Supporting Review of Topic-Based Code Changes

La revue de code est essentielle pour assurer la qualité logicielle, et une revue efficace nécessite de comprendre à la fois la modification individuelle et le contexte plus large dans lequel elle s’inscrit. Dans de nombreux projets, y compris ceux utilisant Gerrit, les développeurs regroupent les modifications liées en un « topic » qui représente une fonctionnalité complète répartie sur plusieurs pull requests.

Lorsque ces modifications liées sont examinées de manière isolée, les outils d’IA produisent souvent des commentaires incorrects ou répétitifs, car ils ne peuvent pas voir comment les différentes parties s’articulent. Par exemple, une fonctionnalité de mode sombre peut être répartie sur plusieurs changements concernant les couleurs, les composants d’interface et la logique, et elle ne prend tout son sens que lorsqu’elle est vue comme un topic.

Ce projet vise à développer des modèles d’IA pour la revue de code qui soient « topic-aware », capables d’analyser des modifications liées comme un ensemble cohérent. Nous créerons TopicReviewBench, un jeu de données composé de topics réels, et nous évaluerons plusieurs grands modèles de langage, tels que GPT-4, Claude et Llama, en testant différentes manières de leur présenter le contexte inter-modifications.

Faculty Supervisor:

Moataz Chouchen

Student:

Partner:

National School of Computer Science (ENSI), Tunisia

Discipline:

Computer science

Sector:

Education

University:

Concordia University

Program: