ترجمه فارسی مقاله آیسینگ روی کیک: خلاصه سازی خودکار کد در اریکسون

چکیده

This paper presents our findings on the automatic summarization of Java methods within Ericsson, a global telecommunications company. We evaluate the performance of an approach called Automatic Semantic Augmentation of Prompts (ASAP), which uses a Large Language Model (LLM) to generate leading summary comments for Java methods. ASAP enhances the $LLM’s$ prompt context by integrating static program analysis and information retrieval techniques to identify similar exemplar methods along with their developer-written Javadocs, and serves as the baseline in our study. In contrast, we explore and compare the performance of four simpler approaches that do not require static program analysis, information retrieval, or the presence of exemplars as in the ASAP method. Our methods rely solely on the Java method body as input, making them lightweight and more suitable for rapid deployment in commercial software development environments. We conducted experiments on an Ericsson software project and replicated the study using two widely-used open-source Java projects, Guava and Elasticsearch, to ensure the reliability of our results. Performance was measured across eight metrics that capture various aspects of similarity. Notably, one of our simpler approaches performed as well as or better than the ASAP method on both the Ericsson project and the open-source projects. Additionally, we performed an ablation study to examine the impact of method names on Javadoc summary generation across our four proposed approaches and the ASAP method. By masking the method names and observing the generated summaries, we found that our approaches were statistically significantly less influenced by the absence of method names compared to the baseline. This suggests that our methods are more robust to variations in method names and may derive summaries more comprehensively from the method body than the ASAP approach.

چکیده به فارسی (ترجمه ماشینی)

در این مقاله یافته های ما در مورد خلاصه خودکار روشهای جاوا در اریکسون ، یک شرکت جهانی ارتباطات ارائه شده است.ما عملکرد یک رویکرد به نام افزایش معنایی اتوماتیک از اعلان ها (ASAP) را ارزیابی می کنیم ، که از یک مدل بزرگ زبان (LLM) برای تولید نظرات خلاصه پیشرو برای روش های جاوا استفاده می کند.ASAP با ادغام تکنیک های تجزیه و تحلیل برنامه استاتیک و بازیابی اطلاعات برای شناسایی روشهای نمونه مشابه به همراه Javadocs که توسعه دهنده آنها را شناسایی می کند ، زمینه سریع $ LLM را افزایش می دهد و به عنوان اصلی در مطالعه ما عمل می کند.در مقابل ، ما عملکرد چهار رویکرد ساده تر را که نیازی به تجزیه و تحلیل برنامه استاتیک ، بازیابی اطلاعات یا وجود نمونه ها مانند روش ASAP ندارند ، کشف و مقایسه می کنیم.روشهای ما صرفاً به بدنه روش جاوا به عنوان ورودی متکی هستند و آنها را سبک و مناسب تر برای استقرار سریع در محیط های توسعه نرم افزار تجاری می کند.ما آزمایشاتی را در مورد یک پروژه نرم افزاری Ericsson انجام دادیم و این مطالعه را با استفاده از دو پروژه جاوا با استفاده گسترده از منبع باز ، Guava و Elasticsearch ، برای اطمینان از قابلیت اطمینان نتایج ما انجام دادیم.عملکرد در هشت معیار اندازه گیری شد که جنبه های مختلفی از شباهت را ضبط می کند.نکته قابل توجه ، یکی از رویکردهای ساده تر ما و همچنین بهتر از روش ASAP در پروژه اریکسون و پروژه های منبع باز است.علاوه بر این ، ما یک مطالعه فرسایش را برای بررسی تأثیر نام های روش در نسل خلاصه Javadoc در چهار رویکرد پیشنهادی ما و روش ASAP انجام دادیم.با پوشش دادن نام روش و مشاهده خلاصه های تولید شده ، دریافتیم که رویکردهای ما از نظر آماری به طور قابل توجهی کمتر از عدم وجود نام روش در مقایسه با پایه تحت تأثیر قرار گرفته است.این نشان می دهد که روشهای ما نسبت به تغییرات در نام روشها قوی تر هستند و ممکن است خلاصه ای را از روش روش به طور جامع تر از روش ASAP بدست آورند.