論文の概要: How Do Developers Use Code Suggestions in Pull Request Reviews?
- arxiv url: http://arxiv.org/abs/2502.04835v1
- Date: Fri, 07 Feb 2025 11:09:25 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-02-10 14:57:45.640080
- Title: How Do Developers Use Code Suggestions in Pull Request Reviews?
- Title(参考訳): プルリクエストレビューでは、開発者はどのようにコード提案を使うか?
- Authors: Abir Bouraffa, Yen Dieu Pham, Walid Maalej,
- Abstract要約: 46のエンジニアリングGitHubプロジェクトからのプルリクエストに関する実証的研究を行った。
提案のタイプと使用頻度を明らかにするために,オープンコーディングアプローチを適用した。
コードスタイルの提案、改善、修正、ドキュメントの4つの提案タイプを明らかにしました。
- 参考スコア(独自算出の注目度): 9.004005678155023
- License:
- Abstract: GitHub introduced the suggestion feature to enable reviewers to explicitly suggest code modifications in pull requests. These suggestions make the reviewers' feedback more actionable for the submitters and represent a valuable knowledge for newcomers. Still, little is known about how code review suggestions are used by developers, what impact they have on pull requests, and how they are influenced by social coding dynamics. To bridge this knowledge gap, we conducted an empirical study on pull requests from 46 engineered GitHub projects, in which developers used code review suggestions. We applied an open coding approach to uncover the types of suggestions and their usage frequency. We also mined pull request characteristics and assessed the impact of using suggestions on merge rate, resolution time, and code complexity. Furthermore, we conducted a survey with contributors of the studied projects to gain insights about the influence of social factors on the usage and acceptance of code review suggestions. We were able to uncover four suggestion types: code style suggestions, improvements, fixes, and documentation with improvements being the most frequent. We found that the use of suggestions positively affects the merge rate of pull requests but significantly increases resolution time without leading to a decrease in code complexity. Our survey results show that suggestions are more likely to be used by reviewers when the submitter is a newcomer. The results also show that developers mostly search suggestions when tracking rationale or looking for code examples. Our work provides insights on the usage of code suggestions and their potential as a knowledge sharing tool.
- Abstract(参考訳): GitHubは、レビュアがプルリクエストでコード修正を明示的に提案できるように提案機能を導入した。
これらの提案は、レビュアーのフィードバックを提出者にとってより実用的なものにし、新参者にとって貴重な知識を表している。
それでも、開発者によるコードレビューの提案の使用方法、プルリクエストに対する影響、ソーシャルコーディングのダイナミクスの影響についてはほとんど分かっていない。
この知識ギャップを埋めるために、46のエンジニアリングされたGitHubプロジェクトからのプルリクエストに関する実証的研究を行った。
提案のタイプと使用頻度を明らかにするために,オープンコーディングアプローチを適用した。
また、プルリクエストの特徴を掘り下げ、マージ率、解決時間、コードの複雑さに対する提案の使用の影響を評価しました。
さらに,研究プロジェクトのコントリビュータと共同で,コードレビュー提案の活用と受容に対する社会的要因の影響について調査を行った。
コードスタイルの提案、改善、修正、ドキュメントの4つの提案タイプを見つけました。
提案の使用はプルリクエストのマージ率に肯定的な影響を与えるが、コードの複雑さを減少させることなく、解決時間が大幅に向上することがわかった。
調査の結果,提出者が新参者である場合,レビュアーが提案を多用する可能性が示唆された。
その結果、開発者は、合理的な追跡やコード例を探す際に、おもに提案を検索していることがわかった。
私たちの研究は、コード提案の使用状況と知識共有ツールとしての可能性に関する洞察を提供する。
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) - Towards debiasing code review support [1.188383832081829]
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。
論文 参考訳(メタデータ) (2024-07-01T15:58:14Z) - Comments as Natural Logic Pivots: Improve Code Generation via Comment Perspective [85.48043537327258]
本稿では, MANGO (comMents As Natural loGic pivOts) を提案する。
その結果、MANGOは強いベースラインに基づいてコードパス率を大幅に改善することがわかった。
論理的なコメントの復号化戦略の堅牢性は、考えの連鎖よりも顕著に高い。
論文 参考訳(メタデータ) (2024-04-11T08:30:46Z) - Code Reviewer Recommendation Based on a Hypergraph with Multiplex
Relationships [30.74556500021384]
多重関係を持つハイパーグラフを利用する新しいコードレビュアレコメンデーション手法であるMIRRecを提案する。
MIRRecは、プルリクエストと開発者の間で、学位なしのハイパーエッジを使用して、従来のペアワイズ接続を超える高次相関をエンコードする。
MIRRecの有効性を検証するために、GitHubにホストされている10の人気のあるオープンソースプロジェクトからの48,374のプルリクエストからなるデータセットを用いて実験を行った。
論文 参考訳(メタデータ) (2024-01-19T15:25:14Z) - Exploiting Correlated Auxiliary Feedback in Parameterized Bandits [56.84649080789685]
そこで本研究では,学習者が追加の補助的フィードバックを観察できるパラメータ化帯域問題の新たな変種について検討する。
補助的なフィードバックは、ユーザのサービス評価(リワード)を観察し、サービス提供時間(補助的なフィードバック)などの追加情報を収集するオンラインプラットフォームなど、多くの現実的なアプリケーションで容易に利用可能である。
論文 参考訳(メタデータ) (2023-11-05T17:27:06Z) - Demystifying Code Snippets in Code Reviews: A Study of the OpenStack and Qt Communities and A Practitioner Survey [6.091233191627442]
コードレビューのコードスニペットに関する情報と知識をマイニングするために、混合メソッドの研究を行います。
調査の結果は、レビュー担当者が開発者がコードレビューに必要な特定の情報を満たすために、適切なシナリオでコードスニペットを提供することができることを強調している。
論文 参考訳(メタデータ) (2023-07-26T17:49:19Z) - What Makes a Code Review Useful to OpenDev Developers? An Empirical
Investigation [4.061135251278187]
コードレビューの有効性が少し改善されても、ソフトウェア開発組織にとってかなりの節約が得られます。
本研究の目的は,コードレビューコメントをOSS開発者に有用なものにする方法を,より精細に理解することである。
論文 参考訳(メタデータ) (2023-02-22T22:48:27Z) - Intelligent Request Strategy Design in Recommender System [76.90734681369156]
我々は、Intelligent Request Strategy Design(IRSD)というエッジインテリジェンスの新しい学習タスクを構想する。
IRSDは、ユーザのリアルタイムな意図に基づいて、リクエスト挿入の適切なタイミングを決定することにより、ウォーターフォールRSの有効性を向上させることを目的としている。
我々は、アップリフトベースのOn-edge Smart Request Framework(AdaRequest)という、適応的な要求挿入戦略の新しいパラダイムを提案する。
論文 参考訳(メタデータ) (2022-06-23T16:51:38Z) - Using Large-scale Heterogeneous Graph Representation Learning for Code
Review Recommendations [7.260832843615661]
我々は、レビュアーレコメンデーションのための新しいアプローチであるCoRALを提示する。
私たちは、リッチなエンティティセットから構築された社会技術的グラフを使用します。
我々は,コラルがレビュアー選択のマニュアル履歴を極めてうまくモデル化できることを示した。
論文 参考訳(メタデータ) (2022-02-04T20:58:54Z) - 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) - 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。