論文の概要: Enhancing COBOL Code Explanations: A Multi-Agents Approach Using Large Language Models

• arxiv url: http://arxiv.org/abs/2507.02182v1
• Date: Wed, 02 Jul 2025 22:28:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-04 15:37:15.281984
• Title: Enhancing COBOL Code Explanations: A Multi-Agents Approach Using Large Language Models
• Title（参考訳）: COBOLコード記述の強化:大規模言語モデルを用いたマルチエージェントアプローチ
• Authors: Fangjian Lei, Jiawen Liu, Shayan Noei, Ying Zou, Derek Truong, William Alexander,
• Abstract要約: 本稿では,機能,ファイル,プロジェクト全体の説明を生成するマルチエージェント手法を提案する。 提案手法の有効性を,14のオープンソースプロジェクトを用いて評価した。
• 参考スコア（独自算出の注目度）: 1.835291631794229
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Common Business Oriented Language (COBOL) is a programming language used to develop business applications that are widely adopted by financial, business, and government agencies. Due to its age, complexity, and declining number of COBOL developers, maintaining COBOL codebases is becoming increasingly challenging. In particular, the lack of documentation makes it difficult for new developers to effectively understand and maintain COBOL systems. Existing research utilizes large language models (LLMs) to explain the functionality of code snippets. However, COBOL presents unique challenges due to its architectural and syntactical differences, which often cause its code to exceed the token window size of LLMs. In this work, we propose a multi-agent approach that leverages two LLM-based agents working collaboratively to generate explanations for functions, files, and the overall project. These agents incorporate together by utilizing contextual information from the codebase into the code explanation prompts. We evaluate the effectiveness of our approach using 14 open-source, real-world COBOL projects. Our results indicate that our approach performs significantly better than the baseline in function code explanation, with improvements of 12.67%, 18.59%, and 0.62% in terms of METEOR, chrF, and SentenceBERT scores, respectively. At the file level, our approach effectively explains both short and long COBOL files that exceed the token window size of LLMs and surpass the baseline by 4.21%, 10.72%, and 14.68% in explaining the purpose, functionality, and clarity of the generated explanation. At the project level, our approach generates explanations that convey the functionality and purpose of 82% of the selected projects.
• Abstract（参考訳）: 共通ビジネス指向言語(Common Business Oriented Language、COBOL)は、金融、ビジネス、政府機関が広く採用しているビジネスアプリケーションを開発するために使われるプログラミング言語である。 年齢、複雑さ、COBOL開発者の減少により、COBOLコードベースのメンテナンスはますます困難になりつつある。 特に、ドキュメンテーションの欠如は、新しい開発者がCOBOLシステムを効果的に理解し、保守することを困難にしている。 既存の研究では、コードスニペットの機能を説明するために大きな言語モデル(LLM)を使用している。 しかし、COBOLは、そのアーキテクチャと構文上の違いにより、そのコードがLLMのトークンウィンドウサイズを超えることがしばしばあるため、固有の課題を提示している。 本研究では,LLMをベースとした2つのエージェントが協調して作業することで,機能,ファイル,プロジェクト全体の説明を生成するマルチエージェント手法を提案する。 これらのエージェントはコードベースからのコンテキスト情報をコード説明プロンプトに利用することによって統合される。 提案手法の有効性を,14のオープンソース実世界のCOBOLプロジェクトを用いて評価した。 提案手法は,12.67%,18.59%,0.62%,METEOR,chrF,SentenceBERTをそれぞれ改善した。 ファイルレベルでは, LLMのトークンウィンドウサイズを超え, ベースラインを4.21%, 10.72%, 14.68%を超える短いCOBOLファイルと長いCOBOLファイルの両方を効果的に説明できる。 プロジェクトレベルでは、選択したプロジェクトの82%の機能と目的を伝達する説明が得られます。

関連論文リスト

• IFEvalCode: Controlled Code Generation [69.28317223249358]
  本稿では,Code LLMの命令追従能力を改善するために,前方および後方制約生成を提案する。 IFEvalCodeは、7つのプログラミング言語の1.6Kテストサンプルからなる多言語ベンチマークである。
  論文  参考訳（メタデータ） (2025-07-30T08:08:48Z)
• An Empirical Study on the Effectiveness of Large Language Models for Binary Code Understanding [50.17907898478795]
  本研究では,現実のリバースエンジニアリングシナリオにおけるLarge Language Models(LLM)の有効性を評価するためのベンチマークを提案する。 評価の結果、既存のLLMはバイナリコードをある程度理解でき、それによってバイナリコード解析の効率が向上することが明らかとなった。
  論文  参考訳（メタデータ） (2025-04-30T17:02:06Z)
• Resource-Efficient & Effective Code Summarization [3.512140256677132]
  QLoRAのようなGreenAI技術は、大規模モデルのサステナビリティを扱うための有望なパスを提供する。 本研究では,Python と Java の2つのプログラミング言語にまたがる最先端の CLM の評価を行った。 その結果、QLoRAはコード要約のためのCLMを効率的に微調整できることがわかった。
  論文  参考訳（メタデータ） (2025-02-05T21:06:30Z)
• Crystal: Illuminating LLM Abilities on Language and Code [58.5467653736537]
  本稿では,自然言語と符号化機能の統合性を高めるための事前学習戦略を提案する。 結果のモデルであるCrystalは、両方のドメインで顕著な能力を示します。
  論文  参考訳（メタデータ） (2024-11-06T10:28:46Z)
• What can Large Language Models Capture about Code Functional Equivalence? [24.178831487657945]
  SeqCoBenchは、コード-LLMがコード関数同値をキャプチャする方法を評価するベンチマークである。 我々は,SeqCoBenchにおける意味論的に等価なプログラムと異なるプログラムのペアを識別できるかどうかを,最先端(Code)-LLMで評価する。
  論文  参考訳（メタデータ） (2024-08-20T11:19:06Z)
• CodeGRAG: Bridging the Gap between Natural Language and Programming Language via Graphical Retrieval Augmented Generation [58.84212778960507]
  CodeGRAGは、制御フローとそれらのデータフローに基づいて、コードブロックのグラフィカルなビューを構築し、プログラミングドメインの知識をよりよく解釈する。 CodeGRAGはLLMのコード生成能力を大幅に改善し、言語間コード生成のパフォーマンス向上も実現している。
  論文  参考訳（メタデータ） (2024-05-03T02:48:55Z)
• How Far Have We Gone in Binary Code Understanding Using Large Language Models [51.527805834378974]
  バイナリコード理解におけるLarge Language Models(LLM)の有効性を評価するためのベンチマークを提案する。 評価の結果、既存のLLMはバイナリコードをある程度理解でき、それによってバイナリコード解析の効率が向上することが明らかとなった。
  論文  参考訳（メタデータ） (2024-04-15T14:44:08Z)
• If LLM Is the Wizard, Then Code Is the Wand: A Survey on How Code Empowers Large Language Models to Serve as Intelligent Agents [81.60906807941188]
  大型言語モデル(LLM)は、自然言語と形式言語(コード)の組み合わせに基づいて訓練される コードは、標準構文、論理一貫性、抽象化、モジュール性を備えた高レベルの目標を実行可能なステップに変換する。
  論文  参考訳（メタデータ） (2024-01-01T16:51:20Z)
• ML-Bench: Evaluating Large Language Models and Agents for Machine Learning Tasks on Repository-Level Code [76.84199699772903]
  ML-Benchは、既存のコードリポジトリを利用してタスクを実行する現実世界のプログラミングアプリケーションに根ざしたベンチマークである。 LLM(Large Language Model)とAIエージェントの両方を評価するために、事前に定義されたデプロイメント環境でLLMのテキスト-コード変換を評価するML-LLM-Benchと、Linuxサンドボックス環境でエンドツーエンドのタスク実行で自律エージェントをテストするML-Agent-Benchの2つの設定が採用されている。
  論文  参考訳（メタデータ） (2023-11-16T12:03:21Z)
• LongCoder: A Long-Range Pre-trained Language Model for Code Completion [56.813974784131624]
  LongCoderは自己アテンションにスライディングウィンドウ機構を採用し、グローバルアクセス可能なトークンを2種類導入している。 ブリッジトークンは入力シーケンス全体を通して挿入され、ローカル情報を集約し、グローバルな相互作用を促進する。 メモリトークンは、後で呼び出され、記憶する必要がある重要なステートメントをハイライトするために含まれます。
  論文  参考訳（メタデータ） (2023-06-26T17:59:24Z)
• X-COBOL: A Dataset of COBOL Repositories [4.8342038441006805]
  私たちはGitHubから発掘された84のリポジトリのデータセットを構築しました。 私たちのデータセットは、マイニングされたリポジトリ内に存在する1255のファイルも提供しています。
  論文  参考訳（メタデータ） (2023-06-08T02:42:09Z)
• AstBERT: Enabling Language Model for Code Understanding with Abstract Syntax Tree [3.1087379479634927]
  抽象構文木(AST)を用いてプログラミング言語(PL)をよりよく理解することを目的とした事前学習型言語モデルAstBERTモデルを提案する。 具体的には、GitHubから大量のソースコード(javaとpythonの両方)を収集し、ソースコードに関する情報を解釈して統合することができます。 実験結果から,我々のAstBERTモデルが両下流タスクの最先端性能を達成することが示された。
  論文  参考訳（メタデータ） (2022-01-20T03:27:26Z)

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。