Uma abordagem de deep-learning para realizar a predição de refatorações

• Ano de defesa: 2024
• Autor(a) principal: Pereira, Lucas Rafael Rodrigues
• Orientador(a): Durelli, Rafael Serapilha
• Banca de defesa: Dias, Diego Roberto Colombo, Parreira Junior, Paulo Afonso, Oliveira, Johnatan Alves de
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade Federal de Lavras
• Programa de Pós-Graduação: Programa de Pós Graduação em Ciência da Computação
• Departamento: Departamento de Ciência da Computação
• País: brasil
• Palavras-chave em Português: Deep Learning; Refatoração de código; Machine Learning; Qualidade de software; Predição de refatoração; Mineração de dados; Code Refactoring; Software Quality; Refactoring Prediction; Data Mining
• Área do conhecimento CNPq: Ciência da Computação
• Link de acesso: https://repositorio.ufla.br/handle/1/59329

A pesquisa mostrou que a refatoração geralmente leva a uma maior capacidade de manutenção, resultando em um código mais legível e compreensível para os desenvolvedores. No entanto, ao aplicar métodos de refatoração para aumentar a qualidade do software, os desenvolvedores enfrentam desafios na identificação de métodos de refatoração eficazes. Acontece que encontrar oportunidades de refatoração é uma tarefa desafiadora. Um problema notável é a ausência de diretrizes específicas e práticas para determinar o método de refatoração apropriado para um determinado trecho de código. Consequentemente, já que as decisões sobre quando refatorar geralmente são baseadas em conceitos subjetivos, como codesmells, desenvolvedores menos experientes frequentemente contam com a orientação de desenvolvedores seniores para determinar quando o software precisa passar por refatoração. Pesquisas anteriores mostraram que algoritmos de aprendizado de máquina podem ser usados para ajudar os desenvolvedores a identificar oportunidades de refatoração. Com os recentes avanços em hardware, algoritmos de aprendizado profundo têm atraído cada vez mais atenção. Nessa pesquisa, pretendemos avaliar a eficácia de alguns modelos de Deep Learning (CNN, RNN, LSTM e DenseLayer) na previsão de oportunidades de refatoração, em comparação com modelos tradicionais de aprendizado de máquina. Especificamente, avaliamos esses modelos usando métricas padrão, como precisão, recall e exatidão. Nossas descobertas parecem sugerir que, embora os modelos de aprendizado de máquina geralmente superem os modelos de aprendizado profundo, os últimos apresentam desempenho superior aos primeiros quando treinados em conjuntos de dados não balanceados.