論文の概要: Refactoring React Component Hierarchies to Eliminate Prop Drilling

• arxiv url: http://arxiv.org/abs/2610.01376v1
• Date: Thu, 01 Oct 2026 09:43:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-03 01:19:24.037217
• Title: Refactoring React Component Hierarchies to Eliminate Prop Drilling
• Title（参考訳）: Reactコンポーネント階層のリファクタリングによるプロップドリルの排除
• Abstract要約: Prop Drillingは、コンポーネント階層の複数のレベルにわたるコンポーネントプロパティを通じてデータを伝搬するプラクティスである。 本稿では,React内のProp Drillingインスタンスを特定し,それらを除去するための静的解析手法を提案する。 提案手法はNode.jsコマンドラインツールであるReactRefactorとして実装され、オープンソースのReactアプリケーションのベンチマークデータセットで実証的に評価されている。
• 参考スコア（独自算出の注目度）: 0.17188280334580194
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: In React front-end development, Prop Drilling is the practice of propagating data through component properties across multiple levels of the component hierarchy. Despite being discouraged by React documentation and characterized as a code smell by recent research, little is known about its prevalence, complexity, and potential for automated refactoring. In this work, we propose a static analysis method for identifying Prop Drilling instances in a React codebase and eliminating them using two automated refactoring strategies based on Context API and Component Composition. The proposed method is implemented as a Node.js command line tool, ReactRefactor, and empirically evaluated on a benchmark dataset of open-source React applications. The main findings of the empirical evaluation indicate (a) the frequent occurrence of prop drillings across benchmark projects, irrespective of project size; (b) their generally low to moderate complexity in terms of data propagation depth, contrasted with the more prevalent complexity arising from the simultaneous forwarding of multiple properties along the same path; and, (c) the potential for automated elimination of a substantial share (76.3%) of prop drillings, primarily through refactoring to the Context API.
• Abstract（参考訳）: Reactフロントエンド開発では、Prop Drillingは、コンポーネント階層の複数のレベルにわたって、コンポーネントプロパティを通じてデータを伝搬するプラクティスである。 Reactのドキュメントに失望し、最近の研究でコードの臭いとして特徴付けられるが、その頻度、複雑さ、自動リファクタリングの可能性についてはほとんど知られていない。 本研究では,ReactコードベースのProp Drillingインスタンスを静的に識別し,Context APIとComponent Compositionに基づいた2つの自動リファクタリング戦略を用いてそれらを除去する静的解析手法を提案する。 提案手法はNode.jsコマンドラインツールであるReactRefactorとして実装され、オープンソースのReactアプリケーションのベンチマークデータセットで実証的に評価されている。 経験的評価の主な発見は (a) プロジェクト規模にかかわらず、ベンチマークプロジェクト全体にわたるプロップ掘削の頻繁な発生 (b)データ伝播深度の観点からは一般に低から中程度の複雑さであり、同じ経路に沿って複数の特性を同時に前進させることによって生じるより一般的な複雑さとは対照的である。 (c) 主にContext APIへのリファクタリングを通じて、プロップドリルのかなりのシェア(76.3%)を自動削除する可能性。

関連論文リスト

• HookLens: Visual Analytics for Understanding React Hooks Structures [15.011226845135354]
  HookLensはインタラクティブなビジュアル分析システムで、Hooksがコンポーネント間の依存関係とデータフローをどのように定義するかを開発者が理解するのに役立ちます。 HookLensは、コンポーネント間の構造と依存関係を効率的に理解し、アンチパターンを識別する。
  論文  参考訳（メタデータ） (2026-02-19T23:11:39Z)
• SWE-Refactor: A Repository-Level Benchmark for Real-World LLM-Based Code Refactoring [20.694251041823097]
  大規模言語モデル(LLM)は、ソフトウェア工学のタスクに取り組むことに広く関心を集めている。 既存のベンチマークは一般的に3つの欠点に悩まされる。 SWE-Refactor は開発者によって書かれた 18 の Java プロジェクトから抽出された 1,099 の挙動保存 LLM で構成されている。
  論文  参考訳（メタデータ） (2026-02-03T16:36:29Z)
• RefAtomNet++: Advancing Referring Atomic Video Action Recognition using Semantic Retrieval based Multi-Trajectory Mamba [86.47790050206306]
  RefAVA++は290万フレームと75.1kの注釈付き人で構成される。 RefAtomNet++は、多階層的なセマンティックアラインなクロスアテンションメカニズムを通じて、クロスモーダルトークンアグリゲーションを前進させる。 実験によると、RefAtomNet++は新しい最先端の結果を確立している。
  論文  参考訳（メタデータ） (2025-10-18T10:41:19Z)
• Signal-First Architectures: Rethinking Front-End Reactivity [0.0]
  本稿では、依存性追跡信号が反応性の原子単位となる新しいパラダイムであるSignal-First Architectureを紹介する。 従来のRxJSやNgRxパターンとは異なり、Signal-Firstは明示的なシグナル宣言からのリアクティブフローを強制する。 RxJSサービスベース、NgRxグローバルストア、純粋なSignal-First実装である。
  論文  参考訳（メタデータ） (2025-06-14T20:34:48Z)
• AIR: A Systematic Analysis of Annotations, Instructions, and Response Pairs in Preference Dataset [89.37514696019484]
  嗜好学習は、大きな言語モデルと人間の価値の整合に不可欠である。 私たちの作業は、好みのデータセット設計をアドホックなスケーリングからコンポーネント対応の最適化にシフトします。
  論文  参考訳（メタデータ） (2025-04-04T17:33:07Z)
• Improving Retrieval-Augmented Generation through Multi-Agent Reinforcement Learning [88.55095746156428]
  Retrieval-augmented Generation (RAG) は、外部知識を大規模言語モデルに組み込むために広く利用されている。 標準的なRAGパイプラインは、クエリ書き換え、文書検索、文書フィルタリング、回答生成など、いくつかのコンポーネントで構成されている。 本稿では,複数コンポーネントからなる複雑なRAGパイプラインを多エージェント協調作業として扱うことを提案する。
  論文  参考訳（メタデータ） (2025-01-25T14:24:50Z)
• A Refreshed Similarity-based Upsampler for Direct High-Ratio Feature Upsampling [54.05517338122698]
  一般的な類似性に基づく機能アップサンプリングパイプラインが提案されている。 本稿では,セマンティック・アウェアとディテール・アウェアの両方の観点から,明示的に制御可能なクエリキー機能アライメントを提案する。 我々は,モーザイクアーティファクトを緩和する上ではシンプルだが有効であるHR特徴に対して,きめ細かな近傍選択戦略を開発する。
  論文  参考訳（メタデータ） (2024-07-02T14:12:21Z)
• On The Importance of Reasoning for Context Retrieval in Repository-Level Code Editing [82.96523584351314]
  我々は、コンテキスト検索のタスクをリポジトリレベルのコード編集パイプラインの他のコンポーネントと分離する。 我々は、推論が収集された文脈の精度を向上させるのに役立っているが、それでもその十分性を識別する能力は欠如していると結論づける。
  論文  参考訳（メタデータ） (2024-06-06T19:44:17Z)
• Deep Visual Geo-localization Benchmark [42.675402470265674]
  我々は、ビジュアルジオローカライゼーション(VG)のための新しいオープンソースのベンチマークフレームワークを提案する。 このフレームワークは、広く使用されている幅広いアーキテクチャの構築、トレーニング、テストを可能にする。 コードとトレーニングされたモデルはhttps://deep-vg-bench.herokuapp.com/で公開されている。
  論文  参考訳（メタデータ） (2022-04-07T13:47:49Z)

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。