Buchumschlag

Optimizing Datasets for Code Summarization: Is Code-Comment Coherence Enough?

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Vitale, Antonio, Mastropaolo, Antonio, Oliveto, Rocco, Di Penta, Massimiliano, Scalabrino, Simone
Format:	Preprint
Veröffentlicht:	2025
Schlagworte:	Software Engineering
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

On the Impact of Code Comments for Automated Bug-Fixing: An Empirical Study
von: Vitale, Antonio, et al.
Veröffentlicht: (2026)

Personalized Code Readability Assessment: Are We There Yet?
von: Vitale, Antonio, et al.
Veröffentlicht: (2025)

Not All Tokens Matter: Data-Centric Optimization for Efficient Code Summarization
von: Afrin, Saima, et al.
Veröffentlicht: (2026)

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

Beyond Code Similarity: Benchmarking the Plausibility, Efficiency, and Complexity of LLM-Generated Smart Contracts
von: Salzano, Francesco, et al.
Veröffentlicht: (2025)

Evaluating the Impact of Post-Training Quantization on Large Language Models for Code Generation
von: Giagnorio, Alessandro, et al.
Veröffentlicht: (2025)

How the Training Procedure Impacts the Performance of Deep Learning-based Vulnerability Patching
von: Mastropaolo, Antonio, et al.
Veröffentlicht: (2024)

Fixing Smart Contract Vulnerabilities: A Comparative Analysis of Literature and Developer's Practices
von: Salzano, Francesco, et al.
Veröffentlicht: (2024)

Automated Refactoring of Non-Idiomatic Python Code: A Differentiated Replication with LLMs
von: Midolo, Alessandro, et al.
Veröffentlicht: (2025)

A Taxonomy of Self-Admitted Technical Debt in Deep Learning Systems
von: Pepe, Federica, et al.
Veröffentlicht: (2024)

Resource-Efficient & Effective Code Summarization
von: Afrin, Saima, et al.
Veröffentlicht: (2025)

Identifying and Replicating Code Patterns Driving Performance Regressions in Software Systems
von: Campos, Denivan, et al.
Veröffentlicht: (2025)

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

How do Copilot Suggestions Impact Developers' Frustration and Productivity?
von: Guglielmi, Emanuela, et al.
Veröffentlicht: (2025)

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

Unveiling ChatGPT's Usage in Open Source Projects: A Mining-based Study
von: Tufano, Rosalia, et al.
Veröffentlicht: (2024)

Towards Summarizing Code Snippets Using Pre-Trained Transformers
von: Mastropaolo, Antonio, et al.
Veröffentlicht: (2024)

An Empirical Study on the Effects of System Prompts in Instruction-Tuned Models for Code Generation
von: Cheng, Zaiyu, et al.
Veröffentlicht: (2026)

An empirical analysis of vulnerability detection tools for solidity smart contracts
von: Salzano, Francesco, et al.
Veröffentlicht: (2025)

Developers and Generative AI: A Study of Self-Admitted Usage in Open Source Projects
von: Tufano, Rosalia, et al.
Veröffentlicht: (2026)

Is Quantization a Deal-breaker? Empirical Insights from Large Code Models
von: Afrin, Saima, et al.
Veröffentlicht: (2025)

Identifying and Characterizing Semantic Clones of Solidity Functions
von: Sannini, Ermanno Francesco, et al.
Veröffentlicht: (2026)

Parameter-Efficient Multi-Task Fine-Tuning in Code-Related Tasks
von: Haque, Md Zahidul, et al.
Veröffentlicht: (2026)

Bridging the Gap: A Comparative Study of Academic and Developer Approaches to Smart Contract Vulnerabilities
von: Salzano, Francesco, et al.
Veröffentlicht: (2025)

CodeGenLink: A Tool to Find the Likely Origin and License of Automatically Generated Code
von: Bifolco, Daniele, et al.
Veröffentlicht: (2025)

A Systematic Literature Review of Parameter-Efficient Fine-Tuning for Large Code Models
von: Afrin, Saima, et al.
Veröffentlicht: (2025)

Do LLMs Provide Links to Code Similar to what they Generate? A Study with Gemini and Bing CoPilot
von: Bifolco, Daniele, et al.
Veröffentlicht: (2025)

Guidelines to Prompt Large Language Models for Code Generation: An Empirical Characterization
von: Midolo, Alessandro, et al.
Veröffentlicht: (2026)

Code Review Automation: Strengths and Weaknesses of the State of the Art
von: Tufano, Rosalia, et al.
Veröffentlicht: (2024)

Augmenting Software Bills of Materials with Software Vulnerability Description: A Preliminary Study on GitHub
von: Fucci, Davide, et al.
Veröffentlicht: (2025)

Fine-grained Multi-Document Extraction and Generation of Code Change Rationale
von: Sun, Mehedi, et al.
Veröffentlicht: (2026)

From Human to Machine Refactoring: Assessing GPT-4's Impact on Python Class Quality and Readability
von: Midolo, Alessandro, et al.
Veröffentlicht: (2026)

Automatic Categorization of GitHub Actions with Transformers and Few-shot Learning
von: Nguyen, Phuong T., et al.
Veröffentlicht: (2024)

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

Smaller = Weaker? Benchmarking Robustness of Quantized LLMs in Code Generation
von: Fang, Sen, et al.
Veröffentlicht: (2025)

Machine Learning in the Wild: Early Evidence of Non-Compliant ML-Automation in Open-Source Software
von: Arshid, Zohaib, et al.
Veröffentlicht: (2026)

Optimizing Deep Learning Models to Address Class Imbalance in Code Comment Classification
von: Mock, Moritz, et al.
Veröffentlicht: (2025)

"Let it be Chaos in the Plumbing!" Usage and Efficacy of Chaos Engineering in DevOps Pipelines
von: Fossati, Stefano, et al.
Veröffentlicht: (2025)

How are MLOps Frameworks Used in Open Source Projects? An Empirical Characterization
von: Zampetti, Fiorella, et al.
Veröffentlicht: (2026)

Code vs Serialized AST Inputs for LLM-Based Code Summarization: An Empirical Study
von: Dong, Shijia, et al.
Veröffentlicht: (2026)