論文の概要: Code Review is a Conversation: Toward Conversational AI Review Assistants
- arxiv url: http://arxiv.org/abs/2607.22095v1
- Date: Fri, 24 Jul 2026 08:44:05 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-27 20:58:57.086634
- Title: Code Review is a Conversation: Toward Conversational AI Review Assistants
- Title（参考訳）: コードレビューは会話:会話AIレビューアシスタントを目指して
- Abstract要約: 我々は、静的コメントジェネレータではなく、対話的なパートナーとしてコードレビューに参加する会話型AIレビューアシスタントについて議論する。
このようなアシスタントは、会話がいつ必要かを特定し、根拠のある質問をし、開発者説明に答え、未解決の問題を要約し、合理性を捉え、いつ人間レビュアーを棄却するか、エスカレートすべきかを知る必要がある。
- 参考スコア（独自算出の注目度）: 7.335667281862373
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: AI-based code review tools increasingly promise to help developers inspect pull requests, identify defects, and improve code quality. Yet most current approaches frame code review as a one-shot commenting task: given a diff, the system produces warnings or suggestions. This framing overlooks a central property of modern code review: review is a conversation. Human reviewers do not merely comment on code; they ask questions, explain expectations, negotiate design trade-offs, request evidence, transfer project knowledge, document rationale, and collectively decide whether a change is good enough to integrate. In this vision paper, we argue for conversational AI review assistants: systems that participate in code review as interactive partners rather than static comment generators. Such assistants should identify when conversation is needed, ask grounded questions, respond to developer explanations, summarize unresolved issues, help capture rationale, and know when to abstain or escalate to human reviewers. Such a paradigm shift requires novel evaluation methodologies as well. We outline a research agenda for studying review conversations, designing conversational AI review capabilities, and evaluating their impact on software evolution and maintenance. Our vision reframes AI code review from automated commenting to human-AI sensemaking before integration.
- Abstract（参考訳）: AIベースのコードレビューツールは、開発者がプルリクエストを検査し、欠陥を特定し、コード品質を改善することを、ますます約束している。
しかし、現在のほとんどのアプローチは、1ショットのコメントタスクとしてコードレビューをフレーム化している。
このフレーミングは、現代のコードレビューの中心的な性質を見落としている。
質問し、期待を説明し、設計上のトレードオフを交渉し、エビデンスを要求し、プロジェクト知識を伝達し、ドキュメントの合理化を行い、変更が統合するのに十分なかどうかをまとめて決定する。
本稿では,静的なコメントジェネレータではなく,対話的なパートナーとしてコードレビューに参加する,対話型AIレビューアシスタントについて論じる。
このようなアシスタントは、会話がいつ必要かを特定し、根拠のある質問をし、開発者説明に答え、未解決の問題を要約し、合理性を捉え、いつ人間レビュアーを棄却するか、エスカレートすべきかを知る必要がある。
このようなパラダイムシフトには、新しい評価手法も必要である。
我々は、レビュー会話を研究し、会話AIレビュー機能を設計し、ソフトウェアの発展とメンテナンスに与える影響を評価するための研究課題を概説する。
私たちのビジョンは、AIコードレビューを、自動コメントから統合前に人間とAIのセンスメイキングに再構成します。
関連論文リスト
- (Im)Paired Programming: Coding Agents Improve Productivity but Harm Understanding [59.19634073105828]
54人の学生が2つのAIシステムのうちの1つでウェブサイトを作成しています。
我々は,エージェントを使わずにコードを拡張するタスクを,理解的質問や理解を通じてテストする。
自己報告の弱い理解にもかかわらず、ユーザはコーディングエージェントを好む。
論文 参考訳（メタデータ） (2026-07-29T01:23:04Z) - Rethinking Code Review in the Age of AI: A Vision for Agentic Code Review [2.2807488730605296]
本稿では,AIを利用したコードレビューワークフローの構想について述べる。
信頼性、バイアス、プライバシー、自動化バイアス、透明性、評価など、責任ある採用に対する大きなオープンな課題を特定します。
論文 参考訳（メタデータ） (2026-05-17T17:04:21Z) - Stop Automating Peer Review Without Rigorous Evaluation [51.53099943385505]
このポジションペーパーは、今日のAIシステムは、論文レビューの作成に使用すべきではない、と論じている。
1)AIレビュアーは、視点の多様性を低下させる論文内および新聞内における過剰な合意の隠れた効果を示す。
ピアレビューの危機に対処するには、ピアレビューの自動化の科学が必要です。
論文 参考訳（メタデータ） (2026-05-04T22:41:04Z) - When AI reviews science: Can we trust the referee? [73.47745294608072]
私たちは、トレーニングとデータ検索、デスクレビュー、深いレビュー、反論、システムレベルといった、レビューライフサイクル全体のアタックをマップします。
評価スコアに高名度フレーミング, 断定力, 反抗薬効, 文脈中毒の因果効果を分離するために, 2つの高度なLCMベースの審判を用いた。
論文 参考訳（メタデータ） (2026-04-26T08:03:32Z) - Human-AI Synergy in Agentic Code Review [3.7086626614863984]
我々は、人間レビュアーとAIエージェントによるフィードバックの違いを比較した。
人間のレビュアーは、人間が書いたコードよりもAI生成コードをレビューする場合、11.8%のラウンドを交換する。
AIエージェントからの未確認の提案の半数以上が間違っているか、開発者による代替修正によって対処されている。
論文 参考訳（メタデータ） (2026-03-16T20:56:18Z) - CoCoNUTS: Concentrating on Content while Neglecting Uninformative Textual Styles for AI-Generated Peer Review Detection [60.52240468810558]
我々は、AI生成ピアレビューの詳細なデータセットの上に構築されたコンテンツ指向ベンチマークであるCoCoNUTSを紹介する。
また、マルチタスク学習フレームワークを介してAIレビュー検出を行うCoCoDetを開発し、レビューコンテンツにおけるAIのより正確で堅牢な検出を実現する。
論文 参考訳（メタデータ） (2025-08-28T06:03:11Z) - Code Review as Decision-Making -- Building a Cognitive Model from the Questions Asked During Code Review [2.8299846354183953]
コードレビューの認知モデルを構築し、翻訳された資料の主題的、統計的、時間的、シーケンシャルな分析を通じてボトムアップする。
まず、コンテキストと合理性を確立するための配向フェーズ、次に、レビューの残りの部分を理解し、評価し、計画するための分析フェーズです。
論文 参考訳（メタデータ） (2025-07-13T14:04:16Z) - The AI Imperative: Scaling High-Quality Peer Review in Machine Learning [49.87236114682497]
AIによるピアレビューは、緊急の研究とインフラの優先事項になるべきだ、と私たちは主張する。
我々は、事実検証の強化、レビュアーのパフォーマンスの指導、品質改善における著者の支援、意思決定におけるAC支援におけるAIの具体的な役割を提案する。
論文 参考訳（メタデータ） (2025-06-09T18:37:14Z) - Deep Learning-based Code Reviews: A Paradigm Shift or a Double-Edged Sword? [14.970843824847956]
私たちは、自動生成されたコードレビューのサポートなしで、異なるプログラムをレビューする29人の専門家による制御された実験を実行しました。
本研究は,LLMが自動認識する問題の大部分をレビュアが有効とみなし,自動化されたレビューを出発点として利用できることが,彼らの行動に強く影響していることを示す。
しかし、自動化されたレビューから始まったレビュアーは、完全な手作業のプロセスと比較して、より高重度な問題を特定できない一方で、より多くの低重度な問題を特定した。
論文 参考訳（メタデータ） (2024-11-18T09:24:01Z) - Suggestion Bot: Analyzing the Impact of Automated Suggested Changes on
Code Reviews [2.773900417167691]
私たちはSUGGESTION BOTというボットを作成し、GitHubの推奨変更機能を使ってコードベースを自動的にレビューしました。
我々は、レビュー時間への影響についてSUGGESTION BOTを評価し、ボットが提供するコメントがユーザにとって明確で有用かどうかを分析する。
論文 参考訳（メタデータ） (2023-05-10T17:33:43Z) - Can We Automate Scientific Reviewing? [89.50052670307434]
我々は、最先端自然言語処理(NLP)モデルを用いて、科学論文の第一パスピアレビューを生成する可能性について論じる。
我々は、機械学習領域で論文のデータセットを収集し、各レビューでカバーされているさまざまなコンテンツに注釈を付け、レビューを生成するために論文を取り込み、ターゲットの要約モデルを訓練する。
総合的な実験結果から、システム生成レビューは、人間によるレビューよりも、論文の多くの側面に触れる傾向にあることが示された。
論文 参考訳（メタデータ） (2021-01-30T07:16:53Z) - Deep Just-In-Time Inconsistency Detection Between Comments and Source
Code [51.00904399653609]
本稿では,コード本体の変更によりコメントが矛盾するかどうかを検出することを目的とする。
私たちは、コメントとコードの変更を関連付けるディープラーニングアプローチを開発しています。
より包括的な自動コメント更新システムを構築するために,コメント更新モデルと組み合わせて提案手法の有用性を示す。
論文 参考訳（メタデータ） (2020-10-04T16:49:28Z)
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。