Buchumschlag

Follow Your Nose -- Which Code Smells are Worth Chasing?

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Amit, Idan, Ezra, Nili Ben, Feitelson, Dror G.
Format:	Preprint
Veröffentlicht:	2021
Schlagworte:	Software Engineering Machine Learning
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

A Large Scale Survey of Motivation in Software Development and Analysis of its Validity
von: Amit, Idan, et al.
Veröffentlicht: (2024)

Which Alert Removals are Beneficial?
von: Amit, Idan
Veröffentlicht: (2026)

The Paradox of Function Header Comments
von: Oxenhorn, Arthur, et al.
Veröffentlicht: (2024)

I Know Which LLM Wrote Your Code Last Summer: LLM generated Code Stylometry for Authorship Attribution
von: Bisztray, Tamas, et al.
Veröffentlicht: (2025)

Prompt Smells: An Omen for Undesirable Generative AI Outputs
von: Ronanki, Krishna, et al.
Veröffentlicht: (2024)

xNose: A Test Smell Detector for C#
von: Paul, Partha P., et al.
Veröffentlicht: (2024)

CodeIF: Benchmarking the Instruction-Following Capabilities of Large Language Models for Code Generation
von: Yan, Kaiwen, et al.
Veröffentlicht: (2025)

On the Workflows and Smells of Leaderboard Operations (LBOps): An Exploratory Study of Foundation Model Leaderboards
von: Zhao, Zhimin, et al.
Veröffentlicht: (2024)

Reproducing, Extending, and Analyzing Naming Experiments
von: Alpern, Rachel, et al.
Veröffentlicht: (2024)

Your Build Scripts Stink: The State of Code Smells in Build Scripts
von: Tamanna, Mahzabin, et al.
Veröffentlicht: (2025)

DEM: A Method for Certifying Deep Neural Network Classifier Outputs in Aerospace
von: Katz, Guy, et al.
Veröffentlicht: (2024)

Which Programming Language and Model Work Best With LLM-as-a-Judge For Code Retrieval?
von: Roberts, Lucas, et al.
Veröffentlicht: (2025)

Natural Language Requirements Testability Measurement Based on Requirement Smells
von: Zakeri-Nasrabadi, Morteza, et al.
Veröffentlicht: (2024)

Leveraging Reward Models for Guiding Code Review Comment Generation
von: Sghaier, Oussama Ben, et al.
Veröffentlicht: (2025)

FedCSD: A Federated Learning Based Approach for Code-Smell Detection
von: Alawadi, Sadi, et al.
Veröffentlicht: (2023)

Your Code Agent Can Grow Alongside You with Structured Memory
von: Deng, Yi-Xuan, et al.
Veröffentlicht: (2026)

Benchmarking LLM for Code Smells Detection: OpenAI GPT-4.0 vs DeepSeek-V3
von: Sadik, Ahmed R., et al.
Veröffentlicht: (2025)

CodeSAM: Source Code Representation Learning by Infusing Self-Attention with Multi-Code-View Graphs
von: Mathai, Alex, et al.
Veröffentlicht: (2024)

Is Your Anomaly Detector Ready for Change? Adapting AIOps Solutions to the Real World
von: Poenaru-Olaru, Lorena, et al.
Veröffentlicht: (2023)

Leveraging LLMs for Legacy Code Modernization: Challenges and Opportunities for LLM-Generated Documentation
von: Diggs, Colin, et al.
Veröffentlicht: (2024)

SemRep: Generative Code Representation Learning with Code Transformations
von: Li, Weichen, et al.
Veröffentlicht: (2026)

Code Roulette: How Prompt Variability Affects LLM Code Generation
von: Paleyes, Andrei, et al.
Veröffentlicht: (2025)

An Event-Driven Tool for Context-Aware Code Smell Detection Using SmellDSL
von: Viegas, Matheus dos Santos, et al.
Veröffentlicht: (2026)

Leveraging Code Cohesion Analysis to Identify Source Code Supply Chain Attacks
von: Reuben, Maor, et al.
Veröffentlicht: (2025)

Push Your Agent: Measuring and Enforcing Quantitative Goal Persistence in Long-Horizon LLM Agents
von: Cai, Yuandao, et al.
Veröffentlicht: (2026)

Fixing Your Own Smells: Adding a Mistake-Based Familiarisation Step When Teaching Code Refactoring
von: Tan, Ivan, et al.
Veröffentlicht: (2024)

Trained Without My Consent: Detecting Code Inclusion In Language Models Trained on Code
von: Majdinasab, Vahid, et al.
Veröffentlicht: (2024)

Think Anywhere in Code Generation
von: Jiang, Xue, et al.
Veröffentlicht: (2026)

Code Less, Align More: Efficient LLM Fine-tuning for Code Generation with Data Pruning
von: Tsai, Yun-Da, et al.
Veröffentlicht: (2024)

Calibration and Correctness of Language Models for Code
von: Spiess, Claudio, et al.
Veröffentlicht: (2024)

Teaching Code Refactoring Using LLMs
von: Khairnar, Anshul, et al.
Veröffentlicht: (2025)

Bootstrapping Coding Agents: The Specification Is the Program
von: Monperrus, Martin
Veröffentlicht: (2026)

Towards Verified Code Reasoning by LLMs
von: Sistla, Meghana, et al.
Veröffentlicht: (2025)

On Pretraining for Project-Level Code Completion
von: Sapronov, Maksim, et al.
Veröffentlicht: (2025)

Robust Learning of Diverse Code Edits
von: Aggarwal, Tushar, et al.
Veröffentlicht: (2025)

LLM Performance for Code Generation on Noisy Tasks
von: Sendyka, Radzim, et al.
Veröffentlicht: (2025)

OSS-Bench: Benchmark Generator for Coding LLMs
von: Jiang, Yuancheng, et al.
Veröffentlicht: (2025)

Understanding Robustness of Model Editing in Code LLMs
von: Chhetri, Vinaik, et al.
Veröffentlicht: (2025)

Context Composing for Full Line Code Completion
von: Semenkin, Anton, et al.
Veröffentlicht: (2024)

Model Cascading for Code: A Cascaded Black-Box Multi-Model Framework for Cost-Efficient Code Completion with Self-Testing
von: Chen, Boyuan, et al.
Veröffentlicht: (2024)