論文の概要: Improving Code Comprehension through Cognitive-Load Aware Automated Refactoring for Novice Programmers
- arxiv url: http://arxiv.org/abs/2603.16791v1
- Date: Tue, 17 Mar 2026 17:01:44 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-18 17:42:07.437863
- Title: Improving Code Comprehension through Cognitive-Load Aware Automated Refactoring for Novice Programmers
- Title（参考訳）: 初心者プログラマのための認知的負荷認識自動リファクタリングによるコード理解の改善
- Authors: Subarna Saha, Alif Al Hasan, Fariha Tanjim Shifat, Mia Mohammad Imran,
- Abstract要約: 初心者プログラマは、あいまいな命名、深いネスト、貧弱な構造組織のために、コードを理解するのに苦労することが多い。
我々は,認知的足場としてコードを提案する。
私たちはこれを認知駆動開発に基づく自動化アプローチであるCDDRefactorERで運用しています。
- 参考スコア（独自算出の注目度）: 2.824062086518866
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Novice programmers often struggle to comprehend code due to vague naming, deep nesting, and poor structural organization. While explanations may offer partial support, they typically do not restructure the code itself. We propose code refactoring as cognitive scaffolding, where cognitively guided refactoring automatically restructures code to improve clarity. We operationalize this in CDDRefactorER, an automated approach grounded in Cognitive-Driven Development that constrains transformations to reduce control-flow complexity while preserving behavior and structural similarity. We evaluate CDDRefactorER using two benchmark datasets (MBPP and APPS) against two models (gpt-5-nano and kimi-k2), and a controlled human-subject study with novice programmers. Across datasets and models, CDDRefactorER reduces refactoring failures by 54-71% and substantially lowers the likelihood of increased Cyclomatic and Cognitive complexity during refactoring, compared to unconstrained prompting. Results from the human study show consistent improvements in novice code comprehension, with function identification increasing by 31.3% and structural readability by 22.0%. The findings suggest that cognitively guided refactoring offers a practical and effective mechanism for enhancing novice code comprehension.
- Abstract（参考訳）: 初心者プログラマは、あいまいな命名、深いネスト、貧弱な構造組織のために、コードを理解するのに苦労することが多い。
説明は部分的なサポートを提供するかもしれないが、通常はコード自体を再構成しない。
認知的な足場としてコードリファクタリングを提案する。
私たちはCDDRefactorERでこれを運用しています。CDDRefactorERは認知駆動開発に基づく自動化アプローチで、振る舞いと構造的類似性を維持しながら、制御フローの複雑さを低減するために変換を制約します。
我々は,2つのベンチマークデータセット(MBPPとAPPS)と2つのモデル(gpt-5-nanoとkimi-k2)を用いてCDDRefactorerを評価し,初心者プログラマによる人-オブジェクトの制御を行った。
データセットとモデル全体で、CDDRefactorERはリファクタリングの失敗を54～71%削減し、非制約のプロンプトに比べてリファクタリング中の循環的・認知的複雑さが増大する可能性を大幅に低下させる。
人間の研究では、初期コードの理解が一貫した改善が見られ、関数の識別は31.3%増加し、構造的可読性は22.0%向上した。
このことから, 認知的指導によるリファクタリングは, 初心者のコード理解を高めるための実用的かつ効果的なメカニズムをもたらすことが示唆された。
関連論文リスト
- Do AI Agents Really Improve Code Readability? [0.0]
不適切な可読性は、開発時間を拡張し、バグを引き起こすリスクを高め、技術的負債に寄与する。
大規模言語モデルの急速な進歩により、AIエージェントベースのアプローチは複雑なタスクを自動分解するための有望なパラダイムとして登場した。
本研究では,AIエージェントによるコードの可読性向上効果について検討する。
論文 参考訳（メタデータ） (2026-03-14T03:01:10Z) - From Restructuring to Stabilization: A Large-Scale Experiment on Iterative Code Readability Refactoring with Large Language Models [5.31828955342405]
大規模言語モデル(LLM)は、自動化されたコードタスクにますます使われています。
この記事では、コード可読性のためのLLMの能力を体系的に研究する。
論文 参考訳（メタデータ） (2026-02-25T12:05:25Z) - From Human to Machine Refactoring: Assessing GPT-4's Impact on Python Class Quality and Readability [46.83143241367452]
リファクタリングは、プログラムの振る舞いを変えることなく、コード品質を改善することを目的としている。
LLM(Large Language Models)の最近の進歩は、コードの自動保存に新たな機会をもたらしている。
GPT-4o を用いて,クラスEval ベンチマークから 100 個の Python クラスに適用した LLM 型クラスに関する実証的研究を行った。
以上の結果から, GPT-4oは, 可読性の低下を犠牲にしながら, コードの臭いを低減し, 品質指標を改善する行動保存剤を一般的に生産していることが示唆された。
論文 参考訳（メタデータ） (2026-01-19T15:22:37Z) - Code Refactoring with LLM: A Comprehensive Evaluation With Few-Shot Settings [0.0]
本研究の目的は,言語(C,C++,C#,Python,Java)間で,正確かつ効率的なコード実行が可能なフレームワークを開発することである。
Javaは10ショット設定で99.99%までの全体的な正しさを達成し、オリジナルのソースコードと比較して94.78%の平均的なコンパイル可能性を記録した。
論文 参考訳（メタデータ） (2025-11-26T14:47:52Z) - A Causal Perspective on Measuring, Explaining and Mitigating Smells in LLM-Generated Code [49.09545217453401]
Propensity Smelly Score (PSC) は、特定の臭いの種類を生成する確率を推定する計量である。
我々は、生成戦略、モデルサイズ、モデルアーキテクチャ、および生成したコードの構造特性をいかに形成するかを識別する。
PSCは、開発者がモデルの振る舞いを解釈し、コード品質を評価するのに役立つ。
論文 参考訳（メタデータ） (2025-11-19T19:18:28Z) - Agentic Refactoring: An Empirical Study of AI Coding Agents [9.698067623031909]
OpenAI Codex、Claude Code、Cursorといったエージェントコーディングツールは、ソフトウェアエンジニアリングの展望を変えつつある。
これらのAI駆動システムは、複雑な開発タスクの計画と実行が可能な自律的なチームメイトとして機能する。
エージェントが実際にどのように利用されるのか、どのように人間駆動型なのか、そしてそれがコード品質に与える影響について、実証的な理解が欠如している。
論文 参考訳（メタデータ） (2025-11-06T21:24:38Z) - QiMeng-NeuComBack: Self-Evolving Translation from IR to Assembly Code [52.66657751895655]
大規模言語モデル(LLM)は、ニューラルコンパイルという魅力的な新しいパラダイムを提供する。
本稿では,IR-to-assemblyコンパイル用に設計された新しいベンチマークデータセットであるNeuComBackを紹介する。
LLMの内部的なプロンプト戦略を進化させる自己進化的プロンプト最適化法を提案する。
論文 参考訳（メタデータ） (2025-11-03T03:20:26Z) - Refactoring with LLMs: Bridging Human Expertise and Machine Understanding [5.2993089947181735]
我々はMartin Fowler氏のガイドラインに基づいて、61のよく知られた変換型の命令戦略を設計する。
これらの戦略は、GitHubプロジェクトのベンチマーク例と実世界のコードスニペットに基づいて評価する。
記述的命令は人間にとってより解釈しやすいが,本研究の結果から,ルールに基づく命令が特定のシナリオにおいてより優れたパフォーマンスをもたらすことがしばしば示されている。
論文 参考訳（メタデータ） (2025-10-04T19:40:42Z) - Refactoring $\neq$ Bug-Inducing: Improving Defect Prediction with Code Change Tactics Analysis [54.361900378970134]
Just-in-time defect prediction (JIT-DP) は、早期にソフトウェア欠陥を引き起こすコード変更の可能性を予測することを目的としている。
これまでの研究は、その頻度にもかかわらず、評価フェーズと方法論フェーズの両方でコードを無視してきた。
JIT-Defects4Jデータセットのラベリング精度を13.7%向上させるコードと伝播を分類するためのCode chAnge Tactics (CAT)解析を提案する。
論文 参考訳（メタデータ） (2025-07-25T23:29:25Z) - ReF Decompile: Relabeling and Function Call Enhanced Decompile [50.86228893636785]
逆コンパイルの目標は、コンパイルされた低レベルコード(アセンブリコードなど)を高レベルプログラミング言語に変換することである。
このタスクは、脆弱性識別、マルウェア分析、レガシーソフトウェアマイグレーションなど、さまざまなリバースエンジニアリングアプリケーションをサポートする。
論文 参考訳（メタデータ） (2025-02-17T12:38:57Z)
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。