Buchumschlag

Practitioners' Challenges and Perceptions of CI Build Failure Predictions at Atlassian

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Hong, Yang, Tantithamthavorn, Chakkrit, Pasuksmit, Jirat, Thongtanunam, Patanamon, Friedman, Arik, Zhao, Xing, Krasikov, Anton
Format:	Preprint
Veröffentlicht:	2024
Schlagworte:	Software Engineering Machine Learning
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Code Ownership: The Principles, Differences, and Their Associations with Software Quality
von: Thongtanunam, Patanamon, et al.
Veröffentlicht: (2024)

A Systematic Literature Review on Reasons and Approaches for Accurate Effort Estimations in Agile
von: Pasuksmit, Jirat, et al.
Veröffentlicht: (2024)

Code Readability in the Age of Large Language Models: An Industrial Case Study from Atlassian
von: Takerngsaksiri, Wannita, et al.
Veröffentlicht: (2025)

AI for DevSecOps: A Landscape and Future Opportunities
von: Fu, Michael, et al.
Veröffentlicht: (2024)

Human-In-The-Loop Software Development Agents: Challenges and Future Directions
von: Pasuksmit, Jirat, et al.
Veröffentlicht: (2025)

Human-In-the-Loop Software Development Agents
von: Takerngsaksiri, Wannita, et al.
Veröffentlicht: (2024)

Automatically Recommend Code Updates: Are We There Yet?
von: Liu, Yue, et al.
Veröffentlicht: (2022)

Ethics in AI through the Practitioner's View: A Grounded Theory Literature Review
von: Pant, Aastha, et al.
Veröffentlicht: (2022)

Navigating Fairness: Practitioners' Understanding, Challenges, and Strategies in AI/ML Development
von: Pant, Aastha, et al.
Veröffentlicht: (2024)

What Types of Code Review Comments Do Developers Most Frequently Resolve?
von: Goldman, Saul, et al.
Veröffentlicht: (2025)

Should Code Models Learn Pedagogically? A Preliminary Evaluation of Curriculum Learning for Real-World Software Engineering Tasks
von: Khant, Kyi Shin, et al.
Veröffentlicht: (2025)

AgenticSCR: An Autonomous Agentic Secure Code Review for Immature Vulnerabilities Detection
von: Charoenwet, Wachiraphan, et al.
Veröffentlicht: (2026)

Fine-Tuning and Prompt Engineering for Large Language Models-based Code Review Automation
von: Pornprasit, Chanathip, et al.
Veröffentlicht: (2024)

Too Noisy To Learn: Enhancing Data Quality for Code Review Comment Generation
von: Liu, Chunhua, et al.
Veröffentlicht: (2025)

HalluJudge: A Reference-Free Hallucination Detection for Context Misalignment in Code Review Automation
von: Tantithamthavorn, Kla, et al.
Veröffentlicht: (2026)

Encoding Version History Context for Better Code Representation
von: Nguyen, Huy, et al.
Veröffentlicht: (2024)

Hallucinations in Code Change to Natural Language Generation: Prevalence and Evaluation of Detection Metrics
von: Liu, Chunhua, et al.
Veröffentlicht: (2025)

Improving Automated Code Reviews: Learning from Experience
von: Lin, Hong Yi, et al.
Veröffentlicht: (2024)

From Release to Adoption: Challenges in Reusing Pre-trained AI Models for Downstream Developers
von: Banyongrakkul, Peerachai, et al.
Veröffentlicht: (2025)

Leveraging Reviewer Experience in Code Review Comment Generation
von: Lin, Hong Yi, et al.
Veröffentlicht: (2024)

When AI Takes the Wheel: Security Analysis of Framework-Constrained Program Generation
von: Liu, Yue, et al.
Veröffentlicht: (2025)

Enhancing Neural Code Representation with Additional Context
von: Nguyen, Huy, et al.
Veröffentlicht: (2025)

SQAPlanner: Generating Data-Informed Software Quality Improvement Plans
von: Rajapaksha, Dilini, et al.
Veröffentlicht: (2021)

Students' Perspective on AI Code Completion: Benefits and Challenges
von: Takerngsaksiri, Wannita, et al.
Veröffentlicht: (2023)

On the Reliability and Explainability of Language Models for Program Generation
von: Liu, Yue, et al.
Veröffentlicht: (2023)

What do AI/ML practitioners think about AI/ML bias?
von: Pant, Aastha, et al.
Veröffentlicht: (2024)

Context-Augmented Code Generation Using Programming Knowledge Graphs
von: Seddik, Shahd, et al.
Veröffentlicht: (2026)

Exploring the Potential of Large Language Models in Fine-Grained Review Comment Classification
von: Nguyen, Linh, et al.
Veröffentlicht: (2025)

Enhancing Code Review through Fuzzing and Likely Invariants
von: Charoenwet, Wachiraphan, et al.
Veröffentlicht: (2025)

An Empirical Study of Static Analysis Tools for Secure Code Review
von: Charoenwet, Wachiraphan, et al.
Veröffentlicht: (2024)

Toward Effective Secure Code Reviews: An Empirical Study of Security-Related Coding Weaknesses
von: Charoenwet, Wachiraphan, et al.
Veröffentlicht: (2023)

PyTester: Deep Reinforcement Learning for Text-to-Testcase Generation
von: Takerngsaksiri, Wannita, et al.
Veröffentlicht: (2024)

RovoDev Code Reviewer: A Large-Scale Online Evaluation of LLM-based Code Review Automation at Atlassian
von: Tantithamthavorn, Kla, et al.
Veröffentlicht: (2026)

Protect Your Secrets: Understanding and Measuring Data Exposure in VSCode Extensions
von: Liu, Yue, et al.
Veröffentlicht: (2024)

Automatic Programming: Large Language Models and Beyond
von: Lyu, Michael R., et al.
Veröffentlicht: (2024)

When AI Models Become Dependencies: Studying the Evolution of Pre-Trained Model Reuse in Downstream Software Systems
von: Banyongrakkul, Peerachai, et al.
Veröffentlicht: (2026)

Requirements-Driven Automated Software Testing: A Systematic Review
von: Wang, Fanyu, et al.
Veröffentlicht: (2025)

From Domain Documents to Requirements: Retrieval-Augmented Generation in the Space Industry
von: Arora, Chetan, et al.
Veröffentlicht: (2025)

Enhancing Large Language Models for Text-to-Testcase Generation
von: Alagarsamy, Saranya, et al.
Veröffentlicht: (2024)

Blended PC Peer Review Model: Process and Reflection
von: Tantithamthavorn, Chakkrit, et al.
Veröffentlicht: (2025)