Buchumschlag

Will It Survive? Deciphering the Fate of AI-Generated Code in Open Source

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Rahman, Musfiqur, Shihab, Emad
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

Beyond Synthetic Benchmarks: Evaluating LLM Performance on Real-World Class-Level Code Generation
von: Rahman, Musfiqur, et al.
Veröffentlicht: (2025)

OpenClassGen: A Large-Scale Corpus of Real-World Python Classes for LLM Research
von: Rahman, Musfiqur, et al.
Veröffentlicht: (2025)

Automatic Detection of LLM-Generated Code: A Comparative Case Study of Contemporary Models Across Function and Class Granularities
von: Rahman, Musfiqur, et al.
Veröffentlicht: (2024)

The Impact of Environment Configurations on the Stability of AI-Enabled Systems
von: Rahman, Musfiqur, et al.
Veröffentlicht: (2024)

Evaluating the Use of LLMs for Documentation to Code Traceability
von: Alor, Ebube, et al.
Veröffentlicht: (2025)

Understanding the Helpfulness of Stale Bot for Pull-based Development: An Empirical Study of 20 Large Open-Source Projects
von: Khatoonabadi, SayedHassan, et al.
Veröffentlicht: (2023)

Evaluating the Use of LLMs for Automated DOM-Level Resolution of Web Performance Issues
von: Peters, Gideon, et al.
Veröffentlicht: (2026)

How Robust are LLM-Generated Library Imports? An Empirical Study using Stack Overflow
von: Latendresse, Jasmine, et al.
Veröffentlicht: (2025)

Automated File-Level Logging Generation for Machine Learning Applications using LLMs: A Case Study using GPT-4o Mini
von: Rodriguez, Mayra Sofia Ruiz, et al.
Veröffentlicht: (2025)

Generating High-Quality Datasets for Code Editing via Open-Source Language Models
von: Zhang, Zekai, et al.
Veröffentlicht: (2025)

From Natural Language to Verified Code: Toward AI Assisted Problem-to-Code Generation with Dafny-Based Formal Verification
von: Erfan, Md, et al.
Veröffentlicht: (2026)

Tokenomics: Quantifying Where Tokens Are Used in Agentic Software Engineering
von: Salim, Mohamad, et al.
Veröffentlicht: (2026)

Is ChatGPT a Good Software Librarian? An Exploratory Study on the Use of ChatGPT for Software Library Recommendations
von: Latendresse, Jasmine, et al.
Veröffentlicht: (2024)

An Approach for Auto Generation of Labeling Functions for Software Engineering Chatbots
von: Alor, Ebube, et al.
Veröffentlicht: (2024)

On Wasted Contributions: Understanding the Dynamics of Contributor-Abandoned Pull Requests
von: Khatoonabadi, SayedHassan, et al.
Veröffentlicht: (2021)

Predicting the First Response Latency of Maintainers and Contributors in Pull Requests
von: Khatoonabadi, SayedHassan, et al.
Veröffentlicht: (2023)

What Makes Code Generation Ethically Sourced?
von: Xu, Zhuolin, et al.
Veröffentlicht: (2025)

Synergizing LLMs and Knowledge Graphs: A Novel Approach to Software Repository-Related Question Answering
von: Abedu, Samuel, et al.
Veröffentlicht: (2024)

A Controlled Experiment on the Energy Efficiency of the Source Code Generated by Code Llama
von: Cursaru, Vlad-Andrei, et al.
Veröffentlicht: (2024)

A State-of-the-practice Release-readiness Checklist for Generative AI-based Software Products
von: Patel, Harsh, et al.
Veröffentlicht: (2024)

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

DeepCode: Open Agentic Coding
von: Li, Zongwei, et al.
Veröffentlicht: (2025)

Future of Code with Generative AI: Transparency and Safety in the Era of AI Generated Software
von: Hanson, David
Veröffentlicht: (2025)

On the Adoption of AI Coding Agents in Open-source Android and iOS Development
von: Khan, Muhammad Ahmad, et al.
Veröffentlicht: (2026)

Open-Source AI-based SE Tools: Opportunities and Challenges of Collaborative Software Learning
von: Lin, Zhihao, et al.
Veröffentlicht: (2024)

A Survey of Bugs in AI-Generated Code
von: Gao, Ruofan, et al.
Veröffentlicht: (2025)

Automating Patch Set Generation from Code Review Comments Using Large Language Models
von: Rahman, Tajmilur, et al.
Veröffentlicht: (2024)

AI Code in the Wild: Measuring Security Risks and Ecosystem Shifts of AI-Generated Code in Modern Software
von: Wang, Bin, et al.
Veröffentlicht: (2025)

Assessing AI Detectors in Identifying AI-Generated Code: Implications for Education
von: Pan, Wei Hung, et al.
Veröffentlicht: (2024)

From Hugging Face to GitHub: Tracing License Drift in the Open-Source AI Ecosystem
von: Jewitt, James, et al.
Veröffentlicht: (2025)

SourceP: Detecting Ponzi Schemes on Ethereum with Source Code
von: Lu, Pengcheng, et al.
Veröffentlicht: (2023)

Empowering AI to Generate Better AI Code: Guided Generation of Deep Learning Projects with LLMs
von: Xie, Chen, et al.
Veröffentlicht: (2025)

Distilled GPT for Source Code Summarization
von: Su, Chia-Yi, et al.
Veröffentlicht: (2023)

The Present and Future of Bots in Software Engineering
von: Shihab, Emad, et al.
Veröffentlicht: (2022)

On Developers' Self-Declaration of AI-Generated Code: An Analysis of Practices
von: Kashif, Syed Mohammad, et al.
Veröffentlicht: (2025)

Relative Positioning Based Code Chunking Method For Rich Context Retrieval In Repository Level Code Completion Task With Code Language Model
von: Rahman, Imranur, et al.
Veröffentlicht: (2025)

Generating Software Architecture Description from Source Code using Reverse Engineering and Large Language Model
von: Hatahet, Ahmad, et al.
Veröffentlicht: (2025)

Semantic Similarity Loss for Neural Source Code Summarization
von: Su, Chia-Yi, et al.
Veröffentlicht: (2023)

Speed at the Cost of Quality: How Cursor AI Increases Short-Term Velocity and Long-Term Complexity in Open-Source Projects
von: He, Hao, et al.
Veröffentlicht: (2025)

AI-Generated Smells: An Analysis of Code and Architecture in LLM and Agent-Driven Development
von: Zhu, Yuecai, et al.
Veröffentlicht: (2026)