論文の概要: Does AI Code Review Lead to Code Changes? A Case Study of GitHub Actions

• arxiv url: http://arxiv.org/abs/2508.18771v1
• Date: Tue, 26 Aug 2025 07:55:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-27 17:42:38.735786
• Title: Does AI Code Review Lead to Code Changes? A Case Study of GitHub Actions
• Title（参考訳）: AIコードレビューはコード変更につながるか?GitHubアクションのケーススタディ
• Authors: Kexin Sun, Hongyu Kuang, Sebastian Baltes, Xin Zhou, He Zhang, Xiaoxing Ma, Guoping Rong, Dong Shao, Christoph Treude,
• Abstract要約: AIベースのコードレビューツールは、コード品質を改善するためにプルリクエストを自動的にレビューし、コメントする。 我々は,GitHubで人気の高いAIベースのコードレビューアクション16件について,大規模な実証的研究を行った。 これらのツールがどのように採用され、設定されているか、コメントがコードの変更につながるかどうか、そしてどの要因がそれらの効果に影響を与えるかを調査する。
• 参考スコア（独自算出の注目度）: 21.347559936084807
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: AI-based code review tools automatically review and comment on pull requests to improve code quality. Despite their growing presence, little is known about their actual impact. We present a large-scale empirical study of 16 popular AI-based code review actions for GitHub workflows, analyzing more than 22,000 review comments in 178 repositories. We investigate (1) how these tools are adopted and configured, (2) whether their comments lead to code changes, and (3) which factors influence their effectiveness. We develop a two-stage LLM-assisted framework to determine whether review comments are addressed, and use interpretable machine learning to identify influencing factors. Our findings show that, while adoption is growing, effectiveness varies widely. Comments that are concise, contain code snippets, and are manually triggered, particularly those from hunk-level review tools, are more likely to result in code changes. These results highlight the importance of careful tool design and suggest directions for improving AI-based code review systems.
• Abstract（参考訳）: AIベースのコードレビューツールは、コード品質を改善するためにプルリクエストを自動的にレビューし、コメントする。 存在感の高まりにもかかわらず、実際の影響についてはほとんど分かっていない。 我々は、GitHubワークフローで人気のある16のAIベースのコードレビューアクションに関する大規模な実証的研究を行い、178のリポジトリで22,000以上のレビューコメントを分析した。 これらのツールをどのように採用・設定するか,(2)コメントがコード変更につながるかどうか,(3)有効性に影響を与える要因について検討する。 レビューコメントに対処するかどうかを判断する2段階のLCM支援フレームワークを開発し、解釈可能な機械学習を用いて影響要因を同定する。 以上の結果から, 採用が進んでいる一方で, 有効性は広範囲に及んでいることが示唆された。 簡潔でコードスニペットを含み、手動でトリガーされるコメント、特にハンクレベルのレビューツールからのコメントは、コードの変更をもたらす可能性が高い。 これらの結果は、注意深いツール設計の重要性を強調し、AIベースのコードレビューシステムを改善するための方向性を提案する。

関連論文リスト

• Measuring the effectiveness of code review comments in GitHub repositories: A machine learning approach [0.969054772470341]
  本稿では,意味的意味によるコードレビューテキストの分類における機械学習技術の作業効率に関する実証的研究について述べる。 既存の年にGitHubの3つのオープンソースプロジェクトが生成した13557のコードレビューコメントを手作業でラベル付けしました。 コードレビューの感情極性(あるいは感情指向)を認識するために、私たちは7つの機械学習アルゴリズムを使用して、それらの結果を比較して、より良いものを見つけます。
  論文  参考訳（メタデータ） (2025-08-22T03:00:48Z)
• Code Review as Decision-Making -- Building a Cognitive Model from the Questions Asked During Code Review [2.8299846354183953]
  コードレビューの認知モデルを構築し、翻訳された資料の主題的、統計的、時間的、シーケンシャルな分析を通じてボトムアップする。 まず、コンテキストと合理性を確立するための配向フェーズ、次に、レビューの残りの部分を理解し、評価し、計画するための分析フェーズです。
  論文  参考訳（メタデータ） (2025-07-13T14:04:16Z)
• LazyReview A Dataset for Uncovering Lazy Thinking in NLP Peer Reviews [74.87393214734114]
  この研究は、微粒な遅延思考カテゴリで注釈付けされたピアレビュー文のデータセットであるLazyReviewを紹介している。 大規模言語モデル(LLM)は、ゼロショット設定でこれらのインスタンスを検出するのに苦労する。 命令ベースのデータセットの微調整により、パフォーマンスが10～20ポイント向上する。
  論文  参考訳（メタデータ） (2025-04-15T10:07:33Z)
• 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)
• 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 Review Automation: Strengths and Weaknesses of the State of the Art [14.313783664862923]
  3つのコードレビュー自動化技術は、この論文で説明した2つのタスクで成功するか失敗する傾向があります。 この研究は質的な焦点が強く、正確な予測と間違った予測の分析に105時間のマニュアルインスペクションが費やされている。
  論文  参考訳（メタデータ） (2024-01-10T13:00:18Z)
• 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)

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。