Do sociolinguistic factors influence program writing styles?
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
When programmers write programs, they may have specific coding preferences, including naming conventions, comments, or decision logic. While making stylistic decisions, programmers have to follow the syntactic rules of the programming language, and these decisions may demonstrate some insights about a programmer’s coding choices or demographic background. Several studies have investigated how the use of natural languages reflects the sociolinguistics background, including gender and region of users. However, few studies have focused on finding the imprints of programmers’ coding styles. For example, do programming languages carry marks that indicate a programmer’s stylistic choices? Do programmers’ gender or region influence how they will shape the code? This work investigates these questions by analyzing programming contest programs using statistical and machine learning techniques. Using concepts from sociolinguistics and software metrics in C++ programs, we identified programming features or components that are significant for classifying programmers based on their gender and region. Our goal was to identify sociolinguistic and software metric factors that might help us identify imprints of a programmer’s program writing choices. Initial efforts have resulted in prediction accuracies of 90.61% (for gender) and 79.73% (for region), based on programmers’ program writing style. This study indicates that, just as natural language, programming language also conveys information about programmers’ choices when they write code. The data sets and code are available at https://github.com/deen-abdullah/Dataset-ACDSA2025.
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 découle