論文の概要: Towards debiasing code review support

• arxiv url: http://arxiv.org/abs/2407.01407v1
• Date: Mon, 1 Jul 2024 15:58:14 GMT
• ステータス: 処理完了
• システム内更新日: 2024-07-03 20:51:04.301960
• Title: Towards debiasing code review support
• Title（参考訳）: コードレビューサポートの廃止に向けて
• Authors: Tobias Jetzen, Xavier Devroey, Nicolas Matton, Benoît Vanderose,
• Abstract要約: 本稿では,コードレビュー中の認知バイアスによる有害症例について検討する。 特に,確認バイアスと判定疲労をカバーするプロトタイプを設計する。 既存のコードレビューツールで実装できるテクニックがあることを示します。
• 参考スコア（独自算出の注目度）: 1.188383832081829
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Cognitive biases appear during code review. They significantly impact the creation of feedback and how it is interpreted by developers. These biases can lead to illogical reasoning and decision-making, violating one of the main hypotheses supporting code review: developers' accurate and objective code evaluation. This paper explores harmful cases caused by cognitive biases during code review and potential solutions to avoid such cases or mitigate their effects. In particular, we design several prototypes covering confirmation bias and decision fatigue. We rely on a developer-centered design approach by conducting usability tests and validating the prototype with a user experience questionnaire (UEQ) and participants' feedback. We show that some techniques could be implemented in existing code review tools as they are well accepted by reviewers and help prevent behavior detrimental to code review. This work provides a solid first approach to treating cognitive bias in code review.
• Abstract（参考訳）: 認知バイアスはコードレビュー中に現れる。 フィードバックの作成と、それが開発者によってどのように解釈されるかに大きな影響を与えます。 これらのバイアスは、非論理的推論と意思決定につながり、コードレビューをサポートする主要な仮説の1つ、開発者の正確で客観的なコード評価に違反する可能性がある。 本稿では、コードレビュー中の認知バイアスによる有害な症例と、そのようなケースを避けたり、その影響を軽減するための潜在的な解決策について検討する。 特に,確認バイアスと判定疲労を対象とするプロトタイプを複数設計する。 ユーザビリティテストを実施し,ユーザエクスペリエンスアンケート(UEQ)と参加者のフィードバックでプロトタイプを検証することで,開発者中心のデザインアプローチに頼る。 既存のコードレビューツールでは、レビュー担当者が十分に受け入れているため、いくつかのテクニックが実装可能であることを示し、コードレビューに有害な振る舞いを防ぐのに役立ちます。 この研究は、コードレビューで認知バイアスを扱うための、しっかりとした第一のアプローチを提供します。

関連論文リスト

• Deep Learning-based Code Reviews: A Paradigm Shift or a Double-Edged Sword? [14.970843824847956]
  私たちは、自動生成されたコードレビューのサポートなしで、異なるプログラムをレビューする29人の専門家による制御された実験を実行しました。 本研究は,LLMが自動認識する問題の大部分をレビュアが有効とみなし,自動化されたレビューを出発点として利用できることが,彼らの行動に強く影響していることを示す。 しかし、自動化されたレビューから始まったレビュアーは、完全な手作業のプロセスと比較して、より高重度な問題を特定できない一方で、より多くの低重度な問題を特定した。
  論文  参考訳（メタデータ） (2024-11-18T09:24:01Z)
• 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)
• Predicting Expert Evaluations in Software Code Reviews [8.012861163935904]
  本稿では,その複雑さや主観性から回避されるコードレビューの側面を自動化するアルゴリズムモデルを提案する。 手作業によるレビューを置き換える代わりに、私たちのモデルは、レビュアーがより影響力のあるタスクに集中するのに役立つ洞察を追加します。
  論文  参考訳（メタデータ） (2024-09-23T16:01:52Z)
• Leveraging Reviewer Experience in Code Review Comment Generation [11.224317228559038]
  私たちは、自然言語のコードレビューを提供する際に、人間のレビュアーを模倣するためにディープラーニングモデルを訓練します。 生成したレビューの品質は、モデルトレーニングで使用されるオープンソースのコードレビューデータの品質のため、まだ最適化されていない。 本稿では,レビュー品質の指標として,過去のレビュアのオーサリングとレビューを活かした経験学習手法を提案する。
  論文  参考訳（メタデータ） (2024-09-17T07:52:50Z)
• Exploring the Advances in Identifying Useful Code Review Comments [0.0]
  本稿では,コードレビューコメントの有用性に関する研究の進化を反映する。 コードレビューコメントの有用性を定義し、データセットのマイニングとアノテーションを定義し、開発者の認識を調査し、異なる側面から要因を分析し、機械学習分類器を使用してコードレビューコメントの有用性を自動的に予測する。
  論文  参考訳（メタデータ） (2023-07-03T00:41:20Z)
• Debiasing Recommendation by Learning Identifiable Latent Confounders [49.16119112336605]
  コンバウンディングバイアスは、ユーザの露出とフィードバックの両方に影響を与える未測定変数の存在によって生じる。 既存の手法では,(1) 未測定変数について不確定な仮定を行うか,(2) 潜伏した共同創設者を直接ユーザの露出から推測する。 本稿では、上記の非識別問題の解決にプロキシ変数の集合を利用する新しい方法、すなわち、識別可能なデコノウ(iDCF)を提案する。
  論文  参考訳（メタデータ） (2023-02-10T05:10:26Z)
• Predicting Code Review Completion Time in Modern Code Review [12.696276129130332]
  Modern Code Review (MCR)は、オープンソースと商用の両方で共通のプラクティスとして採用されている。 コードレビューは、様々な社会的技術的要因のために完了するのにかなりの遅延を経験することができる。 コードレビューの完了に必要な時間を見積もるためのツールサポートが不足している。
  論文  参考訳（メタデータ） (2021-09-30T14:00:56Z)
• SIFN: A Sentiment-aware Interactive Fusion Network for Review-based Item Recommendation [48.1799451277808]
  本稿では、レビューに基づく項目推薦のための感性認識型インタラクティブフュージョンネットワーク(SIFN)を提案する。 まず、BERTを介してユーザ/イテムレビューをエンコードし、各レビューのセマンティックな特徴を抽出する軽量な感情学習者を提案する。 そこで我々は,感情学習者が明示的な感情ラベルを用いて感情認識特徴を抽出するための感情予測タスクを提案する。
  論文  参考訳（メタデータ） (2021-08-18T08:04:38Z)
• Deep Just-In-Time Inconsistency Detection Between Comments and Source Code [51.00904399653609]
  本稿では,コード本体の変更によりコメントが矛盾するかどうかを検出することを目的とする。 私たちは、コメントとコードの変更を関連付けるディープラーニングアプローチを開発しています。 より包括的な自動コメント更新システムを構築するために,コメント更新モデルと組み合わせて提案手法の有用性を示す。
  論文  参考訳（メタデータ） (2020-10-04T16:49:28Z)
• Code Review in the Classroom [57.300604527924015]
  教室設定の若い開発者は、コードレビュープロセスの潜在的に有利で問題のある領域の明確な図を提供している。 彼らのフィードバックは、プロセスはプロセスを改善するためにいくつかのポイントで十分に受け入れられていることを示唆している。 本論文は,教室でコードレビューを行うためのガイドラインとして利用することができる。
  論文  参考訳（メタデータ） (2020-04-19T06:07:45Z)
• Automating App Review Response Generation [67.58267006314415]
  本稿では,レビューと回答の知識関係を学習することで,レビュー応答を自動的に生成する新しいアプローチRRGenを提案する。 58のアプリと309,246のレビュー-レスポンスペアの実験では、RRGenはBLEU-4の点で少なくとも67.4%のベースラインを上回っている。
  論文  参考訳（メタデータ） (2020-02-10T05:23:38Z)

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。