Problemi di Qualità dei Dati di Addestramento Causano Fallimenti nella Generazione di Codice nei LLM

Una revisione completa della letteratura che comprende 114 studi primari esplora la trasmissione dei problemi di qualità dei dati di addestramento in fallimenti nella generazione di codice all'interno dei grandi modelli linguistici. Questa ricerca introduce una tassonomia coesa che classifica le preoccupazioni sulla qualità del codice generato in nove dimensioni, nonché i problemi di qualità dei dati di addestramento in attributi di codice e non codice. Articola un quadro causale che delinea 18 meccanismi comuni di propagazione e compila tecniche avanzate di rilevamento e mitigazione. I risultati identificano le origini di errori logici e falle di sicurezza nei dataset di addestramento, contestando la nozione che questi problemi siano esclusivamente legati a carenze a livello di modello.