Fugu-MT 論文翻訳(概要): How to Refactor this Code? An Exploratory Study on Developer-ChatGPT Refactoring Conversations

論文の概要: How to Refactor this Code? An Exploratory Study on Developer-ChatGPT Refactoring Conversations

arxiv url: http://arxiv.org/abs/2402.06013v1
Date: Thu, 8 Feb 2024 19:24:01 GMT
ステータス: 処理完了
システム内更新日: 2024-02-12 19:08:42.834328
Title: How to Refactor this Code? An Exploratory Study on Developer-ChatGPT Refactoring Conversations
Title（参考訳）: このコードをリファクタリングする方法? 開発者-ChatGPTリファクタリング会話に関する探索的研究
Authors: Eman Abdullah AlOmar, Anushkrishna Venkatakrishnan, Mohamed Wiem Mkaouer, Christian D. Newman, Ali Ouni
Abstract要約: 開発者がChatGPTと対話する際のニーズを明確にする方法については、ほとんど分かっていない。提案手法は17,913のChatGPTプロンプトと応答からのテキストマイニングに関する会話に依存する。私たちの発見は、コードという文脈において、開発者とAIモデル間のコラボレーションのより広範な理解に寄与し、モデルの改善、ツール開発、ソフトウェアエンジニアリングにおけるベストプラクティスに影響を及ぼすと期待しています。
参考スコア（独自算出の注目度）: 14.736597134188065
License: http://creativecommons.org/publicdomain/zero/1.0/
Abstract: Large Language Models (LLMs), like ChatGPT, have gained widespread popularity and usage in various software engineering tasks, including refactoring, testing, code review, and program comprehension. Despite recent studies delving into refactoring documentation in commit messages, issues, and code review, little is known about how developers articulate their refactoring needs when interacting with ChatGPT. In this paper, our goal is to explore conversations between developers and ChatGPT related to refactoring to better understand how developers identify areas for improvement in code and how ChatGPT addresses developers' needs. Our approach relies on text mining refactoring-related conversations from 17,913 ChatGPT prompts and responses, and investigating developers' explicit refactoring intention. Our results reveal that (1) developer-ChatGPT conversations commonly involve generic and specific terms/phrases; (2) developers often make generic refactoring requests, while ChatGPT typically includes the refactoring intention; and (3) various learning settings when prompting ChatGPT in the context of refactoring. We envision that our findings contribute to a broader understanding of the collaboration between developers and AI models, in the context of code refactoring, with implications for model improvement, tool development, and best practices in software engineering.
Abstract（参考訳）: chatgptのような大規模言語モデル(llm)は,リファクタリングやテスト,コードレビュー,プログラム理解など,さまざまなソフトウェアエンジニアリングタスクで広く普及し,使用されている。コミットメッセージやイシュー,コードレビューといった,ドキュメントのリファクタリングに関する最近の研究にも関わらず,ChatGPTと対話する上でのリファクタリングニーズの明確化についてはほとんど分かっていない。本稿では、リファクタリングに関連する開発者とChatGPTの会話を探求し、開発者がコード改善の領域を特定する方法と、ChatGPTが開発者のニーズにどう対処するかをよりよく理解することを目的とする。提案手法は,17,913件のChatGPTプロンプトと応答からのテキストマイニング関連会話と,開発者の明示的なリファクタリング意図の調査に依存する。以上の結果から,(1)開発者とChatGPTの会話は一般的に汎用的・特定の用語/フレーズを伴い,(2)開発者はジェネリックなリファクタリング要求を行うことが多い。今回の調査結果は、コードリファクタリングのコンテキストにおいて、開発者とaiモデルのコラボレーションのより広範な理解に寄与し、モデル改善、ツール開発、ソフトウェアエンジニアリングにおけるベストプラクティスに影響を与えていると考えています。

関連論文リスト

You Augment Me: Exploring ChatGPT-based Data Augmentation for Semantic Code Search [47.54163552754051]
コード検索はソフトウェア開発において重要な役割を担い、開発者は自然言語クエリを使ってコードを検索し再利用することができる。近年,大規模言語モデル (LLM) は自然言語の理解と生成において顕著な進歩を遂げている。本稿では,大規模言語モデルによって生成された高品質で多様な拡張データを利用する新しいアプローチChatDANCEを提案する。
論文参考訳（メタデータ） (2024-08-10T12:51:21Z)
CodeRAG-Bench: Can Retrieval Augment Code Generation? [78.37076502395699]
検索拡張生成を用いたコード生成の系統的,大規模な解析を行う。まず、コード生成タスクの3つのカテゴリを含む総合的な評価ベンチマークであるCodeRAG-Benchをキュレートする。 CodeRAG-Bench上のトップパフォーマンスモデルについて、1つまたは複数のソースから検索したコンテキストを提供することにより検討する。
論文参考訳（メタデータ） (2024-06-20T16:59:52Z)
An Empirical Study on Developers Shared Conversations with ChatGPT in GitHub Pull Requests and Issues [20.121332699827633]
ChatGPTはソフトウェア開発プラクティスに大きな影響を与えています。広く採用されているにもかかわらず、協調コーディングにおけるアシスタントとしてのChatGPTの影響はほとんど解明されていない。 210と370人の開発者のデータセットを分析し、GitHubのプルリクエスト(PR)とイシューでChatGPTとの会話を共有しました。
論文参考訳（メタデータ） (2024-03-15T16:58:37Z)
Investigating the Utility of ChatGPT in the Issue Tracking System: An Exploratory Study [5.176434782905268]
本研究は,ChatGPTと開発者間の相互作用を分析し,それらの活動を分析し,解決するものである。私たちの調査によると、開発者は主にブレインストーミングソリューションにChatGPTを使用しているが、しばしばChatGPT生成コードを使う代わりにコードを書くことを選ぶ。
論文参考訳（メタデータ） (2024-02-06T06:03:05Z)
DevGPT: Studying Developer-ChatGPT Conversations [12.69439932665687]
本稿では、ソフトウェア開発者がChatGPTとどのように相互作用するかを調査するためのデータセットであるDevGPTを紹介する。データセットには、ChatGPTからの29,778のプロンプトとレスポンスが含まれており、コードスニペットは19,106である。
論文参考訳（メタデータ） (2023-08-31T06:55:40Z)
ChatDev: Communicative Agents for Software Development [84.90400377131962]
ChatDevはチャットを利用したソフトウェア開発フレームワークで、特別なエージェントがコミュニケーション方法についてガイドされる。これらのエージェントは、統一された言語ベースのコミュニケーションを通じて、設計、コーディング、テストフェーズに積極的に貢献する。
論文参考訳（メタデータ） (2023-07-16T02:11:34Z)
RefBERT: A Two-Stage Pre-trained Framework for Automatic Rename Refactoring [57.8069006460087]
本研究では,他のリネーム活動よりも難易度の高い変数名の自動改名について検討する。変数名に対する名前変更のための2段階事前訓練フレームワークであるRefBERTを提案する。 RefBERTの変数名は既存の手法よりも正確で有意義であることを示す。
論文参考訳（メタデータ） (2023-05-28T12:29:39Z)
Improving ChatGPT Prompt for Code Generation [13.303599826870705]
OpenAIの言語モデルChatGPTは、幅広いテキスト入力に対するヒューマンライクな応答を生成する強力なツールとして登場した。テキスト・ツー・コード生成とコード・ツー・コード生成を含む2つのコード生成タスクにおけるChatGPTの機能を評価する。その結果,ChatGPTをガイドするプロンプトを慎重に設計することで,生成性能を大幅に向上できることがわかった。
論文参考訳（メタデータ） (2023-05-15T05:37:33Z)
Do code refactorings influence the merge effort? [80.1936417993664]
複数のコントリビュータがソースコードを並行して変更して,新機能の実装やバグの修正,既存のコードの変更などを行っている。これらの同時変更は、ソースコードの同じバージョンにマージする必要がある。研究によると、すべてのマージの試みの10～20%が衝突を起こしており、これはプロセスを完了するために手動開発者の介入を必要とする。
論文参考訳（メタデータ） (2023-05-10T13:24:59Z)
Reasoning in Dialog: Improving Response Generation by Context Reading Comprehension [49.92173751203827]
マルチターンダイアログでは、発話が文の完全な形を取るとは限らない。読み解きの質問に答えるモデルの能力を検討し、応答生成性能の向上を提案する。
論文参考訳（メタデータ） (2020-12-14T10:58:01Z)
How We Refactor and How We Document it? On the Use of Supervised Machine Learning Algorithms to Classify Refactoring Documentation [25.626914797750487]
リファクタリングは、外部の振る舞いを変えることなく、システムの設計を改善する技術である。この研究はコミットを、従来のBugFixやFunctionalのカテゴリとともに、内部QA、外部QA、Code Smell Resolutionの3つのカテゴリに分類する。分類結果をよりよく理解するために、私たちはコミットメッセージを分析して、開発者が定期的に臭いを説明するために使用するパターンを抽出しました。
論文参考訳（メタデータ） (2020-10-26T20:33:17Z)

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。