PENTACET 数据——2300 万条上下文代码注释与 25 万条 SATD 注释
软件工程
2023-08-14 v2 机器学习
摘要
大多数自承认技术债务（SATD）研究利用 'TODO' 和 'FIXME' 等显式 SATD 特征进行 SATD 检测。仔细审视发现，若干 SATD 研究使用简单的 SATD（'易查找'）代码注释，而不带上下文数据（前文与后文源代码上下文）。本文通过 PENTACET（或称 5C 数据集）数据弥补这一缺口。PENTACET 是一个按贡献者整理的大规模上下文代码注释集，也是最为广泛的 SATD 数据。我们挖掘了 9,096 个开源软件 Java 项目，总计 4.35 亿行代码。成果是一个包含 2300 万条代码注释、每条注释的前文与后文源代码上下文，以及超过 250,000 条标注为 SATD 的注释的数据集，包括 '易查找' 和 '难查找' SATD。我们相信 PENTACET 数据将推动使用人工智能技术的 SATD 研究。
引用
@article{arxiv.2303.14029,
title = {PENTACET data -- 23 Million Contextual Code Comments and 250,000 SATD comments},
author = {Murali Sridharan and Leevi Rantala and Mika Mäntylä},
journal= {arXiv preprint arXiv:2303.14029},
year = {2023}
}
备注
Accepted in MSR 2023 Tools and Data Showcase