論文の概要: Documentation Drift in AI-Generated Pull Requests

• arxiv url: http://arxiv.org/abs/2610.27381v1
• Date: Mon, 19 Oct 2026 23:07:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-21 21:58:47.542351
• Title: Documentation Drift in AI-Generated Pull Requests
• Title（参考訳）: AI生成プルリクエストにおけるドキュメンテーションドリフト
• Abstract要約: AIDevデータセットの2,585リポジトリからのAI生成プルリクエストを29,669件分析します。 ドキュメントを更新することなく、AI PRの63.2%がコードを変更することがわかった。 未文書のコードファイルに続いて、同じファイルの8.6から11.7%がドキュメントファイルよりも頻繁に修正される。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: AI coding agents now contribute to software repositories at scale, yet their documentation practices remain uncharacterised. We analyse 29,669 AI-generated pull requests from 2,585 repositories in the AIDev dataset, measuring documentation co-change: whether code-file modifications are accompanied by a documentation-file update in the same PR. We find that 63.2% of AI PRs change code without updating any documentation. This varies sharply by task type: 55.2% for features and 77.5% for refactoring. Undocumented code files are followed by a fix to the same file 8.6 to 11.7% more often than documented files across 30 to 90-day windows. A raw PR-level comparison shows the opposite because documented PRs are 3.9 times larger and therefore attract more fixes. Controlling for size exposure reverses this result. Documented changes also merge faster despite their larger size (median: 40 seconds versus 184 seconds), although merging is largely automated in this dataset. Documentation drift also compounds: within 90 days, a file changed without documentation is later re-documented at roughly half the rate of a file changed with documentation (24% versus 48%). This suggests that documentation debt tends to accumulate rather than be revisited.
• Abstract（参考訳）: AIコーディングエージェントは、大規模にソフトウェアリポジトリにコントリビュートするが、ドキュメントのプラクティスは相変わらず残っている。 AIDevデータセットの2,585リポジトリから生成された29,669のAI生成プルリクエストを分析し、ドキュメントの共変更を測定します。 ドキュメントを更新することなく、AI PRの63.2%がコードを変更することがわかった。 これはタスクタイプによって大きく異なり、機能では55.2%、リファクタリングでは77.5%である。 文書化されていないコードファイルは、30日から90日間のウィンドウでドキュメント化されたファイルよりも8.6から11.7%多い頻度で同じファイルに修正される。 生のPRレベルの比較は、文書化されたPRが3.9倍大きく、したがってより多くの修正を惹きつけるため、反対を示す。 サイズ露光の制御は、この結果を逆転させる。 ドキュメントの変更は、サイズが大きくてもより早くマージする(中間値:40秒対184秒)が、このデータセットではマージはほぼ自動化されている。 90日以内に、ドキュメントなしで変更されたファイルは、ドキュメントで変更されたファイルの約半分の割合で再文書化される(24%対48%)。 これはドキュメントの負債が再考されるよりも蓄積される傾向があることを示唆している。

関連論文リスト

• From Agent Behaviour to Agent-Friendly Documentation: An Empirical Study of How Coding Agents Discover, Read, and Write Technical Documentation [3.807723380039104]
  技術ドキュメントは人間開発者のために書かれています。 ソフトウェア変更のシェアの増大は、今や自律的なコーディングエージェントによって引き継がれている。 本研究では,2つの公開データセット間でのエージェント・ドキュメント間相互作用に関する行動基礎研究を行う。
  論文  参考訳（メタデータ） (2026-08-20T15:51:54Z)
• DocAtlas: Long-Document Understanding as Mutable-State Interaction [67.90400271544678]
  本稿では,長期文書理解を可変状態情報探索プロセスとして扱うDocAtlasを提案する。 ドキュメントと質問が与えられた後、DocAtlasは検索、読み取り、メモ取り、レビューツールを公開し、階層的なツリーとノートストアを維持し、エージェントが証拠を記録するように更新する。 GPT-5.4では、DocAtlasはMMLongBench-Docで71.4%に達し、65.8%という人間の専門的基準を超えた。
  論文  参考訳（メタデータ） (2026-07-21T09:45:34Z)
• Taming the Drift: Context-aware Repair of Dockerfile Drift during Software Evolution [52.50730821321986]
  Cadreは、Dockerfileの自動ドリフト修復のためのコンテキスト認識フレームワークである。 CDGは、各Dockerfile命令をファイルレベルとインストラクション間の依存関係にマップする。 DodeXはGitHub Actions CIログから現実のDockerfileドリフトインスタンスをマイニングする。
  論文  参考訳（メタデータ） (2026-07-14T09:12:26Z)
• AGORA: An Archive-Grounded Benchmark for Agentic Workplace Document Reasoning [52.23991730630292]
  大規模言語モデルは、パラメトリックな知識から答えるのではなく、文書を推論するエージェントとして、ますます多くデプロイされている。 大規模な、散らかった職場ファイルの集合にスパース証拠を配置し、一貫性のない用語、単位、時間規則を調整し、答えを計算する。 私たちは、362の質問と9,664の認証ドキュメントと372Mのトークンの8つのドメインコレクションをペアリングするベンチマークであるAgoraを紹介します。
  論文  参考訳（メタデータ） (2026-06-23T12:57:18Z)
• Lost in a Single Vector: Improving Long-Document Retrieval with Chunk Evidence Aggregation [59.438696079345426]
  DICEは、ドキュメントをチャンクに分割し、凍結したモデルで独立してエンコードし、それらを単一のベクタに集約する、トレーニング不要のドキュメントサイド戦略である。 LongEmbedでは、DICEは4つのバックボーン間の検索を改善し、4kトークンを超えるスライスで最大の利益を上げている。 12,779個のフィルターサンプルのうち、DICEは92.8%のケースで単一ベクトルベースラインよりも低いEDIが得られる。
  論文  参考訳（メタデータ） (2026-06-17T07:44:04Z)
• How Far Is Document Parsing from Solved? PureDocBench: A Source-TraceableBenchmark across Clean, Degraded, and Real-World Settings [56.70440596502351]
  昨年は20以上のオープンドキュメントパースモデルが見られたが、ベンチマークはほぼOmniDocBenchにのみ依存している。 HTML/CSSのドキュメントイメージをレンダリングするベンチマークであるPureDocBenchは、10のドメイン、66ページ、1,475ページをカバーしています。
  論文  参考訳（メタデータ） (2026-05-08T09:30:31Z)
• RepoDoc: A Knowledge Graph-Based Framework to Automatic Documentation Generation and Incremental Updates [41.56228301287882]
  本稿では,レポジトリ知識グラフ(RepoKG)をドキュメントライフサイクル全体の意味基盤として利用するシステムであるRepoDocを提案する。 インクリメンタルアップデートでは、更新時間を73%削減し、トークン使用量を77%削減し、10.2%高めの更新リコールを実現している。 8つの言語にわたる24のリポジトリで評価されたRepoDocは、最先端の代替よりも大幅に優れています。
  論文  参考訳（メタデータ） (2026-04-29T10:43:02Z)
• How AI Coding Agents Modify Code: A Large-Scale Study of GitHub Pull Requests [0.0]
  24,014個の統合エージェントPR(440,295個のコミット)と5,081個のヒトPR(23,242個のコミット)を分析した。 エージェントPRはコミットカウントにおいてヒューマンPRと大きく異なる(Cliffの$= 0.5429$)。 これらの発見は、AIコーディングエージェントがオープンソース開発にどのように貢献するかを、大規模な経験的評価を提供する。
  論文  参考訳（メタデータ） (2026-01-24T20:27:04Z)
• Linking Code and Documentation Churn: Preliminary Analysis [2.033674689332928]
  本研究では,GitHubの3つのオープンソースプロジェクトにおけるコードチャーンとドキュメント更新の同期について検討する。 予備的な結果は、プロジェクト間で異なる同期度を示し、統合された並行ドキュメントプラクティスの重要性を強調します。 この研究の斬新さは、コードの変更とドキュメントの更新を同期させることが、多様性と効率を向上させることで、開発ライフサイクルをいかに改善できるかを示すことである。
  論文  参考訳（メタデータ） (2024-10-08T12:41:58Z)
• Fast(er) Reconstruction of Shredded Text Documents via Self-Supervised Deep Asymmetric Metric Learning [62.34197797857823]
  細断文書の自動復元における中心的な問題は、細断文書の相互互換性評価である。 本研究は,推定回数を線形にスケールするペアワイド互換性を測るスケーラブルな深層学習手法を提案する。 提案手法は,505個のシュレッダーを持つテストインスタンスに対して,22倍の高速化を実現した最先端技術に匹敵する精度を有する。
  論文  参考訳（メタデータ） (2020-03-23T03:22:06Z)

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。