paperbot · PL 论文追踪

全部论文 待读 收藏

P2 From Metrics to Models: Large Language Models as Human-Aligned Code Readability Evaluators

从度量到模型:作为人类对齐代码可读性评估器的大语言模型
ICSE Proceedings of the 2026 IEEE/ACM 48th International Conference on Software Engineering2026匹配度 2/10 · 该论文主要研究 LLM 在代码可读性评估中与人类判断的对齐,属于以 LLM 本身为研究目标并依赖提示策略、解码参数和人格框架的工作,与用户核心方向(PL→AI 静态分析、Agentic 程序、AI→PL 改进静态分析/形式化验证、浮点/贝叶斯程序分析)几乎没有交集。虽然涉及代码与软件工程,但可读性评估并非静态分析或形式化验证,也未体现问题驱动的分析失效或工业落地工具。引用 0 inbox
Wendkûuni C. Ouédraogo, Yinghua Li, Xueqi Dang, Paweł Borsukiewicz, Xin Zhou, Anıl Koyuncu, Jacques Klein, David Lo, Tegawendé F. Bissyandé
crossref: 2026-09-12

AI 速览

一句话:提出 CoReEval 基准,系统考察提示策略、解码参数与人格框架对 LLM 代码可读性评估与人类判断对齐度的影响。

代码可读性对软件维护至关重要,却难以大规模评估:传统度量无法捕捉主观的人类判断,而人工评估昂贵且不一致。本文提出 CoReEval 基准,覆盖 10 个 LLM 与 656 个代码片段(Java、Python、CUDA)上的 140 万次评估,并系统研究提示策略、解码参数以及人格(persona)框架如何影响 LLM 与人类判断的对齐程度。结果显示,LLM 在 Java 上呈现中等对齐(r=0.25),而在 Python 上接近零(r=0.02)、在 CUDA 上为零(r=0.00);开发者引导式提示可显著提升方面覆盖度(Java 测试中的 Structure 从 15% 提升到 94%),但也会增大分数方差。作者认为,当配置以人为中心的评价标准时,LLM 有望成为自动化代码审查、开发者教育与 CI/CD 中可解释代码可读性评估的有前景工具。

问题
代码可读性对软件维护至关重要,但传统度量难以捕捉主观的人类判断,而人工评估成本高且一致性差,因而难以规模化评估。
方法
构建 CoReEval 基准,在 10 个 LLM 与 656 个 Java/Python/CUDA 代码片段上进行 140 万次评估,系统变化提示策略、解码参数与人格框架,测量模型评分与人类判断的对齐度及评价方面覆盖度。
评估
通过大规模基准实验衡量 LLM 与人类判断的相关性:Java 中等对齐(r=0.25),Python 近零(r=0.02),CUDA 为零(r=0.00);开发者引导式提示将 Java Structure 覆盖度从 15% 提升至 94%,但分数方差增大。
原文摘要(Abstract)

Code readability is essential for software maintenance, yet difficult to assess at scale. Traditional metrics fail to capture subjective human judgments, while manual evaluation is expensive and inconsistent. We introduce CoReEval, a benchmark comprising 1.4 million evaluations across 10 LLMs and 656 code snippets (Java, Python, CUDA). We investigate how prompting strategies, decoding parameters, and persona framing influence LLM alignment with human judgments. LLMs exhibit moderate alignment in Java (r=0.25) but near-zero in Python (r=0.02) and CUDA (r=0.00). Developer-guided prompting dramatically improves aspect coverage (Java test Structure: 15% to 94%) but increases score variance. When configured with human-centric criteria, LLMs are promising tools for interpretable code readability assessment in automated code review, developer education, and CI/CD.

链接与引用

DOI 原文 · PDF(开放获取) ·

BibTeX
@inproceedings{paperbot11812,
  title = {From Metrics to Models: Large Language Models as Human-Aligned Code Readability Evaluators},
  author = {Wendkûuni C. Ouédraogo and Yinghua Li and Xueqi Dang and Paweł Borsukiewicz and Xin Zhou and Anıl Koyuncu and Jacques Klein and David Lo and Tegawendé F. Bissyandé},
  booktitle = {ICSE},
  year = {2026},
  doi = {10.1145/3774748.3795656}
}