Buchumschlag

How do Copilot Suggestions Impact Developers' Frustration and Productivity?

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Guglielmi, Emanuela, Arnoudova, Venera, Bavota, Gabriele, Oliveto, Rocco, 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

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

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

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

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

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

Optimizing Datasets for Code Summarization: Is Code-Comment Coherence Enough?
von: Vitale, Antonio, et al.
Veröffentlicht: (2025)

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

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

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

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

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

Deep Learning-based Code Completion: On the Impact on Performance of Contextual Information
von: Ciniselli, Matteo, et al.
Veröffentlicht: (2025)

Automating Code Review: A Systematic Literature Review
von: Tufano, Rosalia, et al.
Veröffentlicht: (2025)

Bug Detective and Quality Coach: Developers' Mental Models of AI-Assisted IDE Tools
von: Buono, Paolo, et al.
Veröffentlicht: (2025)

SEART Data Hub: Streamlining Large-Scale Source Code Mining and Pre-Processing
von: Dabić, Ozren, et al.
Veröffentlicht: (2024)

Studying Quality Improvements Recommended via Manual and Automated Code Review
von: Crupi, Giuseppe, et al.
Veröffentlicht: (2026)

Improving Code Generation via Small Language Model-as-a-judge
von: Crupi, Giuseppe, et al.
Veröffentlicht: (2026)

Why Personalizing Deep Learning-Based Code Completion Tools Matters
von: Giagnorio, Alessandro, et al.
Veröffentlicht: (2025)

Enhancing Code Generation for Low-Resource Languages: No Silver Bullet
von: Giagnorio, Alessandro, et al.
Veröffentlicht: (2025)

On the Generalizability of Deep Learning-based Code Completion Across Programming Language Versions
von: Ciniselli, Matteo, et al.
Veröffentlicht: (2024)

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

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

Exploring the Effect of Multiple Natural Languages on Code Suggestion Using GitHub Copilot
von: Koyanagi, Kei, et al.
Veröffentlicht: (2024)

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

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

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

How Do Developers Use Code Suggestions in Pull Request Reviews?
von: Bouraffa, Abir, et al.
Veröffentlicht: (2025)

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

Developer Productivity With and Without GitHub Copilot: A Longitudinal Mixed-Methods Case Study
von: Stray, Viktoria, et al.
Veröffentlicht: (2025)

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

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

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

To Copilot and Beyond: 22 AI Systems Developers Want Built
von: Choudhuri, Rudrajit, et al.
Veröffentlicht: (2026)

SATORI: Static Test Oracle Generation for REST APIs
von: Alonso, Juan C., et al.
Veröffentlicht: (2025)

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

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

Deep Learning-based Code Reviews: A Paradigm Shift or a Double-Edged Sword?
von: Tufano, Rosalia, et al.
Veröffentlicht: (2024)

From Developer Pairs to AI Copilots: A Comparative Study on Knowledge Transfer
von: Welter, Alisa, et al.
Veröffentlicht: (2025)

Predicting Developer Acceptance of AI-Generated Code Suggestions
von: Jiang, Jing, et al.
Veröffentlicht: (2026)

Copilot-in-the-Loop: Fixing Code Smells in Copilot-Generated Python Code using Copilot
von: Zhang, Beiqi, et al.
Veröffentlicht: (2024)