DocChecker：引导代码大语言模型检测与解决代码-注释不一致
软件工程
2024-02-06 v3
摘要
源代码中的注释对于开发者理解代码用途并确保其正确使用至关重要。然而，随着代码库演进，保持注释与代码之间的准确对齐变得愈发困难。认识到自动化检测与纠正代码及其伴随注释之间差异的方案日益受到关注，当前方法主要依赖启发式规则。相比之下，本文提出由深度学习驱动的 DocChecker 工具。DocChecker 擅长识别代码与注释间的不一致，并能生成合成注释。该能力使工具可检测并修正注释未准确反映对应代码段的实例。我们在 Just-In-Time 和 CodeXGlue 数据集的不同设置下展示了 DocChecker 的有效性。特别地，DocChecker 在代码-注释不一致检测（ICCD）任务上取得了 72.3% 准确率的新最优结果，在代码摘要任务上取得 33.64 BLEU-4，优于其他大语言模型（LLMs），甚至超越 GPT 3.5 和 CodeLlama。DocChecker 可供使用和评估。其位于我们的 GitHub https://github.com/FSoft-AI4Code/DocChecker，以及在线工具 http://4.193.50.237:5000/。为更全面理解其功能，YouTube 上有演示视频 https://youtu.be/FqnPmd531xw。
引用
@article{arxiv.2306.06347,
title = {DocChecker: Bootstrapping Code Large Language Model for Detecting and Resolving Code-Comment Inconsistencies},
author = {Anh T. V. Dau and Jin L. C. Guo and Nghi D. Q. Bui},
journal= {arXiv preprint arXiv:2306.06347},
year = {2024}
}