Buchumschlag

From Industry Claims to Empirical Reality: An Empirical Study of Code Review Agents in Pull Requests

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Chowdhury, Kowshik, Banik, Dipayan, Ferdous, K M, Shamim, Shazibul Islam
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

Breaking the Dependency Chaos: A Constraint-Driven Python Dependency Resolution Strategy with Selective LLM Imputation
von: Chowdhury, Kowshik, et al.
Veröffentlicht: (2026)

Safer Builders, Risky Maintainers: A Comparative Study of Breaking Changes in Human vs Agentic PRs
von: Ferdous, K M, et al.
Veröffentlicht: (2026)

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

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

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

Let's Make Every Pull Request Meaningful: An Empirical Analysis of Developer and Agentic Pull Requests
von: Yoshioka, Haruhiko, 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)

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

Why Are AI Agent Involved Pull Requests (Fix-Related) Remain Unmerged? An Empirical Study
von: Alam, Khairul, et al.
Veröffentlicht: (2026)

An Empirical Study on Developers Shared Conversations with ChatGPT in GitHub Pull Requests and Issues
von: Hao, Huizi, et al.
Veröffentlicht: (2024)

Security in the Age of AI Teammates: An Empirical Study of Agentic Pull Requests on GitHub
von: Siddiq, Mohammed Latif, et al.
Veröffentlicht: (2026)

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

How Do Agentic AI Systems Address Performance Optimizations? A BERTopic-Based Analysis of Pull Requests
von: Opu, Md Nahidul Islam, et al.
Veröffentlicht: (2025)

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

How Do Agentic AI Systems Deal With Software Energy Concerns? A Pull Request-Based Study
von: Mitul, Tanjum Motin, et al.
Veröffentlicht: (2025)

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

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

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

How AI Coding Agents Communicate: A Study of Pull Request Description Characteristics and Human Review Responses
von: Watanabe, Kan, et al.
Veröffentlicht: (2026)

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

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

An Empirical Study on the Amount of Changes Required for Merge Request Acceptance
von: Kansab, Samah, et al.
Veröffentlicht: (2025)

Explaining Explanation: An Empirical Study on Explanation in Code Reviews
von: Widyasari, Ratnadira, et al.
Veröffentlicht: (2023)

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

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

Insights into Security-Related AI-Generated Pull Requests
von: Rabbi, Md Fazle, et al.
Veröffentlicht: (2026)

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

SWE-PRBench: Benchmarking AI Code Review Quality Against Pull Request Feedback
von: Kumar, Deepak
Veröffentlicht: (2026)

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

Are Coding Agents Generating Over-Mocked Tests? An Empirical Study
von: Hora, Andre, et al.
Veröffentlicht: (2026)

Agent READMEs: An Empirical Study of Context Files for Agentic Coding
von: Chatlatanagulchai, Worawalan, et al.
Veröffentlicht: (2025)

Rethinking Code Review Workflows with LLM Assistance: An Empirical Study
von: Aðalsteinsson, Fannar Steinn, et al.
Veröffentlicht: (2025)

An Empirical Study of Static Analysis Tools for Secure Code Review
von: Charoenwet, Wachiraphan, et al.
Veröffentlicht: (2024)

An Empirical Study on Bug Severity Estimation using Source Code Metrics and Static Analysis
von: Mashhadi, Ehsan, et al.
Veröffentlicht: (2022)

Do AI Coding Agents Log Like Humans? An Empirical Study
von: Ouatiti, Youssef Esseddiq, 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)

An Empirical Study on Code Review Activity Prediction and Its Impact in Practice
von: Olewicki, Doriane, et al.
Veröffentlicht: (2024)

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

The Quiet Contributions: Insights into AI-Generated Silent Pull Requests
von: Hasan, S M Mahedy, et al.
Veröffentlicht: (2026)

Toward Effective Secure Code Reviews: An Empirical Study of Security-Related Coding Weaknesses
von: Charoenwet, Wachiraphan, et al.
Veröffentlicht: (2023)