Buchumschlag

How AI Coding Agents Communicate: A Study of Pull Request Description Characteristics and Human Review Responses

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Watanabe, Kan, Tsuchida, Rikuto, Monno, Takahiro, Huang, Bin, Yamasaki, Kazuma, Fan, Youmei, Shimari, Kazumasa, Matsumoto, Kenichi
Format:	Preprint
Veröffentlicht:	2026
Schlagworte:	Artificial Intelligence Software Engineering
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

How Do Developers Use Migration Guides? A Case Study of Log4j
von: Monno, Takahiro, et al.
Veröffentlicht: (2026)

Who Writes the Docs in SE 3.0? Agent vs. Human Documentation Pull Requests
von: Yamasaki, Kazuma, et al.
Veröffentlicht: (2026)

How Maintainable is Proficient Code? A Case Study of Three PyPI Libraries
von: Febriyanti, Indira, et al.
Veröffentlicht: (2024)

Let's Make Every Pull Request Meaningful: An Empirical Analysis of Developer and Agentic Pull Requests
von: Yoshioka, Haruhiko, et al.
Veröffentlicht: (2026)

A Longitudinal Analysis of Good First Issue Practices and Newcomer Pull Requests in Popular OSS Projects
von: Hoshikawa, Hirotatsu, et al.
Veröffentlicht: (2026)

Mining for Lags in Updating Critical Security Threats: A Case Study of Log4j Library
von: Tanaka, Hidetake, et al.
Veröffentlicht: (2025)

Round Outcome Prediction in VALORANT Using Tactical Features from Video Analysis
von: Hayakawa, Nirai, et al.
Veröffentlicht: (2025)

Understanding the Characteristics of LLM-Generated Property-Based Tests in Exploring Edge Cases
von: Tanaka, Hidetake, et al.
Veröffentlicht: (2025)

Generative AI for Pull Request Descriptions: Adoption, Impact, and Developer Interventions
von: Xiao, Tao, et al.
Veröffentlicht: (2024)

eye2vec: Learning Distributed Representations of Eye Movement for Program Comprehension Analysis
von: Yoshioka, Haruhiko, et al.
Veröffentlicht: (2025)

Uncovering Intention through LLM-Driven Code Snippet Description Generation
von: Nugroho, Yusuf Sulistyo, et al.
Veröffentlicht: (2025)

Do Developers Depend on Deprecated Library Versions? A Mining Study of Log4j
von: Yoshioka, Haruhiko, et al.
Veröffentlicht: (2025)

Code Change Characteristics and Description Alignment: A Comparative Study of Agentic versus Human Pull Requests
von: Pham, Dung, et al.
Veröffentlicht: (2026)

Human to Document, AI to Code: Comparing GenAI for Notebook Competitions
von: Settewong, Tasha, et al.
Veröffentlicht: (2025)

How Natural Language Proficiency Shapes GenAI Code for Software Engineering Tasks
von: Rojpaisarnkit, Ruksit, et al.
Veröffentlicht: (2025)

The Value of Effective Pull Request Description
von: Pirouzkhah, Shirin, et al.
Veröffentlicht: (2026)

Humans Integrate, Agents Fix: How Agent-Authored Pull Requests Are Referenced in Practice
von: Khemissi, Islem, et al.
Veröffentlicht: (2026)

Using LLMs for Security Advisory Investigations: How Far Are We?
von: Abdullah, Bayu Fedra, et al.
Veröffentlicht: (2025)

Nigerian Software Engineer or American Data Scientist? GitHub Profile Recruitment Bias in Large Language Models
von: Nakano, Takashi, et al.
Veröffentlicht: (2024)

Collaborator or Assistant? How AI Coding Agents Partition Work Across Pull Request Lifecycles
von: Jo, Young, et al.
Veröffentlicht: (2026)

How Do Developers Use Code Suggestions in Pull Request Reviews?
von: Bouraffa, Abir, et al.
Veröffentlicht: (2025)

On the Use of Agentic Coding: An Empirical Study of Pull Requests on GitHub
von: Watanabe, Miku, et al.
Veröffentlicht: (2025)

Who Said CVE? How Vulnerability Identifiers Are Mentioned by Humans, Bots, and Agents in Pull Requests
von: Rooijendijk, Pien, et al.
Veröffentlicht: (2026)

Why Are Agentic Pull Requests Merged or Rejected? An Empirical Study
von: Peralta, Sien Reeve O., et al.
Veröffentlicht: (2026)

Analyzing Message-Code Inconsistency in AI Coding Agent-Authored Pull Requests
von: Gong, Jingzhi, et al.
Veröffentlicht: (2026)

Human-Agent versus Human Pull Requests: A Testing-Focused Characterization and Comparison
von: Milanese, Roberto, et al.
Veröffentlicht: (2026)

Empirical Analysis of Pull Requests for Google Summer of Code
von: Popoola, Saheed
Veröffentlicht: (2024)

Comparing AI Coding Agents: A Task-Stratified Analysis of Pull Request Acceptance
von: Pinna, Giovanni, et al.
Veröffentlicht: (2026)

Evaluating the Impact of Data Cleaning on the Quality of Generated Pull Request Descriptions
von: Tire, Kutay, et al.
Veröffentlicht: (2025)

From Industry Claims to Empirical Reality: An Empirical Study of Code Review Agents in Pull Requests
von: Chowdhury, Kowshik, et al.
Veröffentlicht: (2026)

Do Autonomous Agents Contribute Test Code? A Study of Tests in Agentic Pull Requests
von: Haque, Sabrina, et al.
Veröffentlicht: (2026)

These Aren't the Reviews You're Looking For How Humans Review AI-Generated Pull Requests
von: Duma, Kacper, et al.
Veröffentlicht: (2026)

A Study of Library Usage in Agent-Authored Pull Requests
von: Twist, Lukas, et al.
Veröffentlicht: (2025)

"My GitHub Sponsors profile is live!" Investigating the Impact of Twitter/X Mentions on GitHub Sponsors
von: Fan, Youmei, et al.
Veröffentlicht: (2024)

How AI Coding Agents Modify Code: A Large-Scale Study of GitHub Pull Requests
von: Ogenrwot, Daniel, et al.
Veröffentlicht: (2026)

Beyond Bug Fixes: An Empirical Investigation of Post-Merge Code Quality Issues in Agent-Generated Pull Requests
von: Cynthia, Shamse Tasnim, et al.
Veröffentlicht: (2026)

Quality Gatekeepers: Investigating the Effects ofCode Review Bots on Pull Request Activities
von: Wessel, Mairieli, et al.
Veröffentlicht: (2021)

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

Where Do AI Coding Agents Fail? An Empirical Study of Failed Agentic Pull Requests in GitHub
von: Ehsani, Ramtin, et al.
Veröffentlicht: (2026)

When AI Teammates Meet Code Review: Collaboration Signals Shaping the Integration of Agent-Authored Pull Requests
von: Nachuma, Costain, et al.
Veröffentlicht: (2026)