.png){kind=icon}
返回
Automatic Code Generation Techniques: A Systematic Literature Review
.png){kind=icon}
PRE
AI
DOI：10.1007/s10515-025-00551-3.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
随着现代软件系统日益复杂且对快速开发周期的需求不断增长，自动代码生成技术在学术研究和工业实践中已获得显著关注。这些技术能够显著减少人为错误、提高生产效率，并确保大型代码库的一致性。然而，自动生成代码的任务带来了重大挑战。本研究调查、识别并分析了从各种输入格式生成代码的现有自动技术，突出了其效率和潜在改进领域。开展了一项系统文献综述（SLR），以系统性地总结和回顾软件工程领域内76项与自动代码生成相关的原始研究。所选研究从多个维度进行了调查：范式、技术、输入类型、中间表示、工具支持、目标编程语言以及验证方法，包括性能指标、数据集和基准测试状态。我们的调查确定了12种主要技术，归类为五种范式，其中模型到代码（Model-to-Code）范式和模型驱动技术最为普遍。值得注意的是，57%的研究使用了Java，且仅有少数研究展示了多语言支持。此外，72%的所选研究未将其结果与现有技术进行比较，17%的研究缺乏对所提技术的验证。我们还注意到，52%的研究在验证过程中省略了所用数据集的详细信息。本系统文献综述为未来研究的方法论严谨性提出了多项建议，并强调了利用新兴技术提升所识别自动代码生成技术效率的机会。
Keyword:
Automatic code generation
Automatic programming
Programming languages
Systematic literature review
期刊
A
IF:
3.1
论文数:
84
被引数:
0
机构
暂无机构信息
引用论文
.png){kind=icon}
Searching for grey literature for systematic reviews: challenges and benefits搜索灰色文献进行系统评价: 挑战与好处
PREAI
分享收藏Aligning software engineering education with industrial needs: A meta-analysis使软件工程教育与工业需求保持一致: 荟萃分析
PREAI
分享收藏分享收藏
查看更多内容