論文の概要: Prompt-Driven Code Summarization: A Systematic Literature Review
- arxiv url: http://arxiv.org/abs/2604.15385v1
- Date: Thu, 16 Apr 2026 03:25:28 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-20 22:00:19.577554
- Title: Prompt-Driven Code Summarization: A Systematic Literature Review
- Title（参考訳）: Prompt-Driven Code Summarization: 体系的な文献レビュー
- Authors: Afia Farjana, Zaiyu Cheng, Antonio Mastropaolo,
- Abstract要約: 大きな言語モデル(LLM)は、ソースコードから自然言語記述を自動的に生成することで、有望なソリューションを提供する。
この体系的なレビュー文献は、既存の証拠を集約し、パラダイムを推進し、その効果を検証し、将来の研究と実践的採用のガイドとなるギャップを特定する。
- 参考スコア（独自算出の注目度）: 4.238464304669881
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Software documentation is essential for program comprehension, developer onboarding, code review, and long-term maintenance. Yet producing quality documentation manually is time-consuming and frequently yields incomplete or inconsistent results. Large language models (LLMs) offer a promising solution by automatically generating natural language descriptions from source code, helping developers understand code more efficiently, facilitating maintenance, and supporting downstream activities such as defect localization and commit message generation. However, the effectiveness of LLMs in documentation tasks critically depends on how they are prompted. Properly structured instructions can substantially improve model performance, making prompt engineering-the design of input prompts to guide model behavior-a foundational technique in LLM-based software engineering. Approaches such as few-shot prompting, chain-of-thought reasoning, retrieval-augmented generation, and zero-shot learning show promise for code summarization, yet current research remains fragmented. There is limited understanding of which prompting strategies work best, for which models, and under what conditions. Moreover, evaluation practices vary widely, with most studies relying on overlap-based metrics that may not capture semantic quality. This systematic literature review consolidates existing evidence, categorizes prompting paradigms, examines their effectiveness, and identifies gaps to guide future research and practical adoption.
- Abstract（参考訳）: ソフトウェアドキュメンテーションは、プログラムの理解、開発者の参加、コードレビュー、長期のメンテナンスに不可欠です。
しかし、手動で品質文書を作成するのに時間がかかり、不完全な結果や一貫性のない結果が頻繁に得られます。
大きな言語モデル(LLM)は、ソースコードから自然言語記述を自動的に生成し、開発者がより効率的にコードを理解するのを助け、メンテナンスを容易にし、欠陥ローカライゼーションやコミットメッセージ生成などの下流アクティビティをサポートする、有望なソリューションを提供する。
しかし、文書化タスクにおけるLLMの有効性は、どのように引き起こされるかに大きく依存する。
適切に構造化された命令は、モデル性能を大幅に向上させ、入力プロンプトの設計を迅速にし、LLMベースのソフトウェア工学の基本技術であるモデル動作をガイドする。
少数ショットプロンプト、連鎖推論、検索強化された生成、ゼロショット学習といったアプローチは、コードの要約を約束するが、現在の研究は断片化されている。
どの戦略が最善か、どのモデルか、どの条件下か、という理解は限られています。
さらに、評価の実践は様々であり、ほとんどの研究は意味的品質を捉えないオーバーラップベースのメトリクスに依存している。
この体系的な文献レビューは、既存の証拠を集約し、パラダイムを推進し、その効果を検証し、将来の研究と実践的採用を導くためのギャップを特定する。
関連論文リスト
- Guidelines to Prompt Large Language Models for Code Generation: An Empirical Characterization [82.29178197694819]
我々は、開発固有のプロンプト最適化ガイドラインを導出し、評価する。
コード生成プロンプトを自動的に洗練するために、反復的でテスト駆動のアプローチを使用します。
我々は50人の実践者と評価を行い,提案した即興改善パターンの使用状況について報告する。
論文 参考訳（メタデータ） (2026-01-19T15:01:42Z) - Readability-Robust Code Summarization via Meta Curriculum Learning [53.44612630063336]
現実の世界では、コードが貧弱な構造や難読化され、モデルのパフォーマンスが著しく低下することが多い。
本稿では,可読性の低いコードに対するコード要約の堅牢性を向上する,新しい微調整手法であるRoFTCodeSumを提案する。
論文 参考訳（メタデータ） (2026-01-09T02:38:24Z) - From Code Foundation Models to Agents and Applications: A Practical Guide to Code Intelligence [150.3696990310269]
大規模言語モデル(LLM)は、自然言語記述を直接関数コードに変換することによって、自動ソフトウェア開発を変革した。
コードLLMに関する総合的な合成と実践的ガイド(一連の解析および探索実験)を提供する。
一般LLM(GPT-4, Claude, LLaMA)とコード特殊化LLM(StarCoder, Code LLaMA, DeepSeek-Coder, QwenCoder)のコード機能の解析を行う。
論文 参考訳（メタデータ） (2025-11-23T17:09:34Z) - Improving Large Language Models Function Calling and Interpretability via Guided-Structured Templates [56.73907811047611]
大規模言語モデル(LLM)は強力な推論とツール使用能力を示している。
LLMは、誤ったパラメータ化、悪いツールの選択、ユーザーの意図の誤解釈によって、現実世界のツールインタラクションで失敗することが多い。
我々は、構造化推論テンプレートを利用して、関数呼び出しを生成するためのより故意なステップバイステップ命令を通してLCMをガイドするカリキュラムに着想を得たフレームワークを提案する。
論文 参考訳（メタデータ） (2025-09-22T17:55:14Z) - Code Review Without Borders: Evaluating Synthetic vs. Real Data for Review Recommendation [37.86790434630698]
LLM(Large Language Models)は、十分なリソースを持つ言語からのコード変更を、未表現言語や新興言語の等価な変更に変換するために用いられる。
実ラベル付きデータで訓練されたモデルと比較した。
このアプローチは、自動コードレビュー機能を急速に進化するテクノロジスタックに拡張するためのスケーラブルなパスを提供する。
論文 参考訳（メタデータ） (2025-09-05T05:17:14Z) - 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) - Towards Leveraging Large Language Model Summaries for Topic Modeling in Source Code [0.0]
大規模言語モデル (LLM) は、プログラムの理解能力を示す。
トランスフォーマーベースのトピックモデリング技術は、テキストから意味情報を抽出する効果的な方法を提供する。
本稿では,Pythonプログラムのコーパス内で意味のあるトピックを自動的に識別する手法を提案する。
論文 参考訳（メタデータ） (2025-04-24T10:30:40Z) - CodeIF: Benchmarking the Instruction-Following Capabilities of Large Language Models for Code Generation [20.013757490442064]
タスク指向の命令に準拠する大規模言語モデル(LLM)の能力を評価するために設計された最初のベンチマークであるCodeIFを紹介する。
CodeIFは関数合成、アルゴリズム命令、コード説明など幅広いタスクを含んでいる。
我々はLLMによる広範囲な実験を行い、これらの課題の要求を満たす上での強みと限界を分析した。
論文 参考訳（メタデータ） (2025-02-26T14:19:49Z)
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。