論文の概要: Follow Your Nose -- Which Code Smells are Worth Chasing?

• arxiv url: http://arxiv.org/abs/2103.01861v2
• Date: Mon, 15 Jan 2024 15:52:39 GMT
• ステータス: 処理完了
• システム内更新日: 2024-01-18 22:39:22.223046
• Title: Follow Your Nose -- Which Code Smells are Worth Chasing?
• Title（参考訳）: 鼻をたどる -- どのコードの臭いが追いかける価値があるか?
• Authors: Idan Amit, Nili Ben Ezra, Dror G. Feitelson
• Abstract要約: コードの臭いが品質、生産性、バグ検出効率の4つの指標に与える影響を評価する。 因果臭のないファイルは、品質の高いファイルの方が50%高い。 残念なことに、ほとんどの臭いは取り除かれず、開発者は簡単に取り除く傾向にあり、効果的な臭いは取り除かない。
• 参考スコア（独自算出の注目度）: 0.3683202928838613
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The common use case of code smells assumes causality: Identify a smell, remove it, and by doing so improve the code. We empirically investigate their fitness to this use. We present a list of properties that code smells should have if they indeed cause lower quality. We evaluated the smells in 31,687 Java files from 677 GitHub repositories, all the repositories with 200+ commits in 2019. We measured the influence of smells on four metrics for quality, productivity, and bug detection efficiency. Out of 151 code smells computed by the CheckStyle smell detector, less than 20% were found to be potentially causal, and only a handful are rather robust. The strongest smells deal with simplicity, defensive programming, and abstraction. Files without the potentially causal smells are 50% more likely to be of high quality. Unfortunately, most smells are not removed, and developers tend to remove the easy ones and not the effective ones.
• Abstract（参考訳）: コードの臭いの一般的なユースケースは、臭いを特定し、取り除き、コードを改善するという因果関係を前提としています。 私たちはこの使用に対する彼らの適合性を実証的に調査する。 コードの臭いが品質を低下させるような特性のリストを提示します。 私たちは、677のgithubリポジトリから31,687のjavaファイルの臭いを評価しました。 匂いの影響を,品質,生産性,バグ検出効率の4つの指標で測定した。 CheckStyleの嗅覚検出装置によって計算された151のコードの臭いのうち、20%未満は因果性があり、わずかにしか堅牢ではない。 最も強い匂いは、単純さ、防御的なプログラミング、抽象化を扱う。 潜在的に因果的な臭いのないファイルは、高品質である可能性が50%高い。 残念なことに、ほとんどの臭いは取り除かれず、開発者は簡単に取り除く傾向があり、効果的ではない。

関連論文リスト

• Understanding Code Understandability Improvements in Code Reviews [79.16476505761582]
  GitHub上のJavaオープンソースプロジェクトからの2,401のコードレビューコメントを分析した。 改善提案の83.9%が承認され、統合され、1%未満が後に復活した。
  論文  参考訳（メタデータ） (2024-10-29T12:21:23Z)
• xNose: A Test Smell Detector for C# [0.0]
  テストの臭いは、コードの臭いに似ているが、テストコードとテスト中のプロダクションコードの両方に悪影響を及ぼす可能性がある。 Java、Scala、Pythonなどの言語でテストの臭いに関する広範な研究にもかかわらず、C#でテストの臭いを検出する自動ツールが不足している。
  論文  参考訳（メタデータ） (2024-05-07T07:10:42Z)
• Q-Learning to navigate turbulence without a map [47.28605705112213]
  乱流環境における嗅覚探索の問題点を考察する。 そこで我々は,少数の解釈可能な嗅覚状態を用いた強化学習アルゴリズムを開発した。 そこで本研究では, 嗅覚の相違点が2つあり, 現実的な嗅覚プルームでナビゲーションを学ぶのに十分であることを示す。
  論文  参考訳（メタデータ） (2024-04-26T15:51:20Z)
• Prompt Learning for Multi-Label Code Smell Detection: A Promising Approach [6.74877139507271]
  コードの臭いは、開発者がコードの臭いを検出することによって機会を識別できるように、ソフトウェア品質の潜在的な問題を示している。 提案手法は,複数ラベルのコードの臭いを早期に検出する手法である textitPromptSmell を提案する。
  論文  参考訳（メタデータ） (2024-02-16T01:50:46Z)
• Copilot-in-the-Loop: Fixing Code Smells in Copilot-Generated Python Code using Copilot [2.3353795064263543]
  Pythonはコードの臭いがある場合、可読性と保守性が低下する。 大規模言語モデルの最近の進歩は、コード生成と理解の両方のためのAI対応ツールへの関心が高まっている。 GitHub Copilotは、広く使われているツールのひとつだ。 2023年9月にリリースされたCopilot Chatは、自然言語によるコーディングを容易にするインタラクティブツールとして機能する。
  論文  参考訳（メタデータ） (2024-01-25T13:39:54Z)
• Rethinking Negative Pairs in Code Search [56.23857828689406]
  我々は、重み項をInfoNCEに挿入する簡易で効果的なSoft-InfoNCE損失を提案する。 我々は,Soft-InfoNCEが学習したコード表現の分布を制御することと,より正確な相互情報推定の導出に与える影響を分析する。
  論文  参考訳（メタデータ） (2023-10-12T06:32:42Z)
• Zero-Shot Detection of Machine-Generated Codes [83.0342513054389]
  本研究は,LLMの生成したコードを検出するためのトレーニング不要な手法を提案する。 既存のトレーニングベースまたはゼロショットテキスト検出装置は、コード検出に効果がないことがわかった。 本手法は,リビジョン攻撃に対する堅牢性を示し,Javaコードによく適応する。
  論文  参考訳（メタデータ） (2023-10-08T10:08:21Z)
• Augmenting Diffs With Runtime Information [53.22981451758425]
  Collector-Sahabは、コード差分をランタイム差分情報で拡張するツールである。 We run Collector-Sahab on 584 code diffs for Defects4J bugs and found it successfully augment the code diff for 95% (555/584)。
  論文  参考訳（メタデータ） (2022-12-20T16:33:51Z)
• DS-1000: A Natural and Reliable Benchmark for Data Science Code Generation [70.96868419971756]
  DS-1000は7つのPythonライブラリにまたがる1000のデータサイエンス問題のあるコード生成ベンチマークである。 まず、StackOverflowからそれらを収集して以来の、多様で現実的で実践的なユースケースを反映しています。 第2に、私たちの自動評価は非常に具体的(信頼性)です -- 評価が受け入れているすべてのCodex予測ソリューションに対して、そのわずか1.8%が間違っています。
  論文  参考訳（メタデータ） (2022-11-18T17:20:27Z)
• An Empirical Study on Predictability of Software Code Smell Using Deep Learning Models [3.2973778921083357]
  コードの臭いは、汚染されたものの表面的な兆候ですが、ソフトウェア記述のプラクティスという意味では違います。 近年の研究では、コードの臭いを伴うコードは、ソフトウェア開発サイクルの変化の確率が高くなることが多いことが観察されている。 我々は、8種類のコードの臭いを予測するために、ソースコードから抽出した機能の助けを借りて、コードの臭い予測モデルを開発した。
  論文  参考訳（メタデータ） (2021-08-08T12:36:23Z)
• Empirical Analysis on Effectiveness of NLP Methods for Predicting Code Smell [3.2973778921083357]
  コードの臭いは、システムに固有の問題の表面的な指標である。 629パッケージ上に3つのExtreme機械学習マシンカーネルを使用して、8つのコードの臭いを識別します。 以上の結果から,放射基底関数型カーネルは,平均98.52の精度で3つのカーネル法のうち最高の性能を発揮することが示唆された。
  論文  参考訳（メタデータ） (2021-08-08T12:10:20Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。