論文の概要: On Behavioral Alignment of Model-Code and Human-Code Understandability via Behavioral Proxies

• arxiv url: http://arxiv.org/abs/2609.26101v1
• Date: Fri, 28 Aug 2026 06:03:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-28 05:09:55.877655
• Title: On Behavioral Alignment of Model-Code and Human-Code Understandability via Behavioral Proxies
• Title（参考訳）: 行動プロキシによるモデルコードと人間のコード理解可能性の行動アライメントについて
• Abstract要約: コード理解可能性の概念を拡張して、人間とモデルのコードの理解性を区別します。 この結果から,モデルコードの理解性はプロの開発者と密に一致しているが,他の学生グループとはあまり一致しないことがわかった。
• 参考スコア（独自算出の注目度）: 13.73398883586333
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Code understandability is a critical aspect of software quality. Prior research has largely focused on this attribute from a human-centric or code-centric perspective, while it should be viewed as a relational property arising from the interaction between a reader and the code. With the increasing adoption of large language models in software engineering, we posit that the notion of "reader" should be generalized to encompass both humans and models. Building on this relational perspective, we extend the concept of code understandability to distinguish between human and model code understandability, aiming to investigate the behavioral alignment between the two. To this end, we use a dataset from a prior study containing human-rated judgments of understandability across diverse participant groups, and evaluate multiple open and closed-source LLMs. To operationalize such behavioral alignment, we introduce four behavioral proxies of model-code understandability (BPMU): P0, based on program comprehension-focused question answering; and P1--P3, based on program intent summarization (derived from our proposed semantic self-consistency). Our findings show that LLMs exhibit stronger behavioral alignment with general human code understandability than previously used shallow machine learning baselines. Stratified analyses further reveal that model code understandability aligns most closely with professional developers, but significantly less with other student groups. Role-conditioned prompting does not improve the alignment for the latter, suggesting that current LLMs cannot accurately mimic the perspectives of human readers with varying expertise. Finally, we demonstrate that semantic self-consistency is a reliable and extensible measure to be used as a behavioral proxy for quantifying model code understandability, with broad implications in both software engineering research and practice.
• Abstract（参考訳）: コード理解性はソフトウェア品質の重要な側面です。 これまでの研究は、この属性を人間中心あるいはコード中心の観点から主に重視してきたが、読者とコード間の相互作用から生じるリレーショナルな特性と見なすべきである。 ソフトウェア工学における大規模言語モデルの採用の増加に伴い、人間とモデルの両方を包含する"リーダー"の概念が一般化されるべきであると仮定する。 このリレーショナル・パースペクティブに基づいて、人間のコードとモデルのコードとを区別するコード理解可能性の概念を拡張し、両者の行動アライメントについて検討する。 この目的のために, 多様な参加者グループ間での人間の評価による理解可能性判断を含む先行研究のデータセットを用いて, 複数のオープンおよびクローズドソースLCMを評価した。 このような行動アライメントを運用するには、プログラム理解に焦点を当てた質問応答に基づくP0と、プログラム意図の要約に基づくP1-P3(提案した意味的自己整合性から派生した)の4つの行動プロキシを導入する。 以上の結果から,LLMは従来の浅層機械学習ベースラインよりも,人間のコード理解能力に強い振舞いを呈することがわかった。 階層化された分析により、モデルコードの理解性がプロの開発者と最も密に一致しているが、他の学生グループとはかなり一致していないことが明らかになった。 役割条件付きプロンプトは後者のアライメントを改善せず、現在のLLMは、様々な専門知識を持つ人間の読者の視点を正確に模倣することはできないことを示唆している。 最後に、セマンティックな自己整合性は、モデルコード理解可能性の定量化のための行動プロキシとして使われる信頼性があり拡張可能な尺度であり、ソフトウェア工学の研究と実践の両方に幅広い影響を及ぼすことを示す。

関連論文リスト

• Self-Improving Code Generation via Semantic Entropy and Behavioral Consensus [24.61607166744383]
  ConSelfは2つの重要なアイデアに基づいて構築された自己改善のアプローチである。 まず,問題レベルの不確実性を測定する新しい指標であるコードセマンティックエントロピーを導入する。 第2に、コンセンサス駆動直接選好最適化(Con-DPO)を提案する。
  論文  参考訳（メタデータ） (2026-03-31T05:55:17Z)
• Analyzing Latent Concepts in Code Language Models [10.214183897113118]
  グローバルなポストホック解釈可能性フレームワークであるコード概念分析(CoCoA)を提案する。 CoCoAは、コード言語モデルの表現空間における創発的語彙、構文、意味構造を明らかにする。 本稿では,静的解析ツールをベースとした構文アライメントと,プロンプトエンジニアリングによる大規模言語モデルを組み合わせたハイブリッドアノテ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） (2025-10-01T03:53:21Z)
• Is Compression Really Linear with Code Intelligence? [60.123628177110206]
  textitFormat Annealingは、事前訓練されたモデルの本質的な能力を同等に評価するために設計された、軽量で透明なトレーニング手法である。 我々の経験的結果は、測定されたコードインテリジェンスとビット・パー・キャラクタ(BPC)の基本的な対数関係を明らかにする。 私たちの研究は、コードインテリジェンスの開発における圧縮の役割をより微妙に理解し、コードドメインにおける堅牢な評価フレームワークに貢献します。
  論文  参考訳（メタデータ） (2025-05-16T16:59:14Z)
• Multimodal LLM Augmented Reasoning for Interpretable Visual Perception Analysis [19.032828729570458]
  我々は、人間の視覚知覚における複雑さに関連する心理学と認知科学の確立した原理と説明を用いる。 本研究の目的は、視覚知覚に関連する様々な説明可能性原理をMLLMにベンチマークすることである。
  論文  参考訳（メタデータ） (2025-04-16T22:14:27Z)
• Coding for Intelligence from the Perspective of Category [66.14012258680992]
  符号化の対象はデータの圧縮と再構成、インテリジェンスである。 最近の傾向は、これらの2つの分野の潜在的均一性を示している。 本稿では,カテゴリ理論の観点から,インテリジェンスのためのコーディングの新たな問題を提案する。
  論文  参考訳（メタデータ） (2024-07-01T07:05:44Z)
• Intrinsic User-Centric Interpretability through Global Mixture of Experts [31.738009841932374]
  InterpretCCは、人間の理解の容易さと忠実さの説明を最適化する、本質的に解釈可能なニューラルネットワークのファミリーである。 本報告では,InterpretCCの説明は,他の本質的な解釈可能なアプローチよりも,行動性や有用性が高いことを示す。
  論文  参考訳（メタデータ） (2024-02-05T11:55:50Z)
• Interpreting Pretrained Language Models via Concept Bottlenecks [55.47515772358389]
  事前訓練された言語モデル(PLM)は、様々な自然言語処理タスクにおいて大きな進歩を遂げてきた。 ブラックボックスの性質による解釈可能性の欠如は、責任ある実装に課題をもたらす。 本研究では,人間にとって理解しやすい高レベルで有意義な概念を用いて,PLMを解釈する新しい手法を提案する。
  論文  参考訳（メタデータ） (2023-11-08T20:41:18Z)

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。