Buchumschlag

Agentic LMs: Hunting Down Test Smells

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Melo, Rian, Simões, Pedro, Gheyi, Rohit, d'Amorim, Marcelo, Ribeiro, Márcio, Soares, Gustavo, Almeida, Eduardo, Soares, Elvys
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

Evaluating Large Language Models in Detecting Test Smells
von: Lucas, Keila, et al.
Veröffentlicht: (2024)

Investigating the Performance of Small Language Models in Detecting Test Smells in Manual Test Cases
von: Lucas, Keila, et al.
Veröffentlicht: (2025)

A Catalog of Transformations to Remove Smells From Natural Language Tests
von: Aranda, Manoel, et al.
Veröffentlicht: (2024)

RefModel: Detecting Refactorings using Foundation Models
von: Simões, Pedro, et al.
Veröffentlicht: (2025)

Foundation Models as Oracles for Refactoring Correctness Detection
von: Gheyi, Rohit, et al.
Veröffentlicht: (2026)

Code Generation with Small Language Models: A Codeforces-Based Study
von: Souza, Débora, et al.
Veröffentlicht: (2025)

Evaluating the Effectiveness of Small Language Models in Detecting Refactoring Bugs
von: Gheyi, Rohit, et al.
Veröffentlicht: (2025)

Evaluating the Capability of LLMs in Identifying Compilation Errors in Configurable Systems
von: Albuquerque, Lucas, et al.
Veröffentlicht: (2024)

Variability-Aware Detection and Repair of Compilation Errors Using Foundation Models in Configurable Systems
von: Gheyi, Rohit, et al.
Veröffentlicht: (2026)

Bugs in the Shadows: Static Detection of Faulty Python Refactorings
von: Oliveira, Jonhnanthan, et al.
Veröffentlicht: (2025)

Misbehavior Forecasting for Focused Autonomous Driving Systems Testing
von: Naziri, M M Abid, et al.
Veröffentlicht: (2025)

Bug Histories as Sources of Compiler Fuzzing Mutators
von: Liu, Lingjun, et al.
Veröffentlicht: (2025)

A Case Study of LLM for Automated Vulnerability Repair: Assessing Impact of Reasoning and Patch Validation Feedback
von: Kulsum, Ummay, et al.
Veröffentlicht: (2024)

Configuration Defects in Kubernetes
von: Zhang, Yue, et al.
Veröffentlicht: (2025)

Improving Deep Learning Library Testing with Machine Learning
von: Molina, Facundo, et al.
Veröffentlicht: (2026)

Testing Deep Learning Libraries via Neurosymbolic Constraint Learning
von: Naziri, M M Abid, et al.
Veröffentlicht: (2026)

Evaluating the Effectiveness of Coverage-Guided Fuzzing for Testing Deep Learning Library APIs
von: Qin, Feiran, et al.
Veröffentlicht: (2025)

Just another copy and paste? Comparing the security vulnerabilities of ChatGPT generated code and StackOverflow answers
von: Hamer, Sivana, et al.
Veröffentlicht: (2024)

Assessing Python Style Guides: An Eye-Tracking Study with Novice Developers
von: Roberto, Pablo, et al.
Veröffentlicht: (2024)

XMutant: XAI-based Fuzzing for Deep Learning Systems
von: Chen, Xingcheng, et al.
Veröffentlicht: (2025)

Code Quality Analysis of Translations from C to Rust
von: Tadesse, Biruk, et al.
Veröffentlicht: (2026)

The Effects of Computational Resources on Flaky Tests
von: Silva, Denini, et al.
Veröffentlicht: (2023)

Test Smell: A Parasitic Energy Consumer in Software Testing
von: Misu, Md Rakib Hossain, et al.
Veröffentlicht: (2023)

A Generic and Efficient Python Runtime Verification System and its Large-scale Evaluation
von: Shen, Zhuohang, et al.
Veröffentlicht: (2025)

Evaluating LLMs Effectiveness in Detecting and Correcting Test Smells: An Empirical Study
von: Santana Jr, E. G., et al.
Veröffentlicht: (2025)

Refactoring for Novices in Java: An Eye Tracking Study on the Extract vs. Inline Methods
von: da Costa, José Aldo Silva, et al.
Veröffentlicht: (2026)

xNose: A Test Smell Detector for C#
von: Paul, Partha P., et al.
Veröffentlicht: (2024)

Adoption of Large Language Models in Scrum Management: Insights from Brazilian Practitioners
von: Perkusich, Mirko, et al.
Veröffentlicht: (2026)

Characterizing Requirements Smells
von: Gentili, Emanuele, et al.
Veröffentlicht: (2024)

Smells Depend on the Context: An Interview Study of Issue Tracking Problems and Smells in Practice
von: Montgomery, Lloyd, et al.
Veröffentlicht: (2026)

SmartOracle -- An Agentic Approach to Mitigate Noise in Differential Oracles
von: Srinivasan, Srinath, et al.
Veröffentlicht: (2026)

An Event-Driven Tool for Context-Aware Code Smell Detection Using SmellDSL
von: Viegas, Matheus dos Santos, et al.
Veröffentlicht: (2026)

Beyond Strict Rules: Assessing the Effectiveness of Large Language Models for Code Smell Detection
von: Souza, Saymon, et al.
Veröffentlicht: (2026)

How Do Communities of ML-Enabled Systems Smell? A Cross-Sectional Study on the Prevalence of Community Smells
von: Annunziata, Giusy, et al.
Veröffentlicht: (2025)

Towards a Taxonomy of Software Log Smells
von: Saarimäki, Nyyti, et al.
Veröffentlicht: (2024)

A Validated Taxonomy on Software Energy Smells
von: Mehditabar, Mohammadjavad, et al.
Veröffentlicht: (2026)

From Code Smells to Best Practices: Tackling Resource Leaks in PyTorch, TensorFlow, and Keras
von: Abdallah, Bashar, et al.
Veröffentlicht: (2025)

DSTC: Direct Preference Learning with Only Self-Generated Tests and Code to Improve Code LMs
von: Liu, Zhihan, et al.
Veröffentlicht: (2024)

On the Impact of Requirements Smells in Prompts: The Case of Automated Traceability
von: Vogelsang, Andreas, et al.
Veröffentlicht: (2025)

Empirical Study of the Docker Smells Impact on the Image Size
von: Durieux, Thomas
Veröffentlicht: (2023)