論文の概要: Refactoring for Novices in Java: An Eye Tracking Study on the Extract vs. Inline Methods

• arxiv url: http://arxiv.org/abs/2602.18579v2
• Date: Tue, 24 Feb 2026 09:44:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-25 13:30:08.545018
• Title: Refactoring for Novices in Java: An Eye Tracking Study on the Extract vs. Inline Methods
• Title（参考訳）: Javaの初心者向けリファクタリング - 抽出とインラインメソッドの視線追跡調査
• Authors: José Aldo Silva da Costa, Rohit Gheyi, José Júnior Silva da Costa, Márcio Ribeiro, Rodrigo Bonifácio, Hyggo Almeida, Ana Carla Bibiano, Alessandro Garcia,
• Abstract要約: 開発者は多くの場合、読みやすさ、理解、再利用を改善するためのメソッドを抽出するが、インライン化はロジックを1ブロックに保持する。 動的アプローチを用いたインライン法対抽出法について検討し,課題を読み解きながら視線追跡を行った。 主要なコード領域を分析し、時間と試行とともに視覚的努力と読書行動(固定期間とカウント、回帰、再考)を比較します。
• 参考スコア（独自算出の注目度）: 36.12125973491215
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Developers often extract methods to improve readability, understanding, and reuse, while inlining keeps logic in one block. Prior work based on static metrics has not shown clear differences between these practices, and the human side of comprehension and navigation remains underexplored. We investigate Inline Method vs. Extract Method refactorings using a dynamic approach: eye tracking while participants read and solve tasks. We analyze key code areas and compare visual effort and reading behavior (fixation duration and count, regressions, revisits), alongside time and attempts. We ran a controlled experiment with 32 Java novices, followed by short interviews. Each participant solved eight simple tasks across four programs presented in an inlined version and four in an extracted version. We also surveyed 58 additional novices for complementary quantitative and qualitative data. Results show that effects depend on task difficulty. In two tasks, method extraction improved performance and reduced visual effort, with time decreasing by up to 78.8% and regressions by 84.6%. For simpler tasks (e.g., square area), extraction hurt performance: time increased by up to 166.9% and regressions by 200%. Even with meaningful method names, novices often switched back and forth between call sites and extracted methods, increasing navigation and cognitive load. Preferences frequently favored extraction for readability and reuse, but did not always match measured performance. These findings suggest educators should be cautious about premature modularization for novices and highlight eye tracking as a useful complement to static metrics.
• Abstract（参考訳）: 開発者は多くの場合、読みやすさ、理解、再利用を改善するためのメソッドを抽出するが、インライン化はロジックを1ブロックに保持する。 静的なメトリクスに基づく以前の作業は、これらのプラクティスの間に明確な違いを示しておらず、理解とナビゲーションの人間的側面は、まだ解明されていない。 動的手法を用いてインライン手法と抽出手法のリファクタリングについて検討する。 主要なコード領域を分析し、時間と試行とともに視覚的努力と読書行動(固定期間とカウント、回帰、再考)を比較します。 32人のJava初心者でコントロールされた実験を行い、その後短いインタビューを行いました。 各参加者はインライン版で提示された4つのプログラムと抽出版で提示された4つの単純なタスクを8つ解決した。 また, 相補的定量的, 定性的なデータに対する58の初級者についても調査した。 結果は、効果がタスクの難易度に依存することを示している。 2つのタスクにおいて、メソッド抽出はパフォーマンスを改善し、視覚的労力を減らし、時間を78.8%まで減らし、レグレッションを84.6%減らした。 単純なタスク(例えば平方面積)では、抽出がパフォーマンスを損なう: 時間は166.9%まで増加し、回帰率は200%向上した。 意味のあるメソッド名であっても、初心者はしばしばコールサイトと抽出されたメソッドの間を行き来し、ナビゲーションと認知負荷を増加させた。 可読性と再利用のための抽出を好んだが、常に測定された性能と一致しなかった。 これらの結果から,教育者は初心者の早期モジュール化に注意を払い,静的な指標を補完する有用な視線追跡を重視すべきであることが示唆された。

関連論文リスト

• Model Guidance via Robust Feature Attribution [8.871622130949085]
  提案手法は,最先端手法と比較してテスト時の誤分類を20%削減する。 また、実験前の設定を自然言語処理タスクを含むように拡張します。
  論文  参考訳（メタデータ） (2025-06-24T14:47:15Z)
• Enhancing Consistency and Mitigating Bias: A Data Replay Approach for Incremental Learning [93.90047628101155]
  ディープラーニングシステムは、一連のタスクから学ぶとき、破滅的な忘れがちだ。 これを解決するために、新しいタスク学習中に過去のタスクからのデータを再生する手法を提案する。 しかし、メモリの制約やデータプライバシーの問題により、実際には期待できない。
  論文  参考訳（メタデータ） (2024-01-12T12:51:12Z)
• Annotation Error Detection: Analyzing the Past and Present for a More Coherent Future [63.99570204416711]
  我々は、潜在的なアノテーションの誤りを検知するための18の手法を再実装し、9つの英語データセット上で評価する。 アノテーションエラー検出タスクの新しい形式化を含む一様評価設定を定義する。 私たちはデータセットと実装を,使いやすく,オープンソースのソフトウェアパッケージとしてリリースしています。
  論文  参考訳（メタデータ） (2022-06-05T22:31:45Z)
• Fine-Grained Visual Entailment [51.66881737644983]
  そこで本稿では,テキストから画像への微粒な知識要素の論理的関係を予測することを目的として,このタスクの拡張を提案する。 従来の研究とは異なり、本手法は本質的に説明可能であり、異なるレベルの粒度で論理的予測を行う。 本手法は,手動でアノテートした知識要素のデータセットを用いて評価し,この課題に対して68.18%の精度を達成できることを示す。
  論文  参考訳（メタデータ） (2022-03-29T16:09:38Z)
• Relational Experience Replay: Continual Learning by Adaptively Tuning Task-wise Relationship [54.73817402934303]
  本稿では,2段階の学習フレームワークである経験連続再生(ERR)を提案する。 ERRは、すべてのベースラインの性能を一貫して改善し、現在の最先端の手法を超えることができる。
  論文  参考訳（メタデータ） (2021-12-31T12:05:22Z)
• Fast Line Search for Multi-Task Learning [0.0]
  マルチタスク学習における行探索アルゴリズムの新しいアイデアを提案する。 この考え方は、ステップサイズを見つけるためにパラメータ空間の代わりに潜在表現空間を使用することである。 本稿では,MNIST,CIFAR-10,Cityscapesタスクの学習速度を一定とする古典的バックトラック法と勾配法を比較した。
  論文  参考訳（メタデータ） (2021-10-02T21:02:29Z)
• Finding Significant Features for Few-Shot Learning using Dimensionality Reduction [0.0]
  このモジュールは、計量学習法により与えられる類似度関数を、分類のためのより識別的な特徴を持つようにすることで、精度の向上を支援する。 提案手法は,MiniImageNetデータセットにおけるメトリック学習ベースラインの精度を約2%向上させる。
  論文  参考訳（メタデータ） (2021-07-06T16:36:57Z)
• MetaKernel: Learning Variational Random Features with Limited Labels [120.90737681252594]
  少数の注釈付きサンプルから学習し、新しいタスクでうまく一般化できるという根本的かつ困難な問題に、少数のショットラーニングが対処します。 マルチショット学習のためのランダムなフーリエ機能を備えたメタラーニングカーネルをMeta Kernelと呼びます。
  論文  参考訳（メタデータ） (2021-05-08T21:24:09Z)

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。