هوش مصنوعی
DARE دشواری وظایف تعمیر کد را پیش‌بینی می‌کند و برای هر وظیفه پشتیبانی پیشنهاد می‌دهد
چارچوب پژوهشی DARE دشواری تعمیر کد را با ویژگی‌های ایستا می‌سنجد و می‌کوشد کمک متناسب با ویژگی‌های برجستهٔ هر وظیفه را به عامل‌های کدنویسی پیشنهاد کند.
نرخ حل به‌تنهایی نشان نمی‌دهد عامل‌های کدنویسی مبتنی بر مدل‌های زبانی بزرگ با چه میزان دشواری روبه‌رو بوده‌اند یا تفاوت دشواری وظایف در بنچمارک‌های مختلف چیست. پژوهشگران در پیش‌چاپی در arXiv، چارچوب DARE را برای سنجش و پیش‌بینی دشواری وظایف تعمیر کد و انتخاب پشتیبانی متناسب با هر وظیفه معرفی کرده‌اند.
DARE دشواری پیوستهٔ هر وظیفه را نرخ شکست مشاهده‌شده میان چند عامل کدنویسی تعریف می‌کند. مدل پیش‌بینی آن با استفاده از ۱۵۱ ویژگی ایستا که از داده‌های بنچمارک استخراج می‌شوند، دشواری را برآورد می‌کند. این چارچوب همچنین سهم هفت گروه از ویژگی‌های وظیفهٔ تعمیر را بررسی می‌کند تا مشخص شود کدام ویژگی‌ها برای هر وظیفه برجسته‌ترند و بر همان اساس پشتیبانی عامل را انتخاب می‌کند.
ارزیابی روی چهار بخش بنچمارک، شامل ۲٬۵۹۴ وظیفه، انجام شده است. پیش‌بینی‌های هم‌راستای مدل در بخش‌های کنارگذاشته‌شده همبستگی رتبه‌ای Spearman بین ۰٫۴۷۶ تا ۰٫۶۲۱ داشتند. گروه‌های ویژگی برجسته نیز در وظایف و بنچمارک‌های مختلف یکسان نبودند. آزمایش‌های عامل‌های کدنویسی نشان دادند که تطبیق پشتیبانی با گروه ویژگی برجستهٔ هر وظیفه با بهبود موفقیت در تعمیر همراه بوده است.
نویسندگان می‌گویند این رویکرد می‌تواند مبنایی برای ارزیابی عامل‌ها بر اساس سطح دشواری، مقایسهٔ بنچمارک‌ها و شناسایی حوزه‌هایی باشد که توانایی تعمیر کد در آن‌ها نیاز به بهبود دارد.
این گزارش به کمک هوش مصنوعی تهیه شده است. مطالب براساس منابع درج‌شده تنظیم شده‌اند؛ صحت مستقل همه ادعاها تضمین نمی‌شود.
منبع: arXiv · AI (پیش‌چاپ) — مشاهده منبع اصلی ↗
پیش‌چاپ پژوهشی در arXiv؛ انتشار در این مخزن به معنی داوری همتا نیست
رد این داستان در رادار
خبرهای مرتبط از آرشیو منتشرشده