論文の概要: Detecting Behavioral Changes in Python Refactoring Implementations with Foundation Models

• arxiv url: http://arxiv.org/abs/2608.09919v1
• Date: Mon, 10 Aug 2026 17:57:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-11 19:16:37.423586
• Title: Detecting Behavioral Changes in Python Refactoring Implementations with Foundation Models
• Title（参考訳）: 基礎モデルによるPythonリファクタリング実装の振る舞い変化の検出
• Abstract要約: gitスタイルの差分を分析し,Pythonが導入した行動変化を同定する基盤モデルに基づくアプローチを提案する。 モデルベース分析の結果,調査対象7種類のバグが判明した。 これらの結果は、自動コード変換の正確性を保証するために、現在のPythonツールの堅牢性を改善する必要性を強調している。
• 参考スコア（独自算出の注目度）: 40.3747997962952
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Python is a widely adopted programming language, valued for its simplicity and flexibility. However, automated refactoring for Python remains challenging, even though refactoring is an essential practice in software evolution aimed at improving internal code structure without changing external behavior. Understanding how behavioral changes are introduced during refactoring is crucial, as such issues can compromise software reliability and reduce developer productivity. We propose an approach based on a foundation model oracle that analyzes git-style diffs to identify behavioral changes introduced by Python refactorings. We evaluated our technique on Rope refactoring implementations, reusing 1,152 refactoring attempts from a prior study and analyzing 217 resulting transformation pairs with the oracle. Our model-based analysis uncovered 13 distinct bugs among the seven refactoring types studied. All reported bugs were submitted to the respective developers, and 12 of the 13 resulting issue reports were accepted according to issue-tracker evidence. These results highlight the need to improve the robustness of current Python refactoring tools to ensure the correctness of automated code transformations and support reliable software maintenance.
• Abstract（参考訳）: Pythonは広く採用されているプログラミング言語で、その単純さと柔軟性が評価されている。 しかし、Pythonの自動リファクタリングは、外部の振る舞いを変えることなく内部コード構造を改善することを目的としたソフトウェア進化において、リファクタリングは必須のプラクティスであるにもかかわらず、依然として困難である。 このような問題によってソフトウェアの信頼性が損なわれ、開発者の生産性が低下する可能性がある。 gitスタイルの差分を解析してPythonリファクタリングで導入された振る舞い変化を識別する基礎モデルオラクルに基づくアプローチを提案する。 提案手法をロープリファクタリング実装に適用し, 先行研究から1,152件のリファクタリング試行を再利用し, 217件のトランスフォーメーションペアをオラクルと組み合わせて解析した。 モデルに基づく分析では、調査対象7種類のリファクタリングの中で、13の異なるバグが発見された。 報告されたバグはすべて各開発者に提出され、結果として得られた13のイシューレポートのうち12がイシュートラッカーのエビデンスに従って受け入れられた。 これらの結果は、自動コード変換の正確性を確保し、信頼性の高いソフトウェアメンテナンスをサポートするために、現在のPythonリファクタリングツールの堅牢性を改善する必要性を強調している。

関連論文リスト

• From Human to Machine Refactoring: Assessing GPT-4's Impact on Python Class Quality and Readability [46.83143241367452]
  リファクタリングは、プログラムの振る舞いを変えることなく、コード品質を改善することを目的としている。 LLM(Large Language Models)の最近の進歩は、コードの自動保存に新たな機会をもたらしている。 GPT-4o を用いて,クラスEval ベンチマークから 100 個の Python クラスに適用した LLM 型クラスに関する実証的研究を行った。 以上の結果から, GPT-4oは, 可読性の低下を犠牲にしながら, コードの臭いを低減し, 品質指標を改善する行動保存剤を一般的に生産していることが示唆された。
  論文  参考訳（メタデータ） (2026-01-19T15:22:37Z)
• Code Refactoring with LLM: A Comprehensive Evaluation With Few-Shot Settings [0.0]
  本研究の目的は,言語(C,C++,C#,Python,Java)間で,正確かつ効率的なコード実行が可能なフレームワークを開発することである。 Javaは10ショット設定で99.99%までの全体的な正しさを達成し、オリジナルのソースコードと比較して94.78%の平均的なコンパイル可能性を記録した。
  論文  参考訳（メタデータ） (2025-11-26T14:47:52Z)
• Agentic Refactoring: An Empirical Study of AI Coding Agents [9.698067623031909]
  OpenAI Codex、Claude Code、Cursorといったエージェントコーディングツールは、ソフトウェアエンジニアリングの展望を変えつつある。 これらのAI駆動システムは、複雑な開発タスクの計画と実行が可能な自律的なチームメイトとして機能する。 エージェントが実際にどのように利用されるのか、どのように人間駆動型なのか、そしてそれがコード品質に与える影響について、実証的な理解が欠如している。
  論文  参考訳（メタデータ） (2025-11-06T21:24:38Z)
• Refactoring $\neq$ Bug-Inducing: Improving Defect Prediction with Code Change Tactics Analysis [54.361900378970134]
  Just-in-time defect prediction (JIT-DP) は、早期にソフトウェア欠陥を引き起こすコード変更の可能性を予測することを目的としている。 これまでの研究は、その頻度にもかかわらず、評価フェーズと方法論フェーズの両方でコードを無視してきた。 JIT-Defects4Jデータセットのラベリング精度を13.7%向上させるコードと伝播を分類するためのCode chAnge Tactics (CAT)解析を提案する。
  論文  参考訳（メタデータ） (2025-07-25T23:29:25Z)
• RefModel: Detecting Refactorings using Foundation Models [2.2670483018110366]
  本稿では,RefModel というツールで実装された基礎モデルによる検出の実現可能性について検討する。 Phi4-14B と Claude 3.5 Sonnet を,人工的に生成した Java プログラムに適用した 858 個の単一動作変換のデータセット上で評価した。 実世界の環境では、Claude 3.5 SonnetとGemini 2.5 Proが共同で、すべてのトランスフォーメーションの97%を特定し、最高のパフォーマンスの静的分析ベースのツールを上回った。
  論文  参考訳（メタデータ） (2025-07-15T14:20:56Z)
• Bugs in the Shadows: Static Detection of Faulty Python Refactorings [44.115219601924856]
  Pythonの動的型システムは、自動コード変換に重大な課題をもたらす。 分析の結果,合計1,152回の試行の結果,4種類の29のバグが判明した。 これらの結果は、自動コード変換の正確性を保証するために、現在のPythonツールの堅牢性を改善する必要性を強調している。
  論文  参考訳（メタデータ） (2025-07-01T18:03:56Z)
• ActRef: Enhancing the Understanding of Python Code Refactoring with Action-Based Analysis [10.724563250102696]
  本稿では,ActRefというアクションベースのリファクタリング分析フレームワークを提案する。 ActRefはdiffアクションに基づいて複数のタイプ(移動、名前変更、抽出、インライン操作など)をマイニングする。 ActRefは、コード変更アクションにフォーカスすることで、複雑なパターンを検出するPython対応のソリューションを提供する。
  論文  参考訳（メタデータ） (2025-05-10T07:48:50Z)
• Automated Refactoring of Non-Idiomatic Python Code: A Differentiated Replication with LLMs [54.309127753635366]
  本研究は, GPT-4の有効性について検討し, 慣用行動の推奨と示唆について検討した。 この結果から,従来は複雑なコード解析に基づくレコメンデータの実装が求められていた,LCMの課題達成の可能性が浮き彫りになった。
  論文  参考訳（メタデータ） (2025-01-28T15:41:54Z)
• Do code refactorings influence the merge effort? [80.1936417993664]
  複数のコントリビュータがソースコードを並行して変更して,新機能の実装やバグの修正,既存のコードの変更などを行っている。 これらの同時変更は、ソースコードの同じバージョンにマージする必要がある。 研究によると、すべてのマージの試みの10～20%が衝突を起こしており、これはプロセスを完了するために手動開発者の介入を必要とする。
  論文  参考訳（メタデータ） (2023-05-10T13:24:59Z)

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。