., Özcan-Top, Ö., et al. (2026). A process-centric mapping of non-technical debt instances to ISO/IEC 5338 in AI-enabled projects. Software Quality Journal.
• Lavallée, M., Beaulieu, G., & Famelis, M. (2017). Supporting consensus-based software development: A vision paper. MoDELS Satellite Events.
• Lazar, J., Shachmut, K., Drummond, A., Wyant, J., Rosenblum, H., & Eng, K. (2026). A born-accessible approach to technology design. Interactions, 33(5), 26–31.
• Mukherjee, S. (2026). A formal model for ontology-driven data architecture: Complexity analysis, semantic grounding and multi-agent coordination. 2026 IEEE 3rd International Conference on Big Data Science and Engineering (ICBDSE), Kunming, China, 1–7.
• Nama, R. (2026). Agentic literacy debt: A structural problem the AI literacy field has not yet named. AI and Ethics. Springer. arXiv:2605.27396.
• Norling, K. (2024). The Consensing Approach to Strategizing: The Dynamics of Dialogue in Public Sector Digital Transformation. Doctoral dissertation, University of Gothenburg. GUPEA.
• Ohno, K., & Hashimoto, S. (2026). Bridging the “ten walls” of Japanese healthcare data: A comprehensive semantic mapping … and institutional gap analysis. medRxiv.
• Ojameruaye, B., Bahsoon, R., & Duboc, L. (2016). Sustainability debt: A portfolio-based approach for evaluating sustainability requirements in architectures. Proceedings of the 38th ICSE Companion.
• Petrozzino, C. (2021). Who pays for ethical debt in AI? AI and Ethics, 1, 205–208.
• Ramamoorti, S., Boumediene, S., Doty, M., Koritala, B., Masten, L. B., & Miller, R. (2026). The intelligence may be artificial but the liability is real: The golden age of AI and the three hidden risks. Journal of Information Technology Case and Application Research, 1–7.
• Sankaranarayanan, S. (2026). Mitigating “epistemic debt” in generative AI-scaffolded novice programming using metacognitive scripts. arXiv:2602.20206.
• Sculley, D., Holt, G., Golovin, D., et al. (2015). Hidden technical debt in machine learning systems. Advances in Neural Information Processing Systems 28.
• Storey, M.-A. (2026). From technical debt to cognitive and intent debt: Rethinking software health in the age of AI. ACM Queue. arXiv:2603.22106.
• The epistemic debt of generative AI. (2026). Nature Machine Intelligence. https://www.nature.com/articles/s42256-026-01294-w
• Token debt is the new technical debt. (u.å.). HackerNoon. https://hackernoon.com/token-debt-is-the-new-technical-debt
• Tsai, S. (2026). Ghost intent: An effect of traceability collapse in GenAI-assisted SDLCs (March 5, 2026). Available at SSRN.
• Tukur, M., Adeyemo, H. B., Chen, T., Ali, N., Zarrad, A., et al. (2026). From AI technical debt to agentic technical debt: A systematic mapping of root causes and manifestations in agentic AI systems. arXiv:2608.01001.
• Tukur, M., Adeyemo, H. B., Chen, T., Ali, N., Zarrad, A., Kazman, R., Agus, M., & Bahsoon, R. (2026). On AI safety and security technical debt in engineering AI-enabled systems. arXiv:2607.23365.
• Yang, Y., Verma, D., & Anton, P. (2023). Technical debt in the engineering of complex systems. Systems Engineering. https://doi.org/10.1002/sys.21677

← Tillbaka till tjänster