Buchumschlag

Brevity is the Soul of Wit: Condensing Code Changes to Improve Commit Message Generation

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Kuang, Hongyu, Zhang, Ning, Gao, Hui, Zhou, Xin, Assunção, Wesley K. G., Ma, Xiaoxing, Shao, Dong, Rong, Guoping, Zhang, He
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

Does AI Code Review Lead to Code Changes? A Case Study of GitHub Actions
von: Sun, Kexin, et al.
Veröffentlicht: (2025)

AVIATE: Exploiting Translation Variants of Artifacts to Improve IR-based Traceability Recovery in Bilingual Software Projects
von: Sun, Kexin, et al.
Veröffentlicht: (2024)

TRIAD: Automated Traceability Recovery based on Biterm-enhanced Deduction of Transitive Links among Artifacts
von: Gao, Hui, et al.
Veröffentlicht: (2023)

Improving LLM-Based Go Code Review through Issue-List Generation and Context Augmentation
von: Sun, Kexin, et al.
Veröffentlicht: (2026)

CodeFuse-CommitEval: Towards Benchmarking LLM's Power on Commit Message and Code Change Inconsistency Detection
von: Zhang, Qingyu, et al.
Veröffentlicht: (2025)

AUCAD: Automated Construction of Alignment Dataset from Log-Related Issues for Enhancing LLM-based Log Generation
von: Zhang, Hao, et al.
Veröffentlicht: (2024)

KADEL: Knowledge-Aware Denoising Learning for Commit Message Generation
von: Tao, Wei, et al.
Veröffentlicht: (2024)

Refactoring $\neq$ Bug-Inducing: Improving Defect Prediction with Code Change Tactics Analysis
von: Niu, Feifei, et al.
Veröffentlicht: (2025)

Beyond Resolution Rates: Behavioral Drivers of Coding Agent Success and Failure
von: Mehtiyev, Tural, et al.
Veröffentlicht: (2026)

Contextual Code Retrieval for Commit Message Generation: A Preliminary Study
von: Xiong, Bo, et al.
Veröffentlicht: (2025)

RAG-Enhanced Commit Message Generation
von: Zhang, Linghao, et al.
Veröffentlicht: (2024)

Improving the Quality of Commit Messages in Students' Projects
von: Ma, Iris, et al.
Veröffentlicht: (2023)

Evaluating Generated Commit Messages with Large Language Models
von: Zeng, Qunhong, et al.
Veröffentlicht: (2025)

Test Code Review in the Era of GitHub Actions: A Replication Study
von: Sun, Hui, et al.
Veröffentlicht: (2026)

Optimization is Better than Generation: Optimizing Commit Message Leveraging Human-written Commit Message
von: Li, Jiawei, et al.
Veröffentlicht: (2025)

AACR-Bench: Evaluating Automatic Code Review with Holistic Repository-Level Context
von: Zhang, Lei, et al.
Veröffentlicht: (2026)

CommitSuite: A Comprehensive Benchmark for Commit Classification and Message Generation
von: Wan, Zirui, et al.
Veröffentlicht: (2026)

CommitBench: A Benchmark for Commit Message Generation
von: Schall, Maximilian, et al.
Veröffentlicht: (2024)

Commit Messages in the Age of Large Language Models
von: Lopes, Cristina V., et al.
Veröffentlicht: (2024)

Automated Generation of Commit Messages in Software Repositories
von: Palakodeti, Varun Kumar, et al.
Veröffentlicht: (2025)

Using Large Language Models for Commit Message Generation: A Preliminary Study
von: Zhang, Linghao, et al.
Veröffentlicht: (2024)

CoRaCMG: Contextual Retrieval-Augmented Framework for Commit Message Generation
von: Xiong, Bo, et al.
Veröffentlicht: (2025)

CoMRAT: Commit Message Rationale Analysis Tool
von: Dhaouadi, Mouna, et al.
Veröffentlicht: (2025)

Is LLM-Generated Code More Maintainable \& Reliable than Human-Written Code?
von: Molison, Alfred Santa, et al.
Veröffentlicht: (2025)

Identifying Bug Inducing Commits by Combining Fault Localisation and Code Change Histories
von: An, Gabin, et al.
Veröffentlicht: (2025)

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

Compilation of Commit Changes within Java Source Code Repositories
von: Schott, Stefan, et al.
Veröffentlicht: (2024)

On the Informativeness of Security Commit Messages: A Large-scale Replication Study
von: Islam, Syful, et al.
Veröffentlicht: (2026)

Context Conquers Parameters: Outperforming Proprietary LLM in Commit Message Generation
von: Imani, Aaron, et al.
Veröffentlicht: (2024)

Identifying Root Cause of bugs by Capturing Changed Code Lines with Relational Graph Neural Networks
von: Zhang, Jiaqi, et al.
Veröffentlicht: (2025)

SynthCoder: A Synthetical Strategy to Tune LLMs for Code Completion
von: Yu, Dongjun, et al.
Veröffentlicht: (2025)

What Makes Good In-context Demonstrations for Code Intelligence Tasks with LLMs?
von: Gao, Shuzheng, et al.
Veröffentlicht: (2023)

Rationale Dataset and Analysis for the Commit Messages of the Linux Kernel Out-of-Memory Killer
von: Dhaouadi, Mouna, et al.
Veröffentlicht: (2024)

Automated Commit Message Generation with Large Language Models: An Empirical Study and Beyond
von: Xue, Pengyu, et al.
Veröffentlicht: (2024)

An Empirical Study on Commit Message Generation using LLMs via In-Context Learning
von: Wu, Yifan, et al.
Veröffentlicht: (2025)

On the Use of Commit Messages for Corrective Software Maintenance: A Systematic Mapping Study
von: Islam, Syful, et al.
Veröffentlicht: (2026)

Detecting Build Dependency Errors in Incremental Builds
von: Lyu, Jun, et al.
Veröffentlicht: (2024)

Beyond the Commit: Developer Perspectives on Productivity with AI Coding Assistants
von: Chen, Valerie, et al.
Veröffentlicht: (2026)

Modularization is Better: Effective Code Generation with Modular Prompting
von: Pan, Ruwei, et al.
Veröffentlicht: (2025)

Consider What Humans Consider: Optimizing Commit Message Leveraging Contexts Considered By Human
von: Li, Jiawei, et al.
Veröffentlicht: (2025)