Buchumschlag

xNose: A Test Smell Detector for C#

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Paul, Partha P., Akanda, Md Tonoy, Ullah, M. Raihan, Mondal, Dipto, Chowdhury, Nazia S., Tawsif, Fazle M.
Format:	Preprint
Veröffentlicht:	2024
Schlagworte:	Software Engineering
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Test Smell: A Parasitic Energy Consumer in Software Testing
von: Misu, Md Rakib Hossain, et al.
Veröffentlicht: (2023)

Follow Your Nose -- Which Code Smells are Worth Chasing?
von: Amit, Idan, et al.
Veröffentlicht: (2021)

Insights into Dependency Maintenance Trends in the Maven Ecosystem
von: Chowdhury, Barisha, et al.
Veröffentlicht: (2025)

Algorithm-Based Pipeline for Reliable and Intent-Preserving Code Translation with LLMs
von: Dipto, Shahriar Rumi, et al.
Veröffentlicht: (2026)

The Quiet Contributions: Insights into AI-Generated Silent Pull Requests
von: Hasan, S M Mahedy, et al.
Veröffentlicht: (2026)

A Task-Level Evaluation of AI Agents in Open-Source Projects
von: Rahman, Shojibur, et al.
Veröffentlicht: (2026)

Faster Releases, Fewer Risks: A Study on Maven Artifact Vulnerabilities and Lifecycle Management
von: Shafin, Md Shafiullah, et al.
Veröffentlicht: (2025)

Agentic LMs: Hunting Down Test Smells
von: Melo, Rian, et al.
Veröffentlicht: (2025)

Evaluating Large Language Models in Detecting Test Smells
von: Lucas, Keila, et al.
Veröffentlicht: (2024)

Chasing the Clock: How Fast Are Vulnerabilities Fixed in the Maven Ecosystem?
von: Rabbi, Md Fazle, et al.
Veröffentlicht: (2025)

Understanding Software Vulnerabilities in the Maven Ecosystem: Patterns, Timelines, and Risks
von: Rabbi, Md Fazle, et al.
Veröffentlicht: (2025)

Evaluating LLMs Effectiveness in Detecting and Correcting Test Smells: An Empirical Study
von: Santana Jr, E. G., et al.
Veröffentlicht: (2025)

HEJ-Robust: A Robustness Benchmark for LLM-Based Automated Program Repair
von: Rabbi, Fazle, et al.
Veröffentlicht: (2026)

Investigating the Performance of Small Language Models in Detecting Test Smells in Manual Test Cases
von: Lucas, Keila, et al.
Veröffentlicht: (2025)

Characterizing Requirements Smells
von: Gentili, Emanuele, et al.
Veröffentlicht: (2024)

Smells Depend on the Context: An Interview Study of Issue Tracking Problems and Smells in Practice
von: Montgomery, Lloyd, et al.
Veröffentlicht: (2026)

A Multi-Language Perspective on the Robustness of LLM Code Generation
von: Rabbi, Fazle, 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)

How Do Communities of ML-Enabled Systems Smell? A Cross-Sectional Study on the Prevalence of Community Smells
von: Annunziata, Giusy, et al.
Veröffentlicht: (2025)

A Validated Taxonomy on Software Energy Smells
von: Mehditabar, Mohammadjavad, et al.
Veröffentlicht: (2026)

Investigating The Smells of LLM Generated Code
von: Paul, Debalina Ghosh, et al.
Veröffentlicht: (2025)

Insights into Security-Related AI-Generated Pull Requests
von: Rabbi, Md Fazle, et al.
Veröffentlicht: (2026)

A First Look at the Self-Admitted Technical Debt in Test Code: Taxonomy and Detection
von: Islam, Shahidul, et al.
Veröffentlicht: (2025)

Code Refactoring with LLM: A Comprehensive Evaluation With Few-Shot Settings
von: Tapader, Md. Raihan, et al.
Veröffentlicht: (2025)

Beyond Translation Accuracy: Addressing False Failures in LLM-Based Code Translation
von: Rabbi, Fazle, et al.
Veröffentlicht: (2026)

Towards a Taxonomy of Software Log Smells
von: Saarimäki, Nyyti, et al.
Veröffentlicht: (2024)

A Novel Taxonomy and Classification Scheme for Code Smell Interactions
von: Gupta, Ruchin, et al.
Veröffentlicht: (2025)

A Catalog of Transformations to Remove Smells From Natural Language Tests
von: Aranda, Manoel, et al.
Veröffentlicht: (2024)

EnseSmells: Deep ensemble and programming language models for automated code smells detection
von: Ho, Anh, et al.
Veröffentlicht: (2025)

On the Impact of Requirements Smells in Prompts: The Case of Automated Traceability
von: Vogelsang, Andreas, et al.
Veröffentlicht: (2025)

Empirical Study of the Docker Smells Impact on the Image Size
von: Durieux, Thomas
Veröffentlicht: (2023)

Empirical Characterization of Logging Smells in Machine Learning Code
von: Foalem, Patrick Loic, et al.
Veröffentlicht: (2026)

Towards Automated Detection of Inline Code Comment Smells
von: Oztas, Ipek, et al.
Veröffentlicht: (2025)

Empirical Characterization of Logging Smells in Machine Learning Code
von: Foalem, Patrick Loic, et al.
Veröffentlicht: (2026)

ROSE: Transformer-Based Refactoring Recommendation for Architectural Smells
von: Nursapa, Samal, et al.
Veröffentlicht: (2025)

An Empirical Evaluation of Code Smell Detection in Angular Applications
von: Nunes, Maykon, et al.
Veröffentlicht: (2026)

The Influence of Code Smells in Efferent Neighbors on Class Stability
von: Zhang, Zushuai, et al.
Veröffentlicht: (2026)

Bias Unveiled: Investigating Social Bias in LLM-Generated Code
von: Ling, Lin, et al.
Veröffentlicht: (2024)

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

From Threads to Trajectories: A Multi-LLM Pipeline for Community Knowledge Extraction from GitHub Issue Discussions
von: Joynab, Nazia Shehnaz, et al.
Veröffentlicht: (2026)