Buchumschlag

Leveraging Reviewer Experience in Code Review Comment Generation

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Lin, Hong Yi, Thongtanunam, Patanamon, Treude, Christoph, Godfrey, Michael W., Liu, Chunhua, Charoenwet, Wachiraphan
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

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

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

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

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

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

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

CodeReviewQA: The Code Review Comprehension Assessment for Large Language Models
von: Lin, Hong Yi, et al.
Veröffentlicht: (2025)

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

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

Fine-grained Approaches for Confidence Calibration of LLMs in Automated Code Revision
von: Lin, Hong Yi, et al.
Veröffentlicht: (2026)

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)

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

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

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

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

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

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

Issue-Oriented Agent-Based Framework for Automated Review Comment Generation
von: Li, Shuochuan, et al.
Veröffentlicht: (2025)

AI-Assisted Code Review as a Scaffold for Code Quality and Self-Regulated Learning: An Experience Report
von: Oliveira, Eduardo, et al.
Veröffentlicht: (2026)

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

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

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

Practitioners' Challenges and Perceptions of CI Build Failure Predictions at Atlassian
von: Hong, Yang, et al.
Veröffentlicht: (2024)

Following Dragons: Code Review-Guided Fuzzing
von: Luu, Viet Hoang, et al.
Veröffentlicht: (2026)

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

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

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

Open Source Software Development Tool Installation: Challenges and Strategies For Novice Developers
von: Salerno, Larissa, et al.
Veröffentlicht: (2024)

Prompting and Fine-tuning Large Language Models for Automated Code Review Comment Generation
von: Haider, Md. Asif, et al.
Veröffentlicht: (2024)

DeepCRCEval: Revisiting the Evaluation of Code Review Comment Generation
von: Lu, Junyi, et al.
Veröffentlicht: (2024)

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

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

Automated Code Review Assignments: An Alternative Perspective of Code Ownership on GitHub
von: Lulla, Jai Lal, et al.
Veröffentlicht: (2025)

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

Adversarial Attacks on Code Models with Discriminative Graph Patterns
von: Nguyen, Thanh-Dat, et al.
Veröffentlicht: (2023)

Breaking Changes in Software Ecosystems: A Systematic Literature Review
von: Chen, Juntao, et al.
Veröffentlicht: (2026)

Prompt-Driven Code Summarization: A Systematic Literature Review
von: Farjana, Afia, et al.
Veröffentlicht: (2026)

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

Can LLMs Replace Manual Annotation of Software Engineering Artifacts?
von: Ahmed, Toufique, et al.
Veröffentlicht: (2024)

Grounded AI for Code Review: Resource-Efficient Large-Model Serving in Enterprise Pipelines
von: Mandal, Sayan, et al.
Veröffentlicht: (2025)