Riparazione Automatica del Programma Basata su LLM: Complessità dei Bug, Localizzazione dei Guasti ed Efficienza dei Costi

Un nuovo studio empirico da arXiv (2608.14065) esamina come la complessità dei bug, la localizzazione dei guasti, le impostazioni di ragionamento e l'efficienza dei costi influenzino la riparazione automatica del programma (APR) basata su modelli linguistici di grandi dimensioni (LLM). La ricerca valuta due tecniche APR, ChatRepair e CodeCorrector, utilizzando tre LLM: DeepSeek, GPT e Llama. Attraverso un quadro empirico multidimensionale e un'analisi statistica, lo studio valuta le prestazioni su diversi livelli di complessità dei bug e strategie di localizzazione. I risultati preliminari indicano che i bug strutturalmente complessi e la localizzazione imprecisa dei guasti influenzano significativamente l'efficacia della riparazione. Lo studio mira a colmare le lacune lasciate dalle ricerche precedenti che si concentravano principalmente sull'efficacia complessiva della riparazione, offrendo approfondimenti sui fattori sfumati che influenzano l'APR basata su LLM. Questo lavoro è rilevante per ricercatori e professionisti dell'ingegneria del software interessati a ottimizzare gli strumenti di riparazione automatica. I risultati evidenziano la necessità di approcci economicamente efficienti nell'APR basata su LLM, poiché il costo di esecuzione di modelli di grandi dimensioni può essere proibitivo. Lo studio è disponibile su arXiv con l'identificatore 2608.14065.