論文の概要: Rethinking Training Data for Generating Code Review Comments

• arxiv url: http://arxiv.org/abs/2607.25851v1
• Date: Tue, 28 Jul 2026 15:24:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-29 20:50:42.897323
• Title: Rethinking Training Data for Generating Code Review Comments
• Title（参考訳）: コードレビューコメントの生成のためのトレーニングデータの再考
• Abstract要約: 問題のあるトレーニングインスタンスは均質ではなく、いくつかの制限はタスクの定式化自体のより深い問題に起因している、と我々は主張する。 我々は、意味的あいまいさ、行動可能性の欠如、文脈依存を捉える誤調整の分類を導出する。
• 参考スコア（独自算出の注目度）: 1.7212147528714599
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Generating code review comments has become a prominent research direction in automated code review, commonly formulated as a text generation task over diff-comment pairs. Despite advances in learning-based approaches, generated review comments are often generic, weakly grounded, or non-actionable. Recent studies have also shown that review comment datasets contain noisy or unsuitable training instances, motivating LLM-based dataset cleaning approaches. In this paper, we argue that problematic training instances are not homogeneous and that some limitations stem from deeper issues in the task formulation itself. Through an empirical inspection of a widely used review comment dataset, we identify misaligned training pairs: instances where the relationship between the code change and the review comment does not provide a reliable learning signal for generating actionable review feedback from localized inputs. We derive a taxonomy of misalignment capturing three recurring sources: semantic ambiguity, lack of actionability, and context dependence. We further explore whether incorporating this taxonomy into LLM-based filtering improves the identification of problematic training instances, observing that detecting misaligned training pairs remains challenging. Based on these observations, we argue that improving review comment generation requires more than dataset cleaning alone, motivating explicit validity criteria, richer contextual inputs, and evaluation practices aligned with review intent and actionability.
• Abstract（参考訳）: コードレビューコメントの生成は、自動コードレビューにおいて顕著な研究方向となり、一般的には差分圧縮ペアよりもテキスト生成タスクとして定式化されている。 学習ベースのアプローチの進歩にもかかわらず、生成されたレビューコメントは多くの場合、ジェネリックで、基盤が弱い、あるいは動作不能である。 最近の研究では、レビューコメントデータセットにはノイズや不適切なトレーニングインスタンスが含まれており、LLMベースのデータセットクリーニングアプローチを動機付けていることも示されている。 本稿では、問題のあるトレーニングインスタンスは均質ではなく、タスクの定式化自体のより深い問題に起因する制限がある、と論じる。 コード変更とレビューコメントの関係が局所的な入力から実行可能なレビューフィードバックを生成するための信頼性のある学習信号を提供していない場合。 我々は, 意味的曖昧さ, 行動可能性の欠如, 文脈依存の3つの要因を捉える誤認識の分類法を導出する。 さらに、この分類をLLMに基づくフィルタリングに組み込むことで、問題のあるトレーニングインスタンスの識別が向上するかどうかについても検討し、不一致のトレーニングペアの検出は依然として困難であることを示した。 これらの観察に基づき、レビューコメント生成の改善には、データセットのクリーニングだけでなく、明確な妥当性基準のモチベーション、よりリッチなコンテキスト入力、レビュー意図と行動可能性に沿った評価プラクティスが必要であると論じる。

関連論文リスト

• ActReview: Rebuttal-Guided Training Data and Rubric Rewards for Actionable Peer Review Generation [54.82704239643649]
  本稿では, 紙固有の診断と具体的, 基礎的なリビジョン計画とを結びつける, 反感に満ちたポストトレーニングフレームワークである ActReview を紹介する。 我々の中心的な洞察は、著者の反論は、レビュアーの懸念に対処するための妥当な行動を明らかにし、それゆえ、リビジョン指向のフィードバックに対する潜在的な監督を提供することができるということである。 またActReview-Benchは、診断品質とリビジョンの有用性を評価するために、1,000インスタンスの人為的なベンチマークである。
  論文  参考訳（メタデータ） (2026-09-08T17:30:16Z)
• On the Impact of Code Comments for Automated Bug-Fixing: An Empirical Study [3.8571904945643336]
  価値ある設計と実装の洞察を提供することによって、ある種のバグを修正する上で、コメントは重要な役割を果たすかもしれません。 本研究では,大規模言語モデルのバグフィックス能力に,トレーニング時と推論時の両方でコメントの有無がどのような影響を及ぼすかを検討する。 以上の結果から,いずれのフェーズにおいても,ABFの精度は最大3倍向上するが,コメントによるトレーニングでは,インスタンスが欠如している場合には性能が低下しないことがわかった。
  論文  参考訳（メタデータ） (2026-01-30T15:07:27Z)
• 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)
• Rethinking Code Review Workflows with LLM Assistance: An Empirical Study [2.9593087583214173]
  本稿では,LLM支援コードレビューツールの2つのバリエーションを含むフィールド実験と,現在のコードレビュープラクティスの探索的フィールドスタディを組み合わせる。 この研究は、頻繁なコンテキスト切り替えやコンテキスト情報の不足など、従来のコードレビューにおける重要な課題を特定している。 フィールド実験では,LLM生成レビューを事前に提供し,オンデマンドインタラクションを実現する2つのプロトタイプを開発した。
  論文  参考訳（メタデータ） (2025-05-22T07:54:07Z)
• LazyReview A Dataset for Uncovering Lazy Thinking in NLP Peer Reviews [74.87393214734114]
  この研究は、微粒な遅延思考カテゴリで注釈付けされたピアレビュー文のデータセットであるLazyReviewを紹介している。 大規模言語モデル(LLM)は、ゼロショット設定でこれらのインスタンスを検出するのに苦労する。 命令ベースのデータセットの微調整により、パフォーマンスが10～20ポイント向上する。
  論文  参考訳（メタデータ） (2025-04-15T10:07:33Z)
• Identifying Aspects in Peer Reviews [59.02879434536289]
  我々は、ピアレビューのコーパスからアスペクトを抽出するデータ駆動スキーマを開発した。 我々は、アスペクトを付加したピアレビューのデータセットを導入し、コミュニティレベルのレビュー分析にどのように使用できるかを示す。
  論文  参考訳（メタデータ） (2025-04-09T14:14:42Z)
• Harnessing Large Language Models for Curated Code Reviews [2.5944208050492183]
  コードレビューでは、構造化され、関連するコメントを生成することは、コードの問題を識別し、正確なコード変更を容易にするために不可欠である。 既存のコードレビューデータセットは、しばしば騒々しく、未解決であり、AIモデルの学習可能性に制限を課している。 本稿では,最大規模の公開コードレビューデータセットの品質向上を目的としたキュレーションパイプラインを提案する。
  論文  参考訳（メタデータ） (2025-02-05T18:15:09Z)
• Too Noisy To Learn: Enhancing Data Quality for Code Review Comment Generation [2.990411348977783]
  オープンソースのデータセットは、自動コードレビュータスクのためのニューラルネットワークのトレーニングに使用される。 これらのデータセットには、クリーニングメソッドにもかかわらず持続する大量のノイズの多いコメントが含まれている。 大規模言語モデル(LLM)を用いて,これらのデータセットをさらにクリーン化する手法を提案する。
  論文  参考訳（メタデータ） (2025-02-04T22:48:58Z)
• Deep Assessment of Code Review Generation Approaches: Beyond Lexical Similarity [27.92468098611616]
  コードレビューを評価するための2つの新しいセマンティックベースのアプローチを提案する。 最初のアプローチでは、生成されたレビューと参照の両方をディープラーニングモデルを使用してデジタルベクトルに変換する。 2つ目のアプローチは、生成されたレビューとその参照に基づいてプロンプトを生成し、このプロンプトをChatGPTに送信し、生成されたレビューを評価するためにChatGPTを要求する。
  論文  参考訳（メタデータ） (2025-01-09T11:52:32Z)
• 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)
• Unsupervised Opinion Summarization with Noising and Denoising [85.49169453434554]
  ユーザレビューのコーパスから合成データセットを作成し、レビューをサンプリングし、要約のふりをして、ノイズのあるバージョンを生成します。 テスト時に、モデルは本物のレビューを受け入れ、健全な意見を含む要約を生成し、合意に達しないものをノイズとして扱います。
  論文  参考訳（メタデータ） (2020-04-21T16:54:57Z)

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。