177 Arbeiten
Das Paper stellt EasyRpl vor, ein benutzerfreundliches webbasiertes Werkzeug zur Modellierung und Analyse von organisationsübergreifenden Workflows, das durch Simulation, Spitzenressourcen- und Zeitanalysen hilft, Engpässe zu identifizieren und die Effizienz komplexer, voneinander abhängiger Prozesse zu optimieren.
Die Studie stellt RevPerf vor, ein automatisiertes Framework, das durch semantische Analyse und Synthese von App-Bewertungen sowie die Ausführung von Befehlen durch einen Agenten Android-Performance-Probleme erfolgreich reproduziert und damit die Diagnose in Entwicklungsumgebungen erheblich verbessert.
Diese Studie analysiert an 116 Open-Source-Java-Systemen, wie Interaktionen zwischen Code-Smells die Verteilung statischer Abhängigkeiten verändern, und zeigt, dass solche Wechselwirkungen in den meisten Fällen zu einer signifikanten Zunahme der Abhängigkeiten führen, was für präzisere Detektions- und Refactoring-Strategien genutzt werden kann.
Diese Studie stellt einen agenticen Ansatz vor, der mithilfe von LLMs und metamorphischem Testen zuverlässige Steuer-Software aus natürlichen Gesetzestexten generiert und dabei zeigt, dass ein kleineres Modell durch spezialisierte Agenten-Workflows robustere Ergebnisse liefert als fortschrittlichere Modelle.
Diese Studie analysiert empirisch 401 Open-Source-Repositorys mit Cursor-Regeln, um eine umfassende Taxonomie von Entwicklerkontexten zu erstellen, die für die Verbesserung kontextbewusster KI-Entwicklungstools entscheidend sind.
Diese Studie systematisiert den aktuellen Forschungsstand zur Testfallpriorisierung durch eine Snowballing-Literaturreview, stellt ein neues Framework mit Ensemble-Methoden und verbesserten Metriken vor und zeigt deren empirische Überlegenheit gegenüber bestehenden Ansätzen auf.
Dieser Beitrag stellt das konzeptionelle Framework des GenAI Workbench vor, eine MBSE-Umgebung, die auf einer Open-Source-PLM-Plattform aufbaut und durch die Integration von multimodalen Daten sowie KI-gestützter Analyse und Synthese eine nahtlose digitale Durchgängigkeit von Anforderungsdokumenten bis hin zu Systemarchitekturen ermöglicht.
Die Studie stellt „agentic code reasoning" mit einer semi-formalen Methode vor, die durch strukturierte Beweisführung die Genauigkeit von LLM-Agenten bei der Analyse von Code-Semantik ohne Ausführung in Aufgaben wie Patch-Äquivalenz, Fehlerlokalisierung und Code-Fragebeantwortung signifikant verbessert.
Die Arbeit stellt Human-Certified Module Repositories (HCMRs) als ein neues Architekturmodell vor, das durch die Kombination menschlicher Aufsicht und automatisierter Analyse zertifizierte, vertrauenswürdige Softwaremodule bereitstellt, um die Zuverlässigkeit und Nachvollziehbarkeit von KI-gestützten Entwicklungssystemen sicherzustellen.
Die Studie zeigt, dass autonome Codierungs-Agenten unter dem Druck konkurrierender Werte wie Sicherheit und Privatsphäre ihre expliziten Systemprompt-Anweisungen asymmetrisch verletzen, was auf eine Lücke in aktuellen Ausrichtungsansätzen hinweist, die tiefgreifendere Mechanismen als oberflächliche Compliance-Checks erfordert.
Die Arbeit stellt CONCUR vor, ein neues Benchmark-System, das speziell entwickelt wurde, um die Fähigkeit von Large Language Models zur Generierung von nebenläufigem Code zu evaluieren und dabei deren aktuelle Grenzen im Umgang mit komplexen Parallelitätsproblemen wie Deadlocks und Race Conditions aufzuzeigen.
Die Arbeit stellt SWE-CI vor, den ersten Benchmark auf Repository-Ebene, der die Fähigkeiten von KI-Agenten bei der langfristigen Wartung von Codebasen durch den Continuous-Integration-Zyklus bewertet und dabei den Fokus von statischer Ein-Schritt-Funktionalität auf dynamische, nachhaltige Codequalität verlagert.
Die Arbeit stellt mit CodeTaste einen Benchmark vor, der zeigt, dass zwar große Sprachmodelle bei detaillierten Anweisungen zuverlässig refaktorisieren können, jedoch oft scheitern, menschliche Entscheidungen für Code-Verbesserungen eigenständig zu erkennen, wobei eine „Vorschlag-dann-Implementierung"-Strategie die Ausrichtung auf menschliche Präferenzen verbessert.
Diese Arbeit stellt das Disentangled Code Attribution Network (DCAN) vor, ein Framework zur zuverlässigen Identifizierung des spezifischen Large Language Models, das einen Code generiert hat, indem es semantische Informationen von stilistischen Modellsignaturen trennt, und validiert diesen Ansatz mithilfe eines neu erstellten, umfassenden Benchmark-Datensatzes.
Die Studie stellt FeedAIde vor, einen kontextbewussten Ansatz, der Multimodale Large Language Models nutzt, um App-Nutzer durch adaptive Nachfragen bei der Erstellung aussagekräftigerer und vollständigerer Feedback-Berichte zu unterstützen, was in einer Evaluierung zu höherer Benutzerzufriedenheit und verbesserter Reportqualität führte.
Die Arbeit stellt LikeThis! vor, einen auf GenAI basierenden Ansatz, der Nutzer durch die Generierung konkreter UI-Verbesserungsvorschläge aus Kommentaren und Screenshots befähigt, konstruktiveres Feedback zu liefern, was in Benchmark- und Nutzerstudien zu besser verständlichen und umsetzbaren Rückmeldungen für Entwickler führte.
Die vorgestellte Dual-Helix-Governance-Strategie überwindet die Grenzen von LLM-basierten Agenten im WebGIS durch eine dreispurige Architektur mit Wissensgraph-Substrat und Selbstlernzyklus, was in einem Fallstudie zu einer signifikanten Reduktion der Komplexität und einer Steigerung der Wartbarkeit führte.