論文の概要: Evaluating Package-Level Scoping Strategies for Repository-Level Code Completion in Pharo

• arxiv url: http://arxiv.org/abs/2609.20279v1
• Date: Wed, 29 Jul 2026 12:23:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-28 05:09:55.653019
• Title: Evaluating Package-Level Scoping Strategies for Repository-Level Code Completion in Pharo
• Title（参考訳）: ファロにおけるレポジトリレベルコード補完のためのパッケージレベルスコーピング戦略の評価
• Abstract要約: 本稿では,3つのパッケージ・アウェア – 横パッケージ,ダイレクトパッケージ,2レベルパッケージ・アウェア – を導入,評価する。 ベンチマークでは、Iceberg、Moose、Roassal、Seaside、Specといった主要なPharoプロジェクト全体で4,535のクラスと35,972のメソッドを含む219のパッケージからのメソッドコールサイトをカバーしている。 3文字プレフィックスでは、平均相互ランクはクラス名補完では0.20から0.44に増加し、メソッド名補完では0.10から0.41に増加した。
• 参考スコア（独自算出の注目度）: 13.974794953820956
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Source code is organized in repositories, packages, and projects, yet token-level completion engines rarely exploit this structure. Pharo provides a semantic completion engine based on ordered, lazy heuristics that retrieve and rank candidates. Its default strategy follows language semantics and scoping rules, but ignores package structure and dependencies. Consequently, classes from the same package or project, and classes used by them, receive no special priority. We introduce and evaluate three package-aware heuristics: Lateral Packages, Direct Package Dependencies, and Two-Level Package Dependencies. Our benchmark covers method call sites from 219 packages, including 4,535 classes and 35,972 methods across major Pharo projects such as Iceberg, Moose, Roassal, Seaside, and Spec. We assess class-name and method-name completion and ask whether explicit package dependencies can provide a lightweight structural signal for improving candidate ranking without introducing a new learning model. The Direct Package Dependencies heuristic produced the strongest results. For 3-character prefixes, Mean Reciprocal Rank increased from 0.20 to 0.44 for class-name completion and from 0.10 to 0.41 for method-name completion. These findings show that package-aware strategies provide more accurate and relevant suggestions than the default Semantics-Based strategy on the evaluated projects. Based on the improvement in class-name completion, the Pharo Industrial Consortium adopted the Direct Package Dependencies heuristic for Pharo 13.
• Abstract（参考訳）: ソースコードはリポジトリ、パッケージ、プロジェクトで整理されるが、トークンレベルの補完エンジンがこの構造を利用することは滅多にない。 Pharoは順序づけられた遅延ヒューリスティックに基づいたセマンティックコンプリートエンジンを提供し、候補を検索してランク付けする。 デフォルトの戦略は言語セマンティクスとスコーピングルールに従うが、パッケージ構造や依存関係は無視する。 結果として、同じパッケージやプロジェクトからのクラスとそれらが使用するクラスは、特別な優先順位を受け取らない。 本稿では,パッケージを意識した3つのヒューリスティック(横パッケージ,直接パッケージ依存,二層パッケージ依存)を紹介し,評価する。 ベンチマークでは、Iceberg、Moose、Roassal、Seaside、Specといった主要なPharoプロジェクト全体で4,535のクラスと35,972のメソッドを含む219のパッケージからのメソッドコールサイトをカバーしている。 クラス名とメソッド名の完成度を評価し,明示的なパッケージ依存関係が,新たな学習モデルを導入することなく,候補ランキングを改善するための軽量な構造信号を提供できるかどうかを問う。 直接パッケージ依存ヒューリスティックは最も強力な結果をもたらした。 3文字プレフィックスでは、平均相互ランクはクラス名補完では0.20から0.44に増加し、メソッド名補完では0.10から0.41に増加した。 これらの結果から,パッケージアウェア戦略は,評価プロジェクトにおけるデフォルトのセマンティックス戦略よりも,より正確で適切な提案を提供することが示された。 クラス名補完の改善に基づき、ファロ工業コンソーシアムはファロ13の直接パッケージ依存ヒューリスティックを採用した。

関連論文リスト

• Teaching LLMs a Low-Resource Language: Enhancing Code Completion in Pharo [51.12236828558682]
  大きな言語モデル(LLM)は、自動化されたコード記述の新たな可能性を開き、ほとんどのコード補完ツールのバックボーンとなった。 LLMは主流言語に優れていますが、トレーニングデータが不足しているいわゆる低リソース言語のサポートを欠いていることが多いのです。 具体的な例としては、Smalltalkにインスパイアされた言語であるPharoがある。
  論文  参考訳（メタデータ） (2026-07-06T11:11:18Z)
• Assessing Language Models for Salient Class Identification [15.706102968915744]
  言語モデル(LM)が,機能工学やグラフ構築,トレーニングを必要とせずに,コミットから直接健全なクラスを識別できるかどうかを検討する。 我々は,GPT-5.4とDeepSeek-V3.2の2つの大言語モデル,SLM,Qwen3.5-9B,ゼロショット,少数ショット,チェーンオブ思想の3つの戦略を評価する。
  論文  参考訳（メタデータ） (2026-06-19T17:33:56Z)
• Beyond Code Snippets: Benchmarking LLMs on Repository-Level Question Answering [4.120344028676837]
  大規模言語モデル(LLM)は、質問応答(QA)を含む、ソフトウェアエンジニアリングタスク全体で印象的な機能を示している。 StackRepoQAは、134のオープンソースJavaプロジェクト間で、1,318の実際の開発者質問と受け入れられた回答から構築された、最初のマルチプロジェクト、リポジトリレベルの質問応答データセットです。
  論文  参考訳（メタデータ） (2026-03-27T16:30:54Z)
• Package-Aware Approach for Repository-Level Code Completion in Pharo [13.974794953820956]
  グローバル変数を等しく扱う新しい補完エンジンを提案する。 提案手法では,要求するクラスのパッケージから,変数名を構造化された方法で検索する。 予備的な結果は、平均相互ランク(MRR)が改善し、パッケージの完了がより正確で関連する提案をもたらすことを確認していることを示している。
  論文  参考訳（メタデータ） (2026-01-09T08:19:55Z)
• LLMs as Packagers of HPC Software [2.195636219953539]
  Spackのようなツールは依存関係の解決と環境管理を自動化するが、その効果は手書きのビルドレシピに依存している。 SpackItは、リポジトリ分析、関連するサンプルの検索、診断フィードバックによる反復的改善を組み合わせたエンドツーエンドフレームワークである。 以上の結果から,SpackItはゼロショット環境でのインストール成功率を20%から,最高の設定で80%以上に向上させることがわかった。
  論文  参考訳（メタデータ） (2025-11-07T00:06:51Z)
• Rank-GRPO: Training LLM-based Conversational Recommender Systems with Reinforcement Learning [70.6126069527741]
  ConvRec-R1は会話レコメンデーションシステムのエンドツーエンドトレーニングのための2段階のフレームワークである。 ステージ1では,Remap-Reflect-Adjustパイプラインを用いた行動閉鎖データセットを構築した。 ステージ2では,グループ相対政策最適化の原則的拡張である Rank-GRPO を提案する。
  論文  参考訳（メタデータ） (2025-10-23T02:56:00Z)
• DONAPI: Malicious NPM Packages Detector using Behavior Sequence Knowledge Mapping [28.852274185512236]
  npmは最も広範なパッケージマネージャであり、200万人以上のサードパーティのオープンソースパッケージをホストしている。 本稿では,340万以上のパッケージを含むローカルパッケージキャッシュをほぼリアルタイムで同期させ,より詳細なパッケージコードにアクセスできるようにする。 静的解析と動的解析を組み合わせた自動悪質npmパッケージ検出器であるDONAPIを提案する。
  論文  参考訳（メタデータ） (2024-03-13T08:38:21Z)
• OOP: Object-Oriented Programming Evaluation Benchmark for Large Language Models [85.73744378691727]
  この研究では、431のPythonプログラムを特徴とするOOPにフォーカスした先駆的なベンチマークを紹介した。 本稿では、OOP用に調整された新しい評価基準であるpass@oを提案し、従来のpass@k対策を強化する。
  論文  参考訳（メタデータ） (2024-01-12T15:21:36Z)
• Pack Together: Entity and Relation Extraction with Levitated Marker [61.232174424421025]
  エンコーダにマーカを戦略的にパッケージ化することにより,スパン(ペア)間の依存関係を検討するために,Packed Levitated Markersという新しいスパン表現手法を提案する。 実験の結果,3つの平坦なNERタスクにおいて,有望なマーカーが充填されたモデルの方がシーケンスラベルモデルよりも0.4%-1.9%優れ,トークンコンキャットモデルを6つのNERベンチマークで上回っていることがわかった。
  論文  参考訳（メタデータ） (2021-09-13T15:38:13Z)

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。