@ tComment:测试Javadoc注释以检测注释代码异常
@tComment: Testing Javadoc Comments to Detect Comment-Code Inconsistencies
摘要:
这篇论文已被作者撤回。
英文摘要:
This paper has been withdrawn by the author.
机构、总结、中文摘要均由AI分析而来,可能存在错误,请以论文正文为准。
@tComment: Testing Javadoc Comments to Detect Comment-Code Inconsistencies
Shin Hwei Tan, Darko Marinov, Lin Tan, Gary T. Leavens
这篇论文已被作者撤回。
This paper has been withdrawn by the author.
机构、总结、中文摘要均由AI分析而来,可能存在错误,请以论文正文为准。
继续探索
Doc2OracLL: Investigating the Impact of Documentation on LLM-based Test Oracle Generation
本研究针对现有研究未深入探究Javadoc注释结合其他上下文对测试预言生成的影响等不足,深入调研Javadoc注释在基于大语言模型的测试预言生成中的作用。
Deep Learning to Detect Redundant Method Comments
软件中的注释对于维护和重用至关重要。但除了规范性的建议,几乎没有实际的支持或量化的理解是什么使评论有用。在本文中,我们介绍了识别注释的任务,这些注释对它们要记录的代码没有信息。为了解决这个问题,我们从代码中引入了注释蕴涵的概念,高蕴涵表示注释的自然语言语义可以直接从代码中推断出来。虽然不是所有的隐含注释都是低质量的,但是太容易推断的注释,例如,重述代码的注释,被软件风格的权威人士广泛禁止。在此基础上,我们开发了一个名为CRAIC的工具,评分方法级的冗余评论。然后,开发人员可以扩展或删除高度冗余的注释。CRAIC使用深度语言模型来利用大型软件语料库,而不需要昂贵的蕴涵手动注释。我们表明,CRAIC可以执行的评论蕴涵任务与人类的判断很好的协议。我们的研究结果也对文档工具产生了影响。例如,我们发现Javadoc中的常见标记从代码中的可预测性至少是非Javadoc语句的两倍,这表明Javadoc标记的信息量比更自由的注释少
Automated Test Generation from Program Documentation Encoded in Code Comments
本文提出一种利用代码注释文档的测试生成技术,将注释中的行为作为测试目标进行搜索,实验表明该方法能测试覆盖率驱动方法遗漏的行为并发现未知故障。
Generating executable oracles to check conformance of client code to requirements of JDK Javadocs using LLMs
本文提出利用大语言模型从Java核心库Javadocs自动生成测试预言,实验显示98.8%可编译且96.4%准确反映预期属性,验证了该方法对客户端代码一致性检查的有效性。
Automatically Extracting Subroutine Summary Descriptions from Unstructured Comments
子程序的概要描述是用自然语言对程序中子程序的行为和目的的简短(通常是一句话)解释。这些摘要在文档中无处不在,许多工具(如JavaScriptTM和Doxygen)都围绕它们生成文档。然而,从非结构化的源代码存储库中提取摘要仍然是一个困难的研究问题--除非程序员对摘要进行注释,否则很难生成干净的结构化文档。这在遗留代码的大型存储库中成为一个问题,因为在几十个或几百个旧程序中追溯注释摘要的成本太高。同样,这对于自动文档生成算法的创建者来说也是一个问题,因为这些算法通常必须从大型带注释的数据集学习,而这些数据集对于许多程序设计语言来说并不存在。在本文中,我们提出了一种通过众包的半自动化方法和一种全自动化方法,用于从非结构化代码注释中注释摘要。我们目前的实验验证的方法,并提供建议和自动标注大型存储库的成本估计。
On the Quality of AI-Generated Source Code Comments: A Comprehensive Evaluation
本文评估了AI生成的源代码注释质量,发现其与原始注释相当或更优,并揭示了需要新的文档特定度量。
DocChecker: Bootstrapping Code Large Language Model for Detecting and Resolving Code-Comment Inconsistencies
本文提出DocChecker,一种基于深度学习的工具,用于检测和纠正代码-注释不一致,并生成合成注释,在ICCD任务上达到72.3%准确率,在代码摘要任务上BLEU-4为33.64,超越GPT 3.5和CodeLlama。
Associating Natural Language Comment and Source Code Entities
注释是软件开发中不可或缺的一部分;它们是与源代码元素相关联的自然语言描述。理解显式关联对于提高代码的可理解性和维护代码与注释之间的一致性非常有用。作为实现这一更大目标的第一步,我们解决了将Javadoc注释中的实体与Java源代码中的元素相关联的任务。我们提出了一种使用开源项目的修订历史自动提取监督数据的方法,并为这项任务提供了一个手动注释的评估数据集。我们开发了一个二元分类器和序列标签模型,通过精心制作一个丰富的功能集,其中包括代码,注释和它们之间的关系的各个方面。实验表明,我们的系统优于几个基线学习建议的监督。
Inside Out: Uncovering How Comment Internalization Steers LLMs for Better or Worse
本研究通过分析LLM对评论的内部化过程,揭示了评论对代码补全、翻译等任务性能的影响,并发现代码摘要任务对评论概念的激活最强。
Investigating the Impact of Code Comment Inconsistency on Bug Introducing
本研究利用GPT-3.5探究代码注释不一致对缺陷引入的影响,验证了GPT-3.5在不一致检测上的优越性,发现不一致变更引发缺陷提交的概率约为一致变更的1.5倍,且影响随时间推移减弱。
We Must Have Missed This Comment: Detecting and Repairing Stale Function References in Linux Kernel Comments
针对 Linux 内核注释中因函数变更导致的过时引用问题,提出三阶段方法 ReCite 检测并修复此类引用,在 v6.18-rc1 上检测到 869 个过时引用,其修复建议准确率高,提交的 75 个补丁中有 50 个被接受。
A Decade of Code Comment Quality Assessment: A Systematic Literature Review
本文通过系统文献综述分析近十年代码注释质量评估研究,梳理注释类型、质量属性、工具技术与评估方式,揭示 Java 偏向、属性集中及自动化不足等问题。
Towards Summarizing Code Snippets Using Pre-Trained Transformers
本研究针对细粒度代码片段摘要生成数据稀缺问题,通过构建注释数据集、训练多任务注释分类关联模型,构建大规模带文档代码片段数据集并训练摘要模型,性能优于现有基线方法。
Deep Just-In-Time Inconsistency Detection Between Comments and Source Code
自然语言注释传达源代码的关键方面,例如实现、用法以及前置和后置条件。当相应的代码被修改时,如果没有相应地更新注释,就会导致不一致,这会导致混乱和软件错误。在本文中,我们的目标是检测注释是否由于相应代码体的更改而变得不一致,以便及时捕获潜在的不一致,即,在它们被提交到代码库之前。为了实现这一目标,我们开发了一种深度学习方法,可以学习将注释与代码更改相关联。通过对跨越各种评论类型的评论/代码对的大型语料库进行评估,我们表明我们的模型明显优于多个基线。对于外部评估,我们展示了我们的方法的有用性,通过将其与评论更新模型相结合,构建一个更全面的自动评论维护系统,该系统可以根据代码更改检测和解决不一致的评论。
STYLE-ANALYZER: fixing code style inconsistencies with interpretable unsupervised algorithms
源代码审查是手动的,耗时且昂贵。人的参与应该集中在分析程序最相关的方面,比如逻辑和可维护性,而不是修改风格、语法或格式缺陷。一些具有linting功能的工具可以自动格式化代码,并报告支持的程序设计语言的各种样式冲突。它们基于领域专家编写的规则,因此,它们的配置通常是繁琐的,并且给定的规则集覆盖所有可能的角落情况是不切实际的。存在一些基于机器学习的解决方案,但它们仍然是不可解释的黑箱。本文介绍了STYLE-ANALYZER,一个新的开源工具,使用决策树森林模型自动修复代码格式违规,该模型适用于每个代码库,完全无监督。STYLE-ANALYZER构建在我们新颖的辅助代码审查框架Lookout之上。它准确地挖掘每个分析的Git存储库的格式样式,并使用紧凑的人类可读规则表达发现的格式模式。然后STYLE-ANALYZER可以以代码评审注释的形式建议风格不一致的修复。我们评估的输出质量和实际相关性的风格分析,证明它可以重现原始风格的高精度,测量19个流行的JavaScript项目,并显示它产生有前途的结果,在修复真正的风格错误。STYLE-ANALYZER包括一个Web应用程序,用于可视化规则是如何触发的。我们在GitHub上发布STYLE-ANALYZER作为可重用和可扩展的开源软件包,以造福社区。
扫码添加微信好友,提出您的宝贵建议 👇
💡 备注请填写:网站反馈
发表机构由 AI 从论文文本抽取,如发现错误,欢迎反馈修正建议。