Studying and Improving Code Understandability Through Atoms of Confusion
Notice bibliographique
Résumé
Developers spend most of their time reading code. Previous studies have shown that less understandable code hinders developers' productivity, making reading and debugging code harder and raising maintenance costs. In this research, we investigate how Atoms of Confusion (AoCs)-a set of low-level programming idioms for C-like languages proposed as a potential source of code confusion-can affect program comprehension and code quality. Specifically, we investigate (1) the impact of AoCs in the Open-Source Software (OSS) development community with Mining Software Repository (MSR) techniques, (2) how developers perceive how AoCs can affect comprehension, and (3) how Large Language Models (LLMs) can be used to refactor AoCs when appropriate. To this end, our preliminary study explores the defect-proneness of AoCs in open-source Java projects. We discovered that AoCs do not significantly affect defect-proneness in open-source Java projects, but future works are needed to investigate how developers interact with AoCs under various circumstances, such as different projects and programming languages. As our next steps, we aim to gather developers' perceptions of AoCs by conducting developer surveys. Next, based on these empirical findings, we will study how to LLMs can help refactor AoCs according to specific contexts such as developer experience and project convention. We expect this work will offer insights for researchers seeking to understand cognitive challenges in coding and practitioners looking to implement more effective strategies for enhancing code understandability and maintainability.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,012 | 0,108 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,004 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,003 |
| Communication savante | 0,005 | 0,008 |
| Science ouverte | 0,001 | 0,004 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».