論文の概要: Evaluation of Software Quality Through Refactoring Commit-Impact Analysis
- arxiv url: http://arxiv.org/abs/2610.12890v1
- Date: Fri, 09 Oct 2026 02:24:39 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-13 04:06:29.355755
- Title: Evaluation of Software Quality Through Refactoring Commit-Impact Analysis
- Title（参考訳）: Refactoring Commit-Impact Analysis によるソフトウェア品質の評価
- Abstract要約: 本研究の目的は,コード修正とソフトウェア品質の相関関係を実証分析することである。
私たちの目標は、さまざまなマイニングと静的コード分析ツールを使用して、GitHubリポジトリからオープンソースソフトウェアで静的コード解析を行うことです。
- 参考スコア（独自算出の注目度）: 0.2803795115632137
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The aim of this study is to conduct an empirical analysis of the correlation between code modifications and software quality. This will be achieved by examining the effects of changes made before and after each refactoring commit, using software metrics such as size, complexity, code smells, vulnerability, and bug detection. The objective is to conduct static code analysis on open-source software from GitHub repositories using various repository mining and static code analysis tools. Our approach involves formulating research-based questions and utilizing the specified tools to obtain results that will enable us to resolve the case study. The obtained results have been summarised and further analyzed using tables and graphs to achieve the objective.
- Abstract（参考訳）: 本研究の目的は,コード修正とソフトウェア品質の相関関係を実証分析することである。
これは、サイズ、複雑さ、コードの臭い、脆弱性、バグ検出といったソフトウェアメトリクスを使用して、各リファクタリングコミットの前後で行われた変更の影響を調べることで達成される。
目的は、さまざまなリポジトリマイニングと静的コード解析ツールを使用して、GitHubリポジトリからオープンソースソフトウェアで静的コード解析を行うことである。
提案手法は,研究ベースの質問を定式化し,特定のツールを用いて,ケーススタディの解決を可能にする結果を得る。
得られた結果は、その目的を達成するために、テーブルとグラフを用いて要約され、さらに分析される。
関連論文リスト
- Enhancing Code Understanding for Impact Analysis by Combining Transformers and Program Dependence Graphs [24.488668933101668]
インパクト分析(IA)は、与えられた一連のコード変更がより大きなソフトウェアプロジェクトに与える影響を識別する重要なソフトウェアメンテナンスタスクである。
我々は、ソフトウェアシステムの依存グラフ情報と概念結合アプローチを組み合わせた、Athenaと呼ばれる新しいIAアプローチを導入する。
論文 参考訳（メタデータ） (2026-07-25T20:28:54Z) - Oops!... I did it again. Conclusion (In-)Stability in Quantitative Empirical Software Engineering: A Large-Scale Analysis [5.94721915761333]
ソフトウェアリポジトリのマイニングは、ソフトウェアプロジェクトの進化に関する洞察を得るための一般的な方法である。
本研究では、進化的ソフトウェア解析のための複雑なツールパイプラインの妥当性に対するいくつかの脅威について検討する。
論文 参考訳（メタデータ） (2025-10-08T10:11:39Z) - Learning to Align Multi-Faceted Evaluation: A Unified and Robust Framework [61.38174427966444]
大規模言語モデル(LLM)は、様々なシナリオにおける自動評価のために、より広く使われている。
従来の研究では、強力なプロプライエタリモデルの評価と判断を再現するために、オープンソースのLLMを微調整しようと試みてきた。
本稿では,評価基準を適応的に定式化し,テキストベースとコード駆動分析の両方を合成する新しい評価フレームワークARJudgeを提案する。
論文 参考訳（メタデータ） (2025-02-26T06:31:45Z) - A Computational Method for Measuring "Open Codes" in Qualitative Analysis [44.39424825305388]
本稿では,人間と生成AI(GAI)による帰納的符号化結果を測定するための理論インフォームド計算手法を提案する。
これは、各コーダのコントリビューションを、Coverage、Overlap、Noverety、Divergenceの4つの新しいメトリクスを使用して、マージした結果に対して測定する。
本研究は,人間とAIの質的分析における方法論的厳密性を確保するための信頼性の高い経路を提供する。
論文 参考訳（メタデータ） (2024-11-19T00:44:56Z) - Leveraging Large Language Models for Efficient Failure Analysis in Game Development [47.618236610219554]
本稿では,テストの失敗の原因となるコードの変更を自動的に識別する手法を提案する。
このメソッドは、LLM(Large Language Models)を利用して、エラーメッセージと対応するコード変更を関連付ける。
当社のアプローチは新たに作成したデータセットで71%の精度に達しています。
論文 参考訳（メタデータ） (2024-06-11T09:21:50Z) - Efficacy of static analysis tools for software defect detection on open-source projects [0.0]
この調査では、SonarQube、PMD、Checkstyle、FindBugsといった一般的な分析ツールを使って比較を行った。
その結果,SonarQubeの欠陥検出は,他のツールと比較してかなり優れていることがわかった。
論文 参考訳（メタデータ） (2024-05-20T19:05:32Z) - Towards Understanding the Impact of Code Modifications on Software Quality Metrics [1.2277343096128712]
本研究の目的は、コード修正がソフトウェアの品質指標に与える影響を評価し、解釈することである。
基礎となる仮説は、ソフトウェア品質のメトリクスに類似した変更を誘発するコード修正は、異なるクラスタにグループ化できる、というものである。
結果は、コード修正の異なるクラスタを明らかにし、それぞれに簡潔な記述が伴い、ソフトウェアの品質指標に対する全体的な影響を明らかにした。
論文 参考訳（メタデータ） (2024-04-05T08:41:18Z) - Metrics reloaded: Recommendations for image analysis validation [59.60445111432934]
メトリクスのリロード(Metrics Reloaded)は、メトリクスの問題を意識した選択において研究者を導く包括的なフレームワークである。
このフレームワークは多段階のDelphiプロセスで開発され、問題指紋という新しい概念に基づいている。
問題指紋に基づいて、ユーザは適切なバリデーションメトリクスを選択して適用するプロセスを通じてガイドされる。
論文 参考訳（メタデータ） (2022-06-03T15:56:51Z) - Comparative Code Structure Analysis using Deep Learning for Performance
Prediction [18.226950022938954]
本稿では,アプリケーションの静的情報(抽象構文木やASTなど)を用いてコード構造の変化に基づいて性能変化を予測することの実現可能性を評価することを目的とする。
組込み学習手法の評価により,木系長短メモリ(LSTM)モデルでは,ソースコードの階層構造を利用して遅延表現を発見し,最大84%(個人的問題)と73%(複数の問題を含む組み合わせデータセット)の精度で性能変化を予測できることが示された。
論文 参考訳（メタデータ） (2021-02-12T16:59:12Z)
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。