論文の概要: AI-Assisted Unit Test Writing and Test-Driven Code Refactoring: A Case Study

• arxiv url: http://arxiv.org/abs/2604.03135v1
• Date: Fri, 03 Apr 2026 15:54:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-06 17:20:24.523551
• Title: AI-Assisted Unit Test Writing and Test-Driven Code Refactoring: A Case Study
• Title（参考訳）: AIによる単体テスト記述とテスト駆動コードリファクタリング:ケーススタディ
• Authors: Ema Smolic, Mario Brcic, Luka Hobor, Mihael Kovac,
• Abstract要約: 本稿では、自動単体テスト生成とその後の安全な反復に符号化モデルを用いるケーススタディを提案する。 数週間ではなく数時間で16,000行近い信頼性の高い単体テストを生成し、クリティカルモジュールで最大78%のブランチカバレッジを実現し、大規模なイテレーションでリグレッションリスクを著しく低減しました。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Many software systems originate as prototypes or minimum viable products (MVPs), developed with an emphasis on delivery speed and responsiveness to changing requirements rather than long-term code maintainability. While effective for rapid delivery, this approach can result in codebases that are difficult to modify, presenting a significant opportunity cost in the era of AI-assisted or even AI-led programming. In this paper, we present a case study of using coding models for automated unit test generation and subsequent safe refactoring, with proposed code changes validated by passing tests. The study examines best practices for iteratively generating tests to capture existing system behavior, followed by model-assisted refactoring under developer supervision. We describe how this workflow constrained refactoring changes, the errors and limitations observed in both phases, the efficiency gains achieved, when manual intervention was necessary, and how we addressed the weak value misalignment we observed in models. Using this approach, we generated nearly 16,000 lines of reliable unit tests in hours rather than weeks, achieved up to 78\% branch coverage in critical modules, and significantly reduced regression risk during large-scale refactoring. These results illustrate software engineering's shift toward an empirical science, emphasizing data collection and constraining mechanisms that support fast, safe iteration.
• Abstract（参考訳）: 多くのソフトウェアシステムはプロトタイプやMVP(Minimum viable products)として生まれ、長期的なコードの保守性ではなく、要求の変更に対するデリバリ速度と応答性を重視して開発されている。 このアプローチは迅速なデリバリに有効だが、変更が難しいコードベースが生まれ、AI支援プログラミングやAI主導プログラミングの時代において、大きな機会コストが生じる可能性がある。 本稿では,自動単体テスト生成とそれに続く安全なリファクタリングにコードモデルを用いるケーススタディを提案する。 本研究は,既存のシステムの振る舞いを捉えるために反復的にテストを生成するためのベストプラクティスについて検討し,その後,開発者の監督の下でモデル支援リファクタリングを行った。 このワークフローは、リファクタリングの変更の制約、両方のフェーズで観察されたエラーと制限、効率の向上、手動による介入が必要な場合の効率向上、モデルで観察した弱い値の不一致にどのように対処したかを説明します。 このアプローチを使用することで、数週間ではなく数時間で16,000行近い信頼性の高い単体テストを生成し、クリティカルモジュールで78\%のブランチカバレッジを実現し、大規模なリファクタリング時の回帰リスクを著しく低減しました。 これらの結果は、高速で安全なイテレーションをサポートするデータ収集と制約メカニズムを強調した、経験的科学へのソフトウェアエンジニアリングのシフトを示しています。

関連論文リスト

• Taming Imperfect Process Verifiers: A Sampling Perspective on Backtracking [54.43083499412643]
  言語モデルの生成能力をプロセス検証器と組み合わせたテストタイムアルゴリズムは、新しい推論能力を引き出すための有望なレバーを提供する。 提案手法は, 理論的に根拠付きバックトラックを用いて, 検証誤差に対して, 確実な堅牢性を実現するための新しいプロセス誘導型テスト時間サンプリングアルゴリズムであるVGBを導入する。
  論文  参考訳（メタデータ） (2025-10-03T16:21:14Z)
• Impact of Code Context and Prompting Strategies on Automated Unit Test Generation with Modern General-Purpose Large Language Models [0.0]
  ジェネレーティブAIは、ソフトウェアエンジニアリングにおいて注目を集めている。 単体テストはテストケースの大部分を占め、しばしばスキーマ的である。 本稿では,コードコンテキストが単体テストの品質と妥当性に与える影響について検討する。
  論文  参考訳（メタデータ） (2025-07-18T11:23:17Z)
• Training Language Models to Generate Quality Code with Program Analysis Feedback [66.0854002147103]
  大規模言語モデル(LLM)によるコード生成は、ますます本番環境で採用されているが、コード品質の保証には失敗している。 実運用品質のコードを生成するためにLLMにインセンティブを与える強化学習フレームワークであるREALを提案する。
  論文  参考訳（メタデータ） (2025-05-28T17:57:47Z)
• MANTRA: Enhancing Automated Method-Level Refactoring with Contextual RAG and Multi-Agent LLM Collaboration [44.75848695076576]
  本稿では,包括的Large Language ModelsエージェントベースのフレームワークであるMANTRAを紹介する。 ManTRAは、コンテキスト対応検索強化生成、協調型マルチエージェントコラボレーション、および言語強化学習を統合している。 MANTRA はベースライン LLM モデルを大幅に上回ることを示す実験結果が得られた。
  論文  参考訳（メタデータ） (2025-03-18T15:16:51Z)
• Learning to Solve and Verify: A Self-Play Framework for Code and Test Generation [69.62857948698436]
  大規模言語モデル(LLM)の最近の進歩は、コーディングベンチマークのパフォーマンスを改善している。 しかし、手軽に利用できる高品質なデータの枯渇により、改善は停滞している。 本稿では,単一モデルのコードとテスト生成能力を共同で改善するセルフプレイ・ソルバ検証フレームワークであるSol-Verを提案する。
  論文  参考訳（メタデータ） (2025-02-20T18:32:19Z)
• Generating refactored code accurately using reinforcement learning [3.179831861897336]
  そこで本研究では,Javaソースコードの自動抽出を行うために,プログラム言語モデルを微調整・整合化するための強化学習に基づく新しい手法を提案する。 提案手法は,PPO(Proximal Policy Optimization)アルゴリズムを用いて,シーケンス・ツー・シーケンス生成モデルを微調整する。 我々の実験は、我々のアプローチがコードにおける大きな言語モデルの性能を大幅に向上させることを示した。
  論文  参考訳（メタデータ） (2024-12-23T23:09:48Z)
• CodeRL: Mastering Code Generation through Pretrained Models and Deep Reinforcement Learning [92.36705236706678]
  CodeRLは、事前訓練されたLMと深層強化学習によるプログラム合成タスクのための新しいフレームワークである。 推論中、我々は重要なサンプリング戦略を持つ新しい生成手順を導入する。 モデルバックボーンについては,CodeT5のエンコーダデコーダアーキテクチャを拡張し,学習目標を拡張した。
  論文  参考訳（メタデータ） (2022-07-05T02:42:15Z)

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。