Mar, 2023

DACOS - 代码异味手动注释数据集

PDF
TL;DR本文介绍了使用机器学习技术来检测代码坏味道的 DACOS 数据集，该数据集包含了 10,267 个对 5,192 个代码片段的注释，并通过第一阶段确定指标的阈值和第二阶段收集注释来识别潜在主观的代码片段。同时，作者还开发了一个网络应用程序 TagMan，以帮助标注者浏览和标记代码片段并记录提供的注释。这个数据集可以帮助研究人员建立相关的、上下文感知的机器学习模型。
machine learningcode smell detectiondacos datasetsubjective code snippetstagman
发现论文，激发创造
  • 代码异味数据集和验证机制的系统文献综述

    通过评估 45 个现有的数据集，我们发现指标工具报告的准确度因用于评估工具的数据集而异。现有的数据集支持 God Class，Long Method 和 Feature Envy，但 Fowler 和 Beck 目录中的六种气味没有任何数据集支持。我们得出结论，现有的数据集在样本不平衡，缺乏支持严重程度级别和限制 Java 语言方面存在问题。

    Jun, 2023

  • DACO：应用驱动的全面数据分析

    通过利用语言模型的代码生成能力和多轮提示技术，我们提出了 DACO-RL 算法，在数据分析领域生成高质量答案，通过人工批注验证该算法在 57.72% 的情况下生成更有帮助的答案。

    Mar, 2024

  • 机器学习应用的代码异味

    该论文提出了 22 个机器学习代码异味，解释了它们的背景和可能产生的后果，并给出了相应的解决方案以及它们所属的流程阶段和相关证据，以帮助数据科学家和开发人员生成和维护高质量的机器学习应用程序代码。

    Mar, 2022

  • 数据异常：人工智能系统中可疑数据的类别、原因、后果和检测

    提出了数据气味的概念，即潜在、不明显的数据质量问题，分为可信度气味、可理解性气味、一致性气味，介绍了检测数据气味的工具支持，并在超过 240 个真实数据集上进行了初步的气味检测。

    Mar, 2022

  • CODA-19：利用非专业人群对 COVID-19 开放研究数据集中的 10,000 多个摘要进行注释

    介绍了 CODA-19 数据集，该数据集是人工注释的，包括对英文摘要中的背景、目的、方法、发现 / 贡献和其他部分的编码。数据集由 Amazon Mechanical Turk 的 248 名众包工人 10 天内创建，并获得高效的标注质量。

    May, 2020

  • CoDesc: 一个大型代码 - 描述平行数据集

    本文提出了 CoDesc 数据集，该数据集包含 420 万个 Java 方法和自然语言描述，其有效地提高了 24% 的代码搜索能力，并实现了代码总结的新的最先进水平。

    May, 2021

  • 你熟悉哪些摘要数据集？

    本研究手动分析了三个流行的摘要数据集中的 600 份样本，并对 27 个最先进的摘要模型和 5 个流行的度量标准进行了彻底分析。 研究揭示出数据集具有不同的数据质量和复杂度分布，对样本复杂度强烈依赖，以及基于引用文本的质量差异导致真实摘要得分偏低等关键见解。

    Jun, 2021

  • 源代码摘要数据集推荐

    该研究提出了如何通过实验结果规范化源代码生成简要自然语言描述的数据集以及对其的关键差异进行指导和支持的方法，主要应用于软件文档中的代码摘要生成，促进代码摘要生成领域的发展。

    Apr, 2019

  • MDACE：用代码证据注释的 MIMIC 文档

    我们介绍了一个用于长篇医学文档上的证据 / 理由提取的数据集。该数据集可用于评估计算机辅助编码系统（CAC）中代码证据提取方法的性能，以及深度学习模型在多标签分类中的准确性和可解释性。

    Jul, 2023

  • XLCoST：面向跨语言代码智能的基准数据集

    本文介绍 XLCoST 横跨 8 种语言的跨语言代码片段数据集，支持 10 项跨语言代码任务，并提供了几种基准模型的性能。该数据集是目前规模和语种最大的源代码平行数据集，可以帮助跨语言代码智能的研究和方法开发以及验证。

    Jun, 2022