Uso de Large Language Models para predição de propensão a mudança de software
Resumo
Identificar componentes propensos a mudanças é essencial para reduzir custos de manutenção de software. Abordagens tradicionais de Machine Learning utilizam métricas estruturais, evolutivas e baseadas em code smells em sua maioria, mas possuem limitações na captura semântica. Este trabalho investiga o uso de Large Language Models (LLMs) para predição de change-proneness com aprendizado em contexto. Os resultados mostram recall de 70,6% e ROC AUC de 79,1%, indicando boa capacidade discriminativa, apesar da baixa precisão (19,4%). Os achados sugerem que LLMs são promissores para priorização de componentes críticos.
Palavras-chave: Large Language Models, Predição de Propensão a Mudança, Engenharia de Software
Ler trabalho completo (PDF)