Buchumschlag

Prompt-Driven Code Summarization: A Systematic Literature Review

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Farjana, Afia, Cheng, Zaiyu, Mastropaolo, Antonio
Format:	Preprint
Veröffentlicht:	2026
Schlagworte:	Software Engineering Machine Learning
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

An Empirical Study on the Effects of System Prompts in Instruction-Tuned Models for Code Generation
von: Cheng, Zaiyu, et al.
Veröffentlicht: (2026)

Not All Tokens Matter: Data-Centric Optimization for Efficient Code Summarization
von: Afrin, Saima, et al.
Veröffentlicht: (2026)

A Systematic Literature Review of Parameter-Efficient Fine-Tuning for Large Code Models
von: Afrin, Saima, et al.
Veröffentlicht: (2025)

Automatic Semantic Augmentation of Language Model Prompts (for Code Summarization)
von: Ahmed, Toufique, et al.
Veröffentlicht: (2023)

Optimizing Datasets for Code Summarization: Is Code-Comment Coherence Enough?
von: Vitale, Antonio, et al.
Veröffentlicht: (2025)

Scalability and Maintainability Challenges and Solutions in Machine Learning: Systematic Literature Review
von: Shivashankar, Karthik, et al.
Veröffentlicht: (2025)

Resource-Efficient & Effective Code Summarization
von: Afrin, Saima, et al.
Veröffentlicht: (2025)

A Systematic Literature Review on the Use of Machine Learning in Software Engineering
von: Fred, Nyaga, et al.
Veröffentlicht: (2024)

On the Effectiveness of LLM-as-a-judge for Code Generation and Summarization
von: Crupi, Giuseppe, et al.
Veröffentlicht: (2025)

Systematic Literature Review on Application of Learning-based Approaches in Continuous Integration
von: Arani, Ali Kazemi, et al.
Veröffentlicht: (2024)

Towards Summarizing Code Snippets Using Pre-Trained Transformers
von: Mastropaolo, Antonio, et al.
Veröffentlicht: (2024)

Data-Driven Methods and AI in Engineering Design: A Systematic Literature Review Focusing on Challenges and Opportunities
von: Afifi, Nehal, et al.
Veröffentlicht: (2025)

Code Roulette: How Prompt Variability Affects LLM Code Generation
von: Paleyes, Andrei, et al.
Veröffentlicht: (2025)

Toward Explaining Large Language Models in Software Engineering Tasks
von: Vitale, Antonio, et al.
Veröffentlicht: (2025)

Code Review Automation: Strengths and Weaknesses of the State of the Art
von: Tufano, Rosalia, et al.
Veröffentlicht: (2024)

Monitoring Machine Learning Systems: A Multivocal Literature Review
von: Naveed, Hira, et al.
Veröffentlicht: (2025)

Leveraging Reviewer Experience in Code Review Comment Generation
von: Lin, Hong Yi, et al.
Veröffentlicht: (2024)

Prompting Techniques for Secure Code Generation: A Systematic Investigation
von: Tony, Catherine, et al.
Veröffentlicht: (2024)

Is Quantization a Deal-breaker? Empirical Insights from Large Code Models
von: Afrin, Saima, et al.
Veröffentlicht: (2025)

Code-Aware Prompting: A study of Coverage Guided Test Generation in Regression Setting using LLM
von: Ryan, Gabriel, et al.
Veröffentlicht: (2024)

Prompting and Fine-tuning Large Language Models for Automated Code Review Comment Generation
von: Haider, Md. Asif, et al.
Veröffentlicht: (2024)

Large Language Models for Code Summarization
von: Szalontai, Balázs, et al.
Veröffentlicht: (2024)

Parameter-Efficient Multi-Task Fine-Tuning in Code-Related Tasks
von: Haque, Md Zahidul, et al.
Veröffentlicht: (2026)

PromSec: Prompt Optimization for Secure Generation of Functional Source Code with Large Language Models (LLMs)
von: Nazzal, Mahmoud, et al.
Veröffentlicht: (2024)

Leveraging Reward Models for Guiding Code Review Comment Generation
von: Sghaier, Oussama Ben, et al.
Veröffentlicht: (2025)

A Path Less Traveled: Reimagining Software Engineering Automation via a Neurosymbolic Paradigm
von: Mastropaolo, Antonio, et al.
Veröffentlicht: (2025)

Automating Code Review: A Systematic Literature Review
von: Tufano, Rosalia, et al.
Veröffentlicht: (2025)

Mechanistic Interpretability of Code Correctness in LLMs via Sparse Autoencoders
von: Tahimic, Kriz, et al.
Veröffentlicht: (2025)

iML: Executable, Problem-Grounded, and Broadly Exploratory Code-Driven AutoML
von: Le, Dat, et al.
Veröffentlicht: (2026)

You Only Train Once: A Flexible Training Framework for Code Vulnerability Detection Driven by Vul-Vector
von: Tian, Bowen, et al.
Veröffentlicht: (2025)

Whitespaces Don't Lie: Feature-Driven and Embedding-Based Approaches for Detecting Machine-Generated Code
von: Nirob, Syed Mehedi Hasan, et al.
Veröffentlicht: (2026)

Trojans in Large Language Models of Code: A Critical Review through a Trigger-Based Taxonomy
von: Hussain, Aftab, et al.
Veröffentlicht: (2024)

Grounded AI for Code Review: Resource-Efficient Large-Model Serving in Enterprise Pipelines
von: Mandal, Sayan, et al.
Veröffentlicht: (2025)

A Progressive Transformer for Unifying Binary Code Embedding and Knowledge Transfer
von: Lu, Hanxiao, et al.
Veröffentlicht: (2024)

A Systematic Literature Review on Neural Code Translation
von: Chen, Xiang, et al.
Veröffentlicht: (2025)

DDPT: Diffusion-Driven Prompt Tuning for Large Language Model Code Generation
von: Li, Jinyang, et al.
Veröffentlicht: (2025)

A Theoretical Analysis of Test-Driven Code Generation
von: Menet, Nicolas, et al.
Veröffentlicht: (2026)

NaturalCodeBench: Examining Coding Performance Mismatch on HumanEval and Natural User Prompts
von: Zhang, Shudan, et al.
Veröffentlicht: (2024)

Predictive Prompt Analysis
von: Lee, Jae Yong, et al.
Veröffentlicht: (2025)

An Initial Exploration of Contrastive Prompt Tuning to Generate Energy-Efficient Code
von: Weidmann, Sophie, et al.
Veröffentlicht: (2026)