Buchumschlag

How do Agents Refactor: An Empirical Study

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Ottenhof, Lukas, Penner, Daniel, Hindle, Abram, Lutellier, Thibaud
Format:	Preprint
Veröffentlicht:	2026
Schlagworte:	Software Engineering
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Exploring the Jupyter Ecosystem: An Empirical Study of Bugs and Vulnerabilities
von: Jiang, Wenyuan, et al.
Veröffentlicht: (2025)

Patterns of Multi-Container Composition for Service Orchestration with Docker Compose
von: Eng, Kalvin, et al.
Veröffentlicht: (2023)

Mining Type Constructs Using Patterns in AI-Generated Code
von: Lee, Imgyeong, et al.
Veröffentlicht: (2026)

An Empirical Study of Refactoring Engine Bugs
von: Wang, Haibo, et al.
Veröffentlicht: (2024)

IRJIT: A Simple, Online, Information Retrieval Approach for Just-In-Time Software Defect Prediction
von: Sahar, Hareem, et al.
Veröffentlicht: (2022)

Automated Bug Frame Retrieval from Gameplay Videos Using Vision-Language Models
von: Lu, Wentao, et al.
Veröffentlicht: (2025)

Agentic Refactoring: An Empirical Study of AI Coding Agents
von: Horikawa, Kosei, et al.
Veröffentlicht: (2025)

An Empirical Study on the Potential of LLMs in Automated Software Refactoring
von: Liu, Bo, et al.
Veröffentlicht: (2024)

How to Refactor this Code? An Exploratory Study on Developer-ChatGPT Refactoring Conversations
von: AlOmar, Eman Abdullah, et al.
Veröffentlicht: (2024)

How Far Can VLMs Go for Visual Bug Detection? Studying 19,738 Keyframes from 41 Hours of Gameplay Videos
von: Lu, Wentao, et al.
Veröffentlicht: (2026)

An Empirical Study on the Code Refactoring Capability of Large Language Models
von: Cordeiro, Jonathan, et al.
Veröffentlicht: (2024)

ENCORE: Ensemble Learning using Convolution Neural Machine Translation for Automatic Program Repair
von: Lutellier, Thibaud, et al.
Veröffentlicht: (2019)

Deciphering Refactoring Branch Dynamics in Modern Code Review: An Empirical Study on Qt
von: AlOmar, Eman Abdullah
Veröffentlicht: (2024)

An Empirical Study on the Impact of Code Duplication-aware Refactoring Practices on Quality Metrics
von: AlOmar, Eman Abdullah
Veröffentlicht: (2025)

"Refactoring Runaway": Understanding and Mitigating Tangled Refactorings in Coding Agents for Issue Resolution
von: Tian, Zhao, et al.
Veröffentlicht: (2026)

Search Budget in Multi-Objective Refactoring Optimization: a Model-Based Empirical Study
von: Di Pompeo, Daniele, et al.
Veröffentlicht: (2022)

How Effective Are Neural Networks for Fixing Security Vulnerabilities
von: Wu, Yi, et al.
Veröffentlicht: (2023)

Refactoring Detection in C++ Programs with RefactoringMiner++
von: Ritz, Benjamin, et al.
Veröffentlicht: (2025)

Multi-Agent Coordinated Rename Refactoring
von: Bellur, Abhiram, et al.
Veröffentlicht: (2026)

LLM-based Multi-Agent System for Intelligent Refactoring of Haskell Code
von: Siddeeq, Shahbaz, et al.
Veröffentlicht: (2025)

How Much Can a Behavior-Preserving Changeset Be Decomposed into Refactoring Operations?
von: Someya, Kota, et al.
Veröffentlicht: (2025)

Automated Unit Test Refactoring
von: Gao, Yi, et al.
Veröffentlicht: (2024)

SWE-Refactor: A Repository-Level Benchmark for Real-World LLM-Based Code Refactoring
von: Xu, Yisen, et al.
Veröffentlicht: (2026)

Distributed Approach to Haskell Based Applications Refactoring with LLMs Based Multi-Agent Systems
von: Siddeeq, Shahbaz, et al.
Veröffentlicht: (2025)

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

MANTRA: Enhancing Automated Method-Level Refactoring with Contextual RAG and Multi-Agent LLM Collaboration
von: Xu, Yisen, 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)

Automated Extract Method Refactoring with Open-Source LLMs: A Comparative Study
von: Chand, Sivajeet, et al.
Veröffentlicht: (2025)

Refactoring Deep Learning Code: A Study of Practices and Unsatisfied Tool Needs
von: Wang, Siqi, et al.
Veröffentlicht: (2024)

Assessing the Bug-Proneness of Refactored Code: A Longitudinal Multi-Project Study
von: Ferreira, Isabella, et al.
Veröffentlicht: (2025)

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

Refactoring-aware Block Tracking in Commit History
von: Hasan, Mohammed Tayeeb, et al.
Veröffentlicht: (2024)

Code Clone Refactoring in C# with Lambda Expressions
von: Kawamoto, Takuto, et al.
Veröffentlicht: (2025)

Investigating Student Reasoning in Method-Level Code Refactoring: A Think-Aloud Study
von: Oliveira, Eduardo Carneiro, et al.
Veröffentlicht: (2024)

Relating Complexity, Explicitness, Effectiveness of Refactorings and Non-Functional Requirements: A Replication Study
von: Soares, Vinícius, et al.
Veröffentlicht: (2025)

Testing with AI Agents: An Empirical Study of Test Generation Frequency, Quality, and Coverage
von: Yoshimoto, Suzuka, et al.
Veröffentlicht: (2026)

An Empirical Study of Bugs in Modern LLM Agent Frameworks
von: Zhu, Xinxue, et al.
Veröffentlicht: (2026)

Refactoring Towards Microservices: Preparing the Ground for Service Extraction
von: Peixoto, Rita, et al.
Veröffentlicht: (2025)

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

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