論文の概要: SmellCC: A Tool for Automated Code Smells Remediation

• arxiv url: http://arxiv.org/abs/2608.09477v1
• Date: Mon, 10 Aug 2026 11:45:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-11 19:16:37.240376
• Title: SmellCC: A Tool for Automated Code Smells Remediation
• Title（参考訳）: SmellCC: コードスメルの修復を自動化するツール
• Authors: Xiaoting Zhang, Yujie Zhang, Zhipeng Gao, Xing Hu, Xin Xia,
• Abstract要約: コードは技術的負債を蓄積することでソフトウェアの保守性を著しく脅かす。 SmellCCはVisual Studio Code拡張機能で、SonarQubeをLLMベースのパイプラインで拡張し、Pythonコードの臭いを自動的に検出し、修正します。 SmellCCは、開発中の技術的負債の蓄積を効果的に防止し、トップ10の最も頻繁な臭いに対して、その場でワンクリックで修復する。
• 参考スコア（独自算出の注目度）: 31.421826190169284
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Code smells significantly threaten software maintainability by accumulating technical debt, yet developers often lack the resources to manually address these flaws under tight release schedules. While static analysis tools like SonarQube provide precise detection, they function largely as passive alert systems, leaving the burden of refactoring on developers. To bridge this gap, we present a novel cleaning tool, namely SmellCC, a Visual Studio Code extension that augments SonarQube with an LLM-based pipeline to automatically detect and refactor Python code smells. By employing Chain-of-Thought (CoT) and few-shot learning, SmellCC provides in-place, one-click remediation for the top-10 most frequent smells, effectively preventing the accumulation of technical debt during development. Our quantitative evaluation demonstrates that our SmellCC is promising in helping developers effectively eliminate code smells (96.8\% cleaning rate) with high accuracy (i.e., 91.3\%), ensuring that the refactored code remains syntactically correct and behavior-preserving, thereby significantly improving long-term software maintainability.
• Abstract（参考訳）: コードは技術的負債を蓄積することでソフトウェアの保守性を著しく脅かすが、開発者は厳しいリリーススケジュールの下でこれらの欠陥に手動で対処するリソースを欠いていることが多い。 SonarQubeのような静的解析ツールは正確な検出を提供するが、主にパッシブアラートシステムとして機能し、開発者のリファクタリングの負担を軽減している。 このギャップを埋めるために、新しいクリーニングツールであるSmellCCを紹介します。SmellCCはVisual Studio Code拡張機能で、SonarQubeをLLMベースのパイプラインで拡張し、Pythonコードの臭いを自動的に検出し、リファクタリングします。 CoT(Chain-of-Thought)と数発の学習を採用することで、SmellCCは、開発中の技術的負債の蓄積を効果的に防止し、トップ10の最も頻繁な臭いに対して、その場でワンクリックで修復する。 我々の定量的評価は、SmellCCが開発者のコードの臭い(96.8 %)を高い精度(91.3 %)で効果的に除去し、リファクタリングされたコードが構文的に正確かつ行動保存され続けることを保証し、長期間のソフトウェア保守性を大幅に向上させるのに役立つことを実証している。

関連論文リスト

• SmellBench: Towards Fine-Grained Evaluation of Code Agents on Refactoring Tasks [34.43588103259487]
  SmellBenchは実世界のリポジトリからコードの臭いを積極的に注入する。 一般的な臭いの種類が7つ、難易度が3つ、実世界のレポジトリが2つある294のケースが含まれている。 実験の結果、最高の組み合わせであるQwenwen Code + Sonnet 4.5は50.34の匂いの除去しか得られなかった。
  論文  参考訳（メタデータ） (2026-06-04T01:49:07Z)
• SmellBench: Evaluating LLM Agents on Architectural Code Smell Repair [1.6922906233636834]
  アーキテクチャコードはソフトウェアの保守性を損なうため、手作業で修理するのにコストがかかる。 本稿では,大規模言語モデルエージェントによる建築コードの臭いの修復に関する経験的評価について述べる。 SmellBenchは、嗅覚タイプ固有の最適化プロンプトを組み込んだタスクオーケストレーションフレームワークです。
  論文  参考訳（メタデータ） (2026-05-07T22:33:32Z)
• Understanding by Reconstruction: Reversing the Software Development Process for LLM Pretraining [66.89012795621349]
  大規模言語モデル(LLM)は、複雑なソフトウェア工学に必要な、深く、長期にわたる推論に苦しむことが多い。 本稿では,再構築による理解という,新しいパラダイムを提案する。 マルチエージェントシミュレーションを用いて潜在エージェント軌道を合成するフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-03-11T09:23:20Z)
• Secure Code Generation via Online Reinforcement Learning with Vulnerability Reward Model [60.60587869092729]
  大規模言語モデル(LLM)は、ソフトウェア開発でますます使われているが、安全でないコードを生成する傾向は、現実世界のデプロイメントにとって大きな障壁である。 機能保存型セキュアコード生成のためのオンライン強化学習フレームワークSecCoderXを提案する。
  論文  参考訳（メタデータ） (2026-02-07T07:42:07Z)
• Beyond Strict Rules: Assessing the Effectiveness of Large Language Models for Code Smell Detection [0.5249836059995157]
  コードの臭いは、ソフトウェアの保守性に影響を与える可能性のあるコード品質の問題の兆候である。 本稿では,30のJavaプロジェクトにおいて,9つのコードの臭いを検出するための4つの大規模言語モデル(LLM)の有効性を評価する。
  論文  参考訳（メタデータ） (2026-01-14T21:08:35Z)
• A Causal Perspective on Measuring, Explaining and Mitigating Smells in LLM-Generated Code [49.09545217453401]
  Propensity Smelly Score (PSC) は、特定の臭いの種類を生成する確率を推定する計量である。 我々は、生成戦略、モデルサイズ、モデルアーキテクチャ、および生成したコードの構造特性をいかに形成するかを識別する。 PSCは、開発者がモデルの振る舞いを解釈し、コード品質を評価するのに役立つ。
  論文  参考訳（メタデータ） (2025-11-19T19:18:28Z)
• Empirical Analysis on Effectiveness of NLP Methods for Predicting Code Smell [3.2973778921083357]
  コードの臭いは、システムに固有の問題の表面的な指標である。 629パッケージ上に3つのExtreme機械学習マシンカーネルを使用して、8つのコードの臭いを識別します。 以上の結果から,放射基底関数型カーネルは,平均98.52の精度で3つのカーネル法のうち最高の性能を発揮することが示唆された。
  論文  参考訳（メタデータ） (2021-08-08T12:10:20Z)

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。