Buchumschlag

On the Quality of AI-Generated Source Code Comments: A Comprehensive Evaluation

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Guelman, Ian, Leal, Arthur Gregório, Xavier, Laerte, Valente, Marco Tulio
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

Comments or Issues: Where to Document Technical Debt?
von: Xavier, Laerte, et al.
Veröffentlicht: (2024)

Using Copilot Agent Mode to Automate Library Migration: A Quantitative Assessment
von: Almeida, Aylton, et al.
Veröffentlicht: (2025)

Automatic Library Migration Using Large Language Models: First Results
von: Almeida, Aylton, et al.
Veröffentlicht: (2024)

Decoding the Configuration of AI Coding Agents: Insights from Claude Code Projects
von: Santos, Helio Victor F., et al.
Veröffentlicht: (2025)

NoCodeGPT: A No-Code Interface for Building Web Apps with Language Models
von: Monteiro, Mauricio, et al.
Veröffentlicht: (2023)

GitHub Proxy Server: A tool for supporting massive data collection on GitHub
von: Borges, Hudson Silva, et al.
Veröffentlicht: (2025)

Code Smells in Clojure: Initial Findings from a Grey Literature Review
von: Araújo, Walber, et al.
Veröffentlicht: (2026)

Enhancing Code Annotation Reliability: Generative AI's Role in Comment Quality Assessment Models
von: Killivalavan, Seetharam, et al.
Veröffentlicht: (2024)

Comment Traps: How Defective Commented-out Code Augment Defects in AI-Assisted Code Generation
von: Huang, Yuan, et al.
Veröffentlicht: (2025)

SmartDoc: A Context-Aware Agentic Method Comment Generation Plugin
von: Etemadi, Vahid, et al.
Veröffentlicht: (2025)

The Role of Code Proficiency in the Era of Generative AI
von: Robles, Gregorio, et al.
Veröffentlicht: (2024)

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

On Evaluating the Efficiency of Source Code Generated by LLMs
von: Niu, Changan, et al.
Veröffentlicht: (2024)

Evaluating Source Code Quality with Large Language Models: a comparative study
von: Simões, Igor Regis da Silva, et al.
Veröffentlicht: (2024)

Quality In, Quality Out: Investigating Training Data's Role in AI Code Generation
von: Improta, Cristina, et al.
Veröffentlicht: (2025)

Human-Like Code Quality Evaluation through LLM-based Recursive Semantic Comprehension
von: Xu, Fangzhou, et al.
Veröffentlicht: (2024)

Impermanent Identifiers: Enhanced Source Code Comprehension and Refactoring
von: Guerra, Eduardo Martins, et al.
Veröffentlicht: (2024)

Impact of Comments on LLM Comprehension of Legacy Code
von: Sabetto, Rock, et al.
Veröffentlicht: (2025)

Exploring the Impact of Source Code Linearity on the Programmers Comprehension of API Code Examples
von: Alharbi, Seham, et al.
Veröffentlicht: (2024)

Retrieval-Augmented Code Review Comment Generation
von: Hong, Hyunsun, et al.
Veröffentlicht: (2025)

AI builds, We Analyze: An Empirical Study of AI-Generated Build Code Quality
von: Ghammam, Anwar, et al.
Veröffentlicht: (2026)

Improving Retrieval-Augmented Code Comment Generation by Retrieving for Generation
von: Lu, Hanzhen, et al.
Veröffentlicht: (2024)

Evaluating the Performance and Efficiency of Sentence-BERT for Code Comment Classification
von: Peña, Fabian C., et al.
Veröffentlicht: (2025)

Do Comments and Expertise Still Matter? An Experiment on Programmers' Adoption of AI-Generated JavaScript Code
von: Li, Changwen, et al.
Veröffentlicht: (2025)

When Retriever Meets Generator: A Joint Model for Code Comment Generation
von: Le, Tien P. T., et al.
Veröffentlicht: (2025)

Characterizing the Usefulness of Code Review Comments in Scientific Software for Software Quality and Scientific Rigor
von: Ahmed, Sharif, et al.
Veröffentlicht: (2026)

Evaluating the Quality of Code Comments Generated by Large Language Models for Novice Programmers
von: Fan, Aysa Xuemo, et al.
Veröffentlicht: (2024)

An Empirical Study on Automatically Detecting AI-Generated Source Code: How Far Are We?
von: Suh, Hyunjae, et al.
Veröffentlicht: (2024)

Hold On! Is My Feedback Useful? Evaluating the Usefulness of Code Review Comments
von: Ahmed, Sharif, et al.
Veröffentlicht: (2025)

Together or Apart? Investigating a mediator bot to aggregate bot's comments on pull requests
von: Ribeiro, Eric, et al.
Veröffentlicht: (2022)

Are They All Good? Evaluating the Quality of CoTs in LLM-based Code Generation
von: Zhang, Binquan, et al.
Veröffentlicht: (2025)

Issue Retrieval and Verification Enhanced Supplementary Code Comment Generation
von: Zou, Yanzhen, et al.
Veröffentlicht: (2025)

CodeDPO: Aligning Code Models with Self Generated and Verified Source Code
von: Zhang, Kechi, et al.
Veröffentlicht: (2024)

A Qualitative Investigation into LLM-Generated Multilingual Code Comments and Automatic Evaluation Metrics
von: Katzy, Jonathan, et al.
Veröffentlicht: (2025)

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

Will It Survive? Deciphering the Fate of AI-Generated Code in Open Source
von: Rahman, Musfiqur, et al.
Veröffentlicht: (2026)

DSL or Code? Evaluating the Quality of LLM-Generated Algebraic Specifications: A Case Study in Optimization at Kinaxis
von: Ayoughi, Negin, et al.
Veröffentlicht: (2026)

Benchmarks and Metrics for Evaluations of Code Generation: A Critical Review
von: Paul, Debalina Ghosh, et al.
Veröffentlicht: (2024)

PymooLab: An Open-Source Visual Analytics Framework for Multi-Objective Optimization using LLM-Based Code Generation and MCDM
von: Santos, Thiago, et al.
Veröffentlicht: (2026)

Assessing the Quality and Security of AI-Generated Code: A Quantitative Analysis
von: Sabra, Abbas, et al.
Veröffentlicht: (2025)