論文の概要: TARS: A Theory-of-Mind Agent for Personalized In-IDE Code Comprehension
- arxiv url: http://arxiv.org/abs/2607.15948v1
- Date: Fri, 17 Jul 2026 13:32:20 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-20 17:56:52.856183
- Title: TARS: A Theory-of-Mind Agent for Personalized In-IDE Code Comprehension
- Title（参考訳）: TARS: パーソナライズされたIDEコード理解のためのMind-of-Mindエージェント
- Authors: Leopoldo Todisco, Antonio Della Porta, Stefano Lambiase, Fabio Palomba,
- Abstract要約: TARSは、分析対象のコードに直接固定された自律的な説明を通じて、プログラムの理解をサポートする。
TARSは、ライトウェイトなマインド理論のパラダイムに基づいて構築され、開発者の専門知識、役割、スタイルの好みをプロファイルし、それに応じてその説明の深さとトーンを適応させる。
- 参考スコア（独自算出の注目度）: 11.38157851947751
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Code comprehension is one of the most time-consuming tasks in software engineering, yet most LLM-based assistants produce explanations that ignore who is asking and force developers into a disruptive copy-paste workflow. We present TARS, an LLM-powered agent integrated into Visual Studio Code that supports program comprehension through autonomous explanations anchored directly to the code under analysis. Built around a lightweight Theory of Mind paradigm, TARS profiles a developer's expertise, role, and stylistic preferences, then adapts the depth and tone of its explanations accordingly, grounding them in project documentation via Retrieval-Augmented Generation. To evaluate TARS, we conducted a controlled experiment with 18 participants on non-trivial Java snippets. Participants using TARS completed tasks 26\% faster, reported lower cognitive load, and found the explanations meaningfully adapted to their profiles.
- Abstract（参考訳）: コード理解は、ソフトウェアエンジニアリングにおいて最も時間を要するタスクの1つですが、ほとんどのLCMベースのアシスタントは、誰が要求しているかを無視して、開発者が破壊的なコピーペーストワークフローに強制する説明を生成します。
解析対象のコードに直接固定された自律的説明を通じて,プログラムの理解を支援する。
TARSは、ライトウェイトなThory of Mindパラダイムに基づいて構築され、開発者の専門知識、役割、スタイル的な好みをプロファイルし、それに従って説明の深さとトーンを適応させ、Retrieval-Augmented Generationを通じてプロジェクトドキュメントに基盤付ける。
TARSを評価するために,非自明なJavaスニペットを用いた18人の被験者による制御実験を行った。
TARSの参加者はタスクを26倍早く完了し、認知負荷の低下を報告し、プロフィールに有意に適応した説明を見出した。
関連論文リスト
- Same Scrutiny, More Time: Eye Tracking Insights into Reviewing LLM-Labelled Code [3.7910079742785787]
We conduct a Wizard-of-Oz experiment to examine how software engineers behavior when code is clearly labeled as LLM- generated during a code review task。
コードレビューの徹底性は参加者にとって変わらなかったが、ラベル自体が注意に影響を及ぼすことを示すLCMに多くの時間を費やした。
実践者は、特定の基準に基づいてコードを評価したり、そのプロンプトを使ってレビューをガイドすることで、LLMをラベル付けしたコードに対するレビュー戦略にも適応した。
論文 参考訳（メタデータ） (2026-06-25T01:23:05Z) - Empirical Study on the Characteristics and Evolution of AI-usage in GitHub Repositories: Evidence from Code Comments [7.213400161126317]
私たちは、AIの使用と関連するコードブロックを明示的に参照する、35,361のGitHubコードコメントを分析します。
最初に500のユニークなコメントとコードブロックをオープンにし、AI支援開発活動の分類を導き出しました。
次に、2つのLCMベースの分類器と、Dawid-Skene予測最大化による集約予測を用いて、全データセットに注釈を付ける。
論文 参考訳（メタデータ） (2026-06-05T02:37:44Z) - Uncovering Code Insights: Leveraging GitHub Artifacts for Deeper Code Understanding [0.1358202049520503]
大規模言語モデル(LLM)は、コード説明の生成において有望であることを示している。
GitHubの自然言語アーティファクトを活用する新しいアプローチを提案する。
私たちのシステムは3つのコンポーネントで構成されています。ひとつはGitHubコンテキストの抽出と構造、もうひとつはコード目的の高レベルな説明を生成するためにこのコンテキストを使用する、もうひとつは説明を検証する第3のコンポーネントです。
論文 参考訳（メタデータ） (2025-11-05T15:31:42Z) - 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) - Is Compression Really Linear with Code Intelligence? [60.123628177110206]
textitFormat Annealingは、事前訓練されたモデルの本質的な能力を同等に評価するために設計された、軽量で透明なトレーニング手法である。
我々の経験的結果は、測定されたコードインテリジェンスとビット・パー・キャラクタ(BPC)の基本的な対数関係を明らかにする。
私たちの研究は、コードインテリジェンスの開発における圧縮の役割をより微妙に理解し、コードドメインにおける堅牢な評価フレームワークに貢献します。
論文 参考訳（メタデータ） (2025-05-16T16:59:14Z) - Explaining GitHub Actions Failures with Large Language Models: Challenges, Insights, and Limitations [37.17423965649917]
GitHub Actions(GA)は、開発者がソフトウェアの自動化、シームレスなビルド、テスト、デプロイに使用するデファクトツールになった。
本研究では,大規模言語モデル(LLM)がGA障害に対して正しい,明確で,簡潔で,行動可能な文脈記述(あるいは要約)を生成する可能性について検討する。
論文 参考訳（メタデータ） (2025-01-27T20:55:50Z) - CodecLM: Aligning Language Models with Tailored Synthetic Data [51.59223474427153]
命令追従能力のための高品質な合成データを適応的に生成するフレームワークであるCodecLMを紹介する。
まず、ターゲットの指示分布をキャプチャするために、オンザフライで生成された簡潔なキーワードであるメタデータにシード命令をエンコードする。
また、デコード中に自己論理とコントラストフィルタを導入し、データ効率の良いサンプルを調整する。
論文 参考訳（メタデータ） (2024-04-08T21:15:36Z) - DoraemonGPT: Toward Understanding Dynamic Scenes with Large Language Models (Exemplified as A Video Agent) [73.10899129264375]
本稿では,LLMによる動的シーン理解のための包括的かつ概念的にエレガントなシステムであるドラモンGPTについて検討する。
質問/タスクのあるビデオが与えられた場合、DoraemonGPTは入力されたビデオをタスク関連の属性を格納するシンボリックメモリに変換することから始める。
我々は,DoraemonGPTの有効性を,3つのベンチマークといくつかのアプリ内シナリオで広範囲に評価した。
論文 参考訳（メタデータ） (2024-01-16T14:33:09Z)
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。