論文の概要: Patterns of Developer Adoption of LLM-Generated Code Refactoring Suggestions
- arxiv url: http://arxiv.org/abs/2605.04835v1
- Date: Wed, 06 May 2026 12:31:49 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-07 18:41:07.812205
- Title: Patterns of Developer Adoption of LLM-Generated Code Refactoring Suggestions
- Title（参考訳）: LLM生成コードリファクタリングの開発者採用のパターン
- Authors: David Schön, Faiza Amjad, Tehreem Asif, Ranim Khojah, Mazen Mohamad, Francisco Gomes de Oliveira Neto, Philipp Leitner,
- Abstract要約: 大規模言語モデル(LLM)は広く普及し、時間とともに着実に改善されている。
LLMは、可読性や保守性などの品質特性を改善するために、開発者がコードに適用することを提案する。
コミットメッセージにリンクされたChatGPT会話に基づいて、開発者がコードをコードする169のGitHubコミットを分析します。
開発者はほとんど修正せずに提案を受け入れて利用しているのがわかりました。
- 参考スコア（独自算出の注目度）: 3.008881106008445
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Large language models (LLMs) have gained widespread popularity and have steadily improved over time, enabling software developers to use them for various code-related tasks. One common task is code refactoring, where the LLM suggests changes for the developer to apply to their code to improve quality attributes such as readability or maintainability. While current research focuses on evaluating LLM-generated refactoring suggestions, there is a limited understanding of how developers apply these suggestions in practice. To explore this, we analyze 169 GitHub commits where developers refactor their code based on a ChatGPT conversation linked in the commit message. We found that developers mostly accept and use the suggestions without modifications. When changes are made, they are mostly major and fall into five different patterns that depend on the refactoring activity, the developer's prompt, and the validity of the response from ChatGPT.
- Abstract（参考訳）: 大規模言語モデル(LLM)は広く普及し、時間とともに着実に改善され、様々なコード関連のタスクにソフトウェア開発者が使用できるようになった。
LLMでは、可読性や保守性といった品質特性を改善するために、開発者がコードに適用すべき変更を提案する。
現在の研究では、LLM生成のリファクタリング提案の評価に焦点が当てられているが、開発者がこれらの提案を実際にどのように適用するかについては、限定的な理解がある。
これを調べるために、コミットメッセージにリンクされたChatGPT会話に基づいて、開発者がコードをリファクタリングする169のGitHubコミットを分析しました。
開発者はほとんど修正せずに提案を受け入れて利用しているのがわかりました。
変更が行われると、主にメジャーになり、リファクタリングアクティビティ、開発者のプロンプト、ChatGPTからのレスポンスの妥当性に依存する5つのパターンに分けられる。
関連論文リスト
- CodeTaste: Can LLMs Generate Human-Level Code Refactorings? [2.447746234944228]
大規模言語モデル(LLM)コーディングエージェントは、動作するコードを生成することができるが、そのソリューションはしばしば複雑さ、重複、アーキテクチャ上の負債を蓄積する。
人間開発者はこのような問題に対処する: 構造と保守性を改善する行動保存プログラム。
オープンソースリポジトリの大規模マルチファイル変更から抽出したタスクのベンチマークであるCodeTasteを紹介する。
論文 参考訳（メタデータ） (2026-03-04T15:34:18Z) - How do Agents Refactor: An Empirical Study [2.7711196026307476]
Javaにおけるエージェントプルリクエストの最初の分析結果を示す。
タイプを特定し、コミット前後のコードの臭いを検知します。
我々はCursorが、統計的に有意な臭いの増加を示す唯一のモデルであると考えている。
論文 参考訳（メタデータ） (2026-01-28T01:34:15Z) - ChatGPT for Code Refactoring: Analyzing Topics, Interaction, and Effective Prompts [10.31253409274086]
大規模言語モデル(LLM)は、テスト、コードレビュー、プログラムの理解といった様々なソフトウェア工学のタスクで広く使われている。
私たちの目標は、開発者とChatGPT間のインタラクションを調べて、開発者がコード改善の領域を特定する方法をよりよく理解することにあります。
当社のアプローチでは,29,778のChatGPTプロンプトと応答からのテキストマイニング715関連インタラクションに加えて,開発者の明示的な意図の分析を行う。
論文 参考訳（メタデータ） (2025-09-09T18:55:03Z) - Turning the Tide: Repository-based Code Reflection [52.13709676656648]
マルチファイルリポジトリコンテキストにおけるコード理解と生成を評価するベンチマークであるLiveRepoReflectionを紹介する。
多様性、正確性、難易度を確保するため、6ドル(約6,800円)のプログラミング言語で厳格にテストケースをフィルタリングしました。
RepoReflection-Instructは、さまざまなソースから派生した大規模で品質の高い命令チューニングデータセットである。
論文 参考訳（メタデータ） (2025-07-14T02:36:27Z) - Comments as Natural Logic Pivots: Improve Code Generation via Comment Perspective [85.48043537327258]
本稿では, MANGO (comMents As Natural loGic pivOts) を提案する。
その結果、MANGOは強いベースラインに基づいてコードパス率を大幅に改善することがわかった。
論理的なコメントの復号化戦略の堅牢性は、考えの連鎖よりも顕著に高い。
論文 参考訳（メタデータ） (2024-04-11T08:30:46Z) - CodeEditorBench: Evaluating Code Editing Capability of Large Language Models [49.387195629660994]
コードのための大規模言語モデル(LLM)は急速に進化しており、コード編集が重要な機能として現れている。
コード編集タスクにおけるLLMの性能を厳格に評価するための評価フレームワークであるCodeEditorBenchを紹介する。
5つのソースからさまざまなコーディング課題やシナリオをキュレートし、さまざまなプログラミング言語、複雑性レベル、編集タスクをカバーしています。
論文 参考訳（メタデータ） (2024-04-04T15:49:49Z) - How to Refactor this Code? An Exploratory Study on Developer-ChatGPT
Refactoring Conversations [14.736597134188065]
開発者がChatGPTと対話する際のニーズを明確にする方法については、ほとんど分かっていない。
提案手法は17,913のChatGPTプロンプトと応答からのテキストマイニングに関する会話に依存する。
私たちの発見は、コードという文脈において、開発者とAIモデル間のコラボレーションのより広範な理解に寄与し、モデルの改善、ツール開発、ソフトウェアエンジニアリングにおけるベストプラクティスに影響を及ぼすと期待しています。
論文 参考訳（メタデータ） (2024-02-08T19:24:01Z) - Do code refactorings influence the merge effort? [80.1936417993664]
複数のコントリビュータがソースコードを並行して変更して,新機能の実装やバグの修正,既存のコードの変更などを行っている。
これらの同時変更は、ソースコードの同じバージョンにマージする必要がある。
研究によると、すべてのマージの試みの10～20%が衝突を起こしており、これはプロセスを完了するために手動開発者の介入を必要とする。
論文 参考訳（メタデータ） (2023-05-10T13:24:59Z) - How We Refactor and How We Document it? On the Use of Supervised Machine
Learning Algorithms to Classify Refactoring Documentation [25.626914797750487]
リファクタリングは、外部の振る舞いを変えることなく、システムの設計を改善する技術である。
この研究はコミットを、従来のBugFixやFunctionalのカテゴリとともに、内部QA、外部QA、Code Smell Resolutionの3つのカテゴリに分類する。
分類結果をよりよく理解するために、私たちはコミットメッセージを分析して、開発者が定期的に臭いを説明するために使用するパターンを抽出しました。
論文 参考訳（メタデータ） (2020-10-26T20:33:17Z)
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。