コードリファインメントにおける曖昧性の解消：会話的理解と曖昧性解消、ターゲットリトリーバルを備えたconidfineフレームワーク

科学分野:

• ソフトウェア工学
• 自然言語処理
• 人工知能

背景:

• コードリファインメントはソフトウェア開発において重要です。
• 曖昧なレビューコメントは、開発者の理解とタスク完了を妨げます。
• 開発者とレビュー担当者間の会話データは、曖昧さを解消することができます。

研究 の 目的:

• 会話データを用いた曖昧なコードレビュー提案に対処するための新しい方法を提案すること。
• モデルが自律的に曖昧性を検出し、明確化のために関連する会話セグメントを抽出できるようにすること。

主な方法:

• 曖昧性分類と混乱点生成のためのマルチタスク学習を用いた曖昧性判別器を開発しました。
• 曖昧性のタイプに基づいてアクション可能な情報を抽出するためのタイプ駆動型マルチ戦略検索フレームワークを導入しました。
• レビュー提案と会話コンテキスト間の正確な整合性のためのセマンティック補助命令ライブラリを構築しました。

主要な成果:

• 最先端モデル（TransReview、T5-Review、CodeT5、CodeReviewer、ChatGPT）のコードリファインメントタスクにおけるパフォーマンスを大幅に向上させました。
• 細粒度な曖昧性解消におけるモデルパフォーマンス向上に会話情報が有効であることを実証しました。
• 人間による評価で、曖昧性検出の精度と生成された混乱点の正しさを確認しました。

結論:

• 本研究は、コードリファインメントにおける曖昧なレビュー提案に対処する最初の研究です。
• 提案された方法は、会話コンテキストを活用することで曖昧性を効果的に解決します。
• 本研究の結果は、コードレビューの明確さと有効性を向上させる将来の研究の基礎を提供します。