Buchumschlag

Lost in Transcription: How Speech-to-Text Errors Derail Code Understanding

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Havare, Jayant, Mittal, Ashish, Tamilselvam, Srikanth, Ramakrishnan, Ganesh
Format:	Preprint
Veröffentlicht:	2026
Schlagworte:	Software Engineering Artificial Intelligence
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

A Code Comprehension Benchmark for Large Language Models for Code
von: Havare, Jayant, et al.
Veröffentlicht: (2025)

CodeVaani: A Multilingual, Voice-Based Code Learning Assistant
von: Havare, Jayant, et al.
Veröffentlicht: (2025)

Robustness and Reasoning Fidelity of Large Language Models in Long-Context Code Question Answering
von: Maharaj, Kishan, et al.
Veröffentlicht: (2026)

ConCodeEval: Evaluating Large Language Models for Code Constraints in Domain-Specific Languages
von: Kammakomati, Mehant, et al.
Veröffentlicht: (2024)

DocCGen: Document-based Controlled Code Generation
von: Pimparkhede, Sameer, et al.
Veröffentlicht: (2024)

ETF: An Entity Tracing Framework for Hallucination Detection in Code Summaries
von: Maharaj, Kishan, et al.
Veröffentlicht: (2024)

Code Hallucination
von: Rahman, Mirza Masfiqur, et al.
Veröffentlicht: (2024)

Codev-Bench: How Do LLMs Understand Developer-Centric Code Completion?
von: Pan, Zhenyu, et al.
Veröffentlicht: (2024)

CodeCoT: Tackling Code Syntax Errors in CoT Reasoning for Code Generation
von: Huang, Dong, et al.
Veröffentlicht: (2023)

FastCode: Fast and Cost-Efficient Code Understanding and Reasoning
von: Li, Zhonghang, et al.
Veröffentlicht: (2026)

CodeSSM: Towards State Space Models for Code Understanding
von: Verma, Shweta, et al.
Veröffentlicht: (2025)

Theory of Code Space: Do Code Agents Understand Software Architecture?
von: Sapunov, Grigory
Veröffentlicht: (2026)

Auto-SPT: Automating Semantic Preserving Transformations for Code
von: Hooda, Ashish, et al.
Veröffentlicht: (2025)

Eliminating Hallucination-Induced Errors in LLM Code Generation with Functional Clustering
von: Ravuri, Chaitanya, et al.
Veröffentlicht: (2025)

Modeling Code: Is Text All You Need?
von: Nichols, Daniel, et al.
Veröffentlicht: (2025)

The Code Barrier: What LLMs Actually Understand?
von: Nikiema, Serge Lionel, et al.
Veröffentlicht: (2025)

Understanding Defects in Generated Codes by Language Models
von: Esfahani, Ali Mohammadi, et al.
Veröffentlicht: (2024)

Do Code LLMs Understand Design Patterns?
von: Pan, Zhenyu, et al.
Veröffentlicht: (2025)

Uncovering Code Insights: Leveraging GitHub Artifacts for Deeper Code Understanding
von: Nevo, Ziv, et al.
Veröffentlicht: (2025)

Beyond Isolated Tasks: A Framework for Evaluating Coding Agents on Sequential Software Evolution
von: Shastry, KN Ajay, et al.
Veröffentlicht: (2026)

CodeWatcher: IDE Telemetry Data Extraction Tool for Understanding Coding Interactions with LLMs
von: Basha, Manaal, et al.
Veröffentlicht: (2025)

In-Context Code-Text Learning for Bimodal Software Engineering
von: Tang, Xunzhu, et al.
Veröffentlicht: (2024)

An Empirical Study of Knowledge Distillation for Code Understanding Tasks
von: Wang, Ruiqi, et al.
Veröffentlicht: (2025)

SpecBench: Measuring Reward Hacking in Long-Horizon Coding Agents
von: Zhao, Bingchen, et al.
Veröffentlicht: (2026)

Large Language Models for In-File Vulnerability Localization Can Be "Lost in the End"
von: Sovrano, Francesco, et al.
Veröffentlicht: (2025)

Codellm-Devkit: A Framework for Contextualizing Code LLMs with Program Analysis Insights
von: Krishna, Rahul, et al.
Veröffentlicht: (2024)

Understanding the Limits of Automated Evaluation for Code Review Bots in Practice
von: Karakaya, Veli, et al.
Veröffentlicht: (2026)

SWE-QA: A Dataset and Benchmark for Complex Code Understanding
von: Elkoussy, Laïla, et al.
Veröffentlicht: (2026)

Predicting the Understandability of Computational Notebooks through Code Metrics Analysis
von: Ghahfarokhi, Mojtaba Mostafavi, et al.
Veröffentlicht: (2024)

GenCode: A Generic Data Augmentation Framework for Boosting Deep Learning-Based Code Understanding
von: Dong, Zeming, et al.
Veröffentlicht: (2024)

How Do Agents Perform Code Optimization? An Empirical Study
von: Peng, Huiyun, et al.
Veröffentlicht: (2025)

Neuron-Guided Interpretation of Code LLMs: Where, Why, and How?
von: Yin, Zhe, et al.
Veröffentlicht: (2025)

Chatbot-Based Assessment of Code Understanding in Automated Programming Assessment Systems
von: Frankford, Eduard, et al.
Veröffentlicht: (2026)

Towards Better Code Understanding in Decoder-Only Models with Contrastive Learning
von: Lin, Jiayi, et al.
Veröffentlicht: (2024)

Understanding Code Agent Behaviour: An Empirical Study of Success and Failure Trajectories
von: Majgaonkar, Oorja, et al.
Veröffentlicht: (2025)

Mutation-based Consistency Testing for Evaluating the Code Understanding Capability of LLMs
von: Li, Ziyu, et al.
Veröffentlicht: (2024)

An Empirical Study on Capability of Large Language Models in Understanding Code Semantics
von: Nguyen, Thu-Trang, et al.
Veröffentlicht: (2024)

ReDef: Do Code Language Models Truly Understand Code Changes for Just-in-Time Software Defect Prediction?
von: Nam, Doha, et al.
Veröffentlicht: (2025)

Do Large Code Models Understand Programming Concepts? Counterfactual Analysis for Code Predicates
von: Hooda, Ashish, et al.
Veröffentlicht: (2024)

Boosting Source Code Learning with Text-Oriented Data Augmentation: An Empirical Study
von: Dong, Zeming, et al.
Veröffentlicht: (2023)