:: Library Catalog

Buchumschlag

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	O'Brien, Conor, Rodriguez-Cardenas, Daniel, Velasco, Alejandro, Palacio, David N., Poshyvanyk, Denys
Format:	Preprint
Veröffentlicht:	2024
Schlagworte:	Software Engineering
Online-Zugang:	https://arxiv.org/abs/2411.17927
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Which Syntactic Capabilities Are Statistically Learned by Masked Language Models for Code?
von: Velasco, Alejandro, et al.
Veröffentlicht: (2024)

Towards Enabling An Artificial Self-Construction Software Life-cycle via Autopoietic Architectures
von: Rodriguez-Cardenas, Daniel, et al.
Veröffentlicht: (2026)

How Propense Are Large Language Models at Producing Code Smells? A Benchmarking Study
von: Velasco, Alejandro, et al.
Veröffentlicht: (2024)

SnipGen: A Mining Repository Framework for Evaluating LLMs for Code
von: Rodriguez-Cardenas, Daniel, et al.
Veröffentlicht: (2025)

On Interpreting the Effectiveness of Unsupervised Software Traceability with Information Theory
von: Palacio, David N., et al.
Veröffentlicht: (2024)

A Causal Perspective on Measuring, Explaining and Mitigating Smells in LLM-Generated Code
von: Velasco, Alejandro, et al.
Veröffentlicht: (2025)

Enabling Global, Human-Centered Explanations for LLMs:From Tokens to Interpretable Code and Test Generation
von: Khati, Dipin, et al.
Veröffentlicht: (2025)

Towards More Trustworthy and Interpretable LLMs for Code through Syntax-Grounded Explanations
von: Palacio, David N., et al.
Veröffentlicht: (2024)

Mapping the Trust Terrain: LLMs in Software Engineering -- Insights and Perspectives
von: Khati, Dipin, et al.
Veröffentlicht: (2025)

Rethinking Software Empirical Studies with Structural Causal Models
von: Rodriguez-Cardenas, Daniel, et al.
Veröffentlicht: (2026)

Toward Neurosymbolic Program Comprehension
von: Velasco, Alejandro, et al.
Veröffentlicht: (2025)

A Path Less Traveled: Reimagining Software Engineering Automation via a Neurosymbolic Paradigm
von: Mastropaolo, Antonio, et al.
Veröffentlicht: (2025)

Towards Comprehensive Benchmarking Infrastructure for LLMs In Software Engineering
von: Rodriguez-Cardenas, Daniel, et al.
Veröffentlicht: (2026)

Toward a Theory of Causation for Interpreting Neural Code Models
von: Palacio, David N., et al.
Veröffentlicht: (2023)

Perspective of Software Engineering Researchers on Machine Learning Practices Regarding Research, Review, and Education
von: Mojica-Hanke, Anamaria, et al.
Veröffentlicht: (2024)

Bridging the Quantum Divide: Aligning Academic and Industry Goals in Software Engineering
von: Zappin, Jake, et al.
Veröffentlicht: (2025)

Detecting and Correcting Hallucinations in LLM-Generated Code via Deterministic AST Analysis
von: Khati, Dipin, et al.
Veröffentlicht: (2026)

Tricky$^2$: Towards a Benchmark for Evaluating Human and LLM Error Interactions
von: Granger, Cole, et al.
Veröffentlicht: (2026)

How Do Semantically Equivalent Code Transformations Impact Membership Inference on LLMs for Code?
von: Yang, Hua, et al.
Veröffentlicht: (2025)

Challenges and Practices in Quantum Software Testing and Debugging: Insights from Practitioners
von: Zappin, Jake, et al.
Veröffentlicht: (2025)

Prompting in Practice: Investigating Software Practitioners' Use of Generative AI Tools
von: Otten, Daniel, et al.
Veröffentlicht: (2025)

On the Effectiveness of LLM-as-a-judge for Code Generation and Summarization
von: Crupi, Giuseppe, et al.
Veröffentlicht: (2025)

"Don't Be Afraid, Just Learn": Insights from Industry Practitioners to Prepare Software Engineers in the Age of Generative AI
von: Otten, Daniel, et al.
Veröffentlicht: (2026)

Understanding Privacy Risks in Code Models Through Training Dynamics: A Causal Approach
von: Yang, Hua, et al.
Veröffentlicht: (2025)

Testing Practices, Challenges, and Developer Perspectives in Open-Source IoT Platforms
von: Rodriguez-Cardenas, Daniel, et al.
Veröffentlicht: (2025)

"The Law Doesn't Work Like a Computer": Exploring Software Licensing Issues Faced by Legal Practitioners
von: Wintersgill, Nathan, et al.
Veröffentlicht: (2024)

Toward Explaining Large Language Models in Software Engineering Tasks
von: Vitale, Antonio, et al.
Veröffentlicht: (2025)

BOMs Away! Inside the Minds of Stakeholders: A Comprehensive Study of Bills of Materials for Software Systems
von: Stalnaker, Trevor, et al.
Veröffentlicht: (2023)

How Far Are We? The Triumphs and Trials of Generative AI in Learning Software Engineering
von: Choudhuri, Rudrajit, et al.
Veröffentlicht: (2023)

Towards a Science of Causal Interpretability in Deep Learning for Software Engineering
von: Palacio, David N.
Veröffentlicht: (2025)

When Quantum Meets Classical: Characterizing Hybrid Quantum-Classical Issues Discussed in Developer Forums
von: Zappin, Jake, et al.
Veröffentlicht: (2024)

On the Generalizability of Transformer Models to Code Completions of Different Lengths
von: Cooper, Nathan, et al.
Veröffentlicht: (2025)

Towards More Trustworthy Deep Code Models by Enabling Out-of-Distribution Detection
von: Yan, Yanfu, et al.
Veröffentlicht: (2025)

Developers' Perspectives on Software Licensing: Current Practices, Challenges, and Tools
von: Wintersgill, Nathan, et al.
Veröffentlicht: (2025)

Model Editing for LLMs4Code: How Far are We?
von: Li, Xiaopeng, et al.
Veröffentlicht: (2024)

Using LLMs for Security Advisory Investigations: How Far Are We?
von: Abdullah, Bayu Fedra, et al.
Veröffentlicht: (2025)

Duplicate Bug Report Detection: How Far Are We?
von: Zhang, Ting, et al.
Veröffentlicht: (2022)

How Scientists Use Large Language Models to Program
von: O'Brien, Gabrielle
Veröffentlicht: (2025)

Representation Learning for Stack Overflow Posts: How Far are We?
von: He, Junda, et al.
Veröffentlicht: (2023)

Developer Perspectives on Licensing and Copyright Issues Arising from Generative AI for Software Development
von: Stalnaker, Trevor, et al.
Veröffentlicht: (2024)