Code on Demand: A Comparative Analysis of the Efficiency, Understandability, and Self-Correction Capability of Copilot, ChatGPT, and Gemini - Data resulting from the study
<p>Este conjunto de dados foi gerado como parte do estudo "Code on Demand: A Comparative Analysis of the Efficiency, Understandability, and Self-Correction Capability of Copilot, ChatGPT, and Gemini - Data resulting from the study". O estudo focou na avaliação do desempenho das ferramentas Copilot, ChatGPT e Gemini, utilizando problemas do LeetCode em quatro linguagens de programação: Python, Java, JavaScript e C.</p> <p>O conjunto de dados atualizado está organizado nas seguintes pastas:</p> <ol> <li> <p><strong>c_programs</strong>: Esta pasta contém os scripts Python utilizados para calcular a complexidade ciclomática e a complexidade cognitiva do código C gerado pelas ferramentas.</p> <ul> <li><code>calculate_cyclomatic_complexity.py</code>: Script para calcular a complexidade ciclomática.</li> <li><code>calculate_cognitive_complexity.py</code>: Script para calcular a complexidade cognitiva.</li> </ul> </li> <li> <p><strong>codes_suggested_by_the_tools</strong>: Esta pasta contém as sugestões de código geradas pelo Copilot, ChatGPT e Gemini para cada problema do LeetCode.</p> <ul> <li>Subpastas: <code>ChatGPT</code>, <code>Copilot</code>, <code>Gemini</code>, cada uma contendo as sugestões de código correspondentes nos formatos das linguagens.</li> </ul> </li> <li> <p><strong>complexity_of_codes</strong>: Esta pasta contém dois arquivos CSV que fornecem os resultados da análise de complexidade para o código gerado.</p> <ul> <li><code>AI analysis results table - Cognitive.csv</code>: Resultados da complexidade cognitiva do código gerado.</li> <li><code>AI analysis results table - Cyclomatic.csv</code>: Resultados da complexidade ciclomática do código gerado.</li> </ul> </li> </ol> <p>Este conjunto de dados atualizado oferece insights valiosos sobre o desempenho das ferramentas de geração de código com IA e pode ser utilizado para análises futuras ou estudos de replicação.</p>
ShareScore
36/100
Overall dataset sharing score
Score breakdown
These five areas show where the dataset supports — or may limit — practical reuse.
- Stewardship
- 8
- Harmonization
- 4
- Access
- 16
- Reuse readiness
- 8
- Engagement
- 0