論文の概要: An Empirical Evaluation of Code Smell Detection in Angular Applications

• arxiv url: http://arxiv.org/abs/2604.27893v1
• Date: Thu, 30 Apr 2026 14:08:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-01 16:31:54.127546
• Title: An Empirical Evaluation of Code Smell Detection in Angular Applications
• Title（参考訳）: Angularアプリケーションにおけるコードスメル検出の実証評価
• Authors: Maykon Nunes, Emanuel Coutinho, Carla Bezerra, Ivan Machado,
• Abstract要約: Angularは、大規模で動的なWebアプリケーションを開発するための最も広く採用されているフレームワークの1つである。 開発者は、アーキテクチャの管理とクリーンでモジュール化されたコードのメンテナンスにおいて、ますます難しい課題に直面している。 本研究では、灰色の文献レビューを通じてAngularコードの臭いを調べ、コミュニティの知識と技術的な議論を統合する。
• 参考スコア（独自算出の注目度）: 0.37331950863394864
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Angular is one of the most widely adopted frameworks for developing large-scale, dynamic web applications. As projects increase in scope and complexity, developers face growing challenges in managing architecture and maintaining clean, modular code. These challenges often lead to design flaws, commonly referred to as code smells. While React-specific smells have been cataloged in prior studies, limited knowledge exists regarding Angular-specific smells and how they manifest. This study investigates Angular code smells through a grey literature review, consolidating community knowledge and technical discussions. From the collected sources, 11 distinct Angular code smells were identified, 6 of which also occur in React-based systems, suggesting that some issues are cross-framework. Each smell was analyzed, exemplified, and grouped according to its technical characteristics. Based on the resulting catalog, we implemented an automated static analysis tool to detect Angular code smells. The tool was empirically evaluated using a manually validated dataset, and its effectiveness was assessed through standard information retrieval metrics. The evaluation results indicate high detection performance across all smells, achieving accuracy values above 0.88 and F1-scores ranging from 0.89 to 1.00. The findings reveal recurring issues such as component overloading, duplicated logic, and inefficient template bindings, reinforcing the relevance of systematic detection support. This study presents the first catalog of Angular-specific code smells derived from grey literature and demonstrates the feasibility and effectiveness of automated detection, providing a solid foundation for future empirical studies and tool development aimed at improving front-end code quality.
• Abstract（参考訳）: Angularは、大規模で動的なWebアプリケーションを開発するための最も広く採用されているフレームワークの1つである。 プロジェクトがスコープと複雑さを増すにつれ、開発者はアーキテクチャの管理とクリーンでモジュール化されたコードのメンテナンスにおいて、ますます難しい課題に直面している。 これらの課題は、しばしばコードの臭いと呼ばれる設計上の欠陥につながる。 React固有の匂いは以前の研究でカタログ化されているが、Angular固有の匂いとそれらがどのように現れるかについての知識は限られている。 本研究では、灰色の文献レビューを通じてAngularコードの臭いを調べ、コミュニティの知識と技術的な議論を統合する。 収集されたソースから、11の異なるAngularコードの臭いが特定され、そのうち6つはReactベースのシステムでも発生し、いくつかの問題がクロスフレームワークであることが示唆されている。 それぞれの匂いは分析され、例示され、その技術的特徴に従ってグループ化された。 結果のカタログに基づいて、Angularコードの臭いを検出するための自動静的解析ツールを実装しました。 このツールは手動で検証されたデータセットを用いて実験的に評価され、その有効性は標準情報検索指標を用いて評価された。 評価結果から,すべての匂いに対して高い検出性能を示し,0.88以上の精度と0.89から1.00までのF1スコアを達成できた。 この結果から,コンポーネントオーバーロードや重複論理,非効率なテンプレートバインディングなどの繰り返しの問題が指摘され,系統的検出支援の妥当性が向上した。 本研究は、灰色の文献から派生したAngular固有のコードの臭いのカタログを初めて提示し、自動検出の実現可能性と有効性を示し、フロントエンドのコード品質向上を目的とした将来の実証研究とツール開発のための確かな基盤を提供する。

関連論文リスト

• SACS: A Code Smell Dataset using Semi-automatic Generation Approach [7.718926822172738]
  コードの臭いはソフトウェアにおいて大きな課題であり、遅延設計や実装上の欠陥を示している。 機械学習技術を適用する上で最大の課題のひとつは、高品質なコードの臭いデータセットがないことだ。 本研究では,高品質なデータサンプルを用いたコード臭いデータセットを生成するための半自動手法について検討する。
  論文  参考訳（メタデータ） (2026-02-17T04:15:22Z)
• 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)
• From Code Smells to Best Practices: Tackling Resource Leaks in PyTorch, TensorFlow, and Keras [2.0939163364197317]
  PyTorch関連の臭いが30個、リソースリークに関連するスニペット/ケラスの匂いが16個特定される。 それぞれの匂いに対して、少なくとも1つのベストプラクティスを導出し、50の推奨コーディングパターンを導出しました。 これは、主要なMLフレームワーク間でリソースリークを誘発するコードの臭いを調べるための、初めての包括的な研究である。
  論文  参考訳（メタデータ） (2025-11-19T08:32:17Z)
• Demystifying deep search: a holistic evaluation with hint-free multi-hop questions and factorised metrics [89.1999907891494]
  We present WebDetective, a benchmark of hint-free multi-hop questions with a control Wikipedia sandbox。 25の最先端モデルに対する我々の評価は、すべてのアーキテクチャにまたがる体系的な弱点を明らかにしている。 私たちはエージェントワークフローであるEvidenceLoopを開発し、ベンチマークが特定する課題を明示的にターゲットしています。
  論文  参考訳（メタデータ） (2025-10-01T07:59:03Z)
• Towards Automated Detection of Inline Code Comment Smells [1.4465033892011254]
  機械学習(ML)モデルと大規模言語モデル(LLM)を用いて,インラインコードコメントの臭いを自動的に検出し,分類することを目指している。 並行して、強化データセット上で7つの異なる機械学習アルゴリズムを訓練し、その分類性能をGPT 4と比較した。 モデルの性能、特にランサムフォレストは66%の精度を達成しており、この領域における将来の研究の確かなベースラインを確立している。
  論文  参考訳（メタデータ） (2025-04-26T15:38:14Z)
• EnseSmells: Deep ensemble and programming language models for automated code smells detection [3.974095344344234]
  ソフトウェアソースコードの匂いは、最適な設計と実装上の決定を示す。 本稿では,構造的特徴と統計的意味論の融合に重きを置く深層学習アーキテクチャを構築するための新しい手法を提案する。
  論文  参考訳（メタデータ） (2025-02-07T15:35:19Z)
• DeepfakeBench: A Comprehensive Benchmark of Deepfake Detection [55.70982767084996]
  ディープフェイク検出の分野で見落とされがちな課題は、標準化され、統一され、包括的なベンチマークがないことである。 DeepfakeBenchと呼ばれる,3つの重要なコントリビューションを提供するディープフェイク検出のための,最初の包括的なベンチマークを提示する。 DeepfakeBenchには15の最先端検出方法、9CLデータセット、一連のDeepfake検出評価プロトコルと分析ツール、包括的な評価ツールが含まれている。
  論文  参考訳（メタデータ） (2023-07-04T01:34:41Z)

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。