論文の概要: Beyond Summaries: Structure-Aware Labeling of Code Changes with Large Language Models

• arxiv url: http://arxiv.org/abs/2605.26100v1
• Date: Mon, 25 May 2026 17:56:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-26 19:50:20.647761
• Title: Beyond Summaries: Structure-Aware Labeling of Code Changes with Large Language Models
• Title（参考訳）: 要約を超えて: 大規模言語モデルによるコード変更の構造化を意識したラベル付け
• Authors: Bar Weiss, Antonio Abu-Nassar, Adi Sosnovich, Karen Yorav,
• Abstract要約: 本稿では,コードパッチにおけるコード変更の分類に基づくラベル付けに,大規模言語モデル(LLM)を用いた体系的研究を行う。 我々のアプローチでは、従来の分析パイプラインのエンジニアリングオーバーヘッドを伴わずに、言語に依存しない、カスタマイズ可能なラベルを生成するために、数発のプロンプトを採用しています。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Code review is a critical practice in software engineering, yet the growing scale and frequency of code patches in modern projects, together with the widespread adoption of AI code assistants, make manual review increasingly challenging. Identifying the types of changes within a patch, such as renames, moves, or logic modifications, can substantially improve review efficiency by enabling prioritization, filtering, and automation. However, existing LLM-based approaches to code review have largely focused on summarization and comment generation, leaving structured code reviews underexplored. In this paper, we present a systematic study of using large language models (LLMs) for taxonomy-based labeling of code changes in a code patch. We introduce a two-stage pipeline that assigns labels to diff hunks and then refines them to capture structural relationships and semantic attributes, such as rename propagation and type changes. Our approach employs few-shot prompting to produce language-agnostic and customizable labels, without the engineering overhead of traditional static-analysis pipelines. We evaluate four LLMs across multiple context configurations on a manually curated benchmark of natural and synthetic patches. Our best configuration achieves up to $84\%$ recall and $81\%$ precision, with high accuracy in extracting relational and attribute metadata. These results suggest that LLM-based labeling can effectively complement static analysis by enabling flexible, multilingual, and automation-friendly code review workflows.
• Abstract（参考訳）: コードレビューはソフトウェアエンジニアリングにおける重要なプラクティスだが、現代のプロジェクトにおけるコードパッチの規模と頻度の増加に加えて、AIコードアシスタントの普及によって、手作業によるレビューがますます困難になっている。 名前の変更、移動、ロジックの変更など、パッチ内の変更のタイプを特定することは、優先順位付け、フィルタリング、自動化を有効にすることで、レビュー効率を大幅に改善することができる。 しかし、既存のLLMベースのコードレビューアプローチは要約とコメント生成に重点を置いており、構造化されたコードレビューは未調査のままである。 本稿では,大規模な言語モデル(LLM)を用いて,コードパッチにおけるコード変更の分類に基づくラベル付けを行うシステムについて述べる。 ラベルを差分ハンクに割り当てる2段階のパイプラインを導入し、それらを洗練して構造的関係と意味的属性(名前変更や型変更など)をキャプチャします。 当社のアプローチでは,従来の静的解析パイプラインのエンジニアリングオーバーヘッドを伴わずに,言語に依存しない,カスタマイズ可能なラベルを生成するために,数発のプロンプトを採用している。 自然パッチと合成パッチを手作業でキュレートしたベンチマークを用いて,複数のコンテキスト構成にまたがる4つのLSMを評価した。 最高の構成では、リレーショナルメタデータと属性メタデータの抽出に高い精度で、最大で84 %のリコールと811 %の精度を実現しています。 これらの結果から,LLMをベースとしたラベリングは,柔軟性,多言語性,自動化に優しいコードレビューワークフローを実現することで,静的解析を効果的に補完できることが示唆された。

関連論文リスト

• 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)
• 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)
• CompassVerifier: A Unified and Robust Verifier for LLMs Evaluation and Outcome Reward [50.97588334916863]
  評価と結果報酬のための正確で堅牢な軽量検証モデルであるCompassVerifierを開発した。 数学、知識、多種多様な推論タスクにまたがる多分野の能力を示し、様々な答えの型を処理する能力を示す。 我々は,複数のデータソースから収集したモデル出力からなるVerifierBenchベンチマークを導入し,メタエラーパターンを手動で解析してCompassVerifierを強化する。
  論文  参考訳（メタデータ） (2025-08-05T17:55:24Z)
• Exploring Direct Instruction and Summary-Mediated Prompting in LLM-Assisted Code Modification [10.964060011243234]
  本稿では,大規模言語モデル(LLM)を用いた既存コードの変更について検討する。 プロンプティング(prompting)は、開発者がLLMにインテントを伝えるための主要なインターフェースである。 本研究では,LLM支援符号修正のための2つの手順について検討した。
  論文  参考訳（メタデータ） (2025-08-02T23:52:49Z)
• Fine-Tuning Multilingual Language Models for Code Review: An Empirical Study on Industrial C# Projects [3.510536859655114]
  本研究では,オープンソース言語モデル(LM)の性能に対する単言語微調整の実証評価について述べる。 CodeReviewer、CodeLlama-7B、DeepSeek-R1-Distillの3つの異なるモデルを、公開ベンチマークと産業リポジトリを組み合わせたC#固有のデータセットで微調整しました。 その結果, 単言語微調整は, 多言語ベースラインと比較してモデルの精度と妥当性を向上することがわかった。
  論文  参考訳（メタデータ） (2025-07-25T13:49:24Z)
• MERA Code: A Unified Framework for Evaluating Code Generation Across Tasks [56.34018316319873]
  我々は,最新のLLMをロシア語で評価するためのベンチマークであるMERA Codeを提案する。 このベンチマークには、8つのプログラミング言語にまたがる11の評価タスクが含まれている。 我々はオープンなLLMとフロンティアAPIモデルを評価し、非英語言語における実用的なコーディングタスクの観点からそれらの制限を分析した。
  論文  参考訳（メタデータ） (2025-07-16T14:31:33Z)
• Augmenting Large Language Models with Static Code Analysis for Automated Code Quality Improvements [0.36832029288386137]
  本研究では,大規模言語モデル(LLM)をソフトウェア開発に組み込んだコード問題検出と修正自動化について検討した。 静的コード分析フレームワークは、大規模なソフトウェアプロジェクトの中でバグや脆弱性、コードの臭いなどの問題を検出する。 検索拡張世代(RAG)は、リビジョンの関連性と精度を高めるために実装される。
  論文  参考訳（メタデータ） (2025-06-12T03:39:25Z)
• EpiCoder: Encompassing Diversity and Complexity in Code Generation [66.43738008739555]
  既存のコード生成方法はシードデータとしてコードスニペットを使用する。 階層的なコード機能を中心に展開する,新しい機能ツリーベースの合成フレームワークを提案する。 我々のフレームワークは、生成されたコードの複雑さを正確に制御し、関数レベルの操作からマルチファイルのシナリオまで幅広い機能を実現する。
  論文  参考訳（メタデータ） (2025-01-08T18:58:15Z)
• TnT-LLM: Text Mining at Scale with Large Language Models [24.731544646232962]
  大規模言語モデル(LLM)は、最小限の努力でエンドツーエンドのラベル生成と割り当てのプロセスを自動化する。 我々は,TnT-LLMが最先端のベースラインと比較した場合,より正確で関連性の高いラベルを生成することを示す。 また、現実のアプリケーションにおける大規模テキストマイニングにLLMを使うことの課題と機会に関する実践的経験と洞察を共有します。
  論文  参考訳（メタデータ） (2024-03-18T18:45:28Z)
• Language Models Enable Simple Systems for Generating Structured Views of Heterogeneous Data Lakes [54.13559879916708]
  EVAPORATEは大規模言語モデル(LLM)を利用したプロトタイプシステムである。 コード合成は安価だが、各文書をLSMで直接処理するよりもはるかに正確ではない。 直接抽出よりも優れた品質を実現する拡張コード実装EVAPORATE-CODE+を提案する。
  論文  参考訳（メタデータ） (2023-04-19T06:00:26Z)

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。