Toward Linking Declined Proposals and Source Code: An Exploratory Study on the Go Repository
Diese Studie stellt einen ersten Ansatz vor, der mithilfe eines LLM-gesteuerten Prozesses Traceability-Links zwischen abgelehnten Vorschlägen und dem Quellcode im Go-Repository herstellt, um wertvolle Designentscheidungen zu erschließen, wobei die Methode eine Genauigkeit von 0,836 bei der Granularitätsauswahl und eine mittlere Präzision von 0,643 bei der Link-Generierung erreicht.
Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen
Titel: Wenn Ideen scheitern – Wie wir aus „abgelehnten" Vorschlägen lernen können
Stellen Sie sich vor, Sie sind in einer riesigen, lebendigen Bibliothek, die ein riesiges Software-Programm namens „Go" verwaltet. Tausende von Menschen kommen jeden Tag hereingelaufen, um neue Ideen vorzuschlagen: „Wir sollten hier eine neue Tür einbauen!" oder „Lassen Sie uns das Fenster im Wohnzimmer vergrößern!"
Normalerweise schauen die Bibliothekare (die Entwickler) sich diese Vorschläge an. Wenn die Idee gut ist, wird sie gebaut, und die Tür steht später fest im Gebäude. Das ist einfach zu verfolgen: Man sieht die Tür und weiß, welcher Vorschlag dahintersteckt.
Das Problem: Die abgelehnten Ideen
Aber was ist mit den Vorschlägen, die abgelehnt wurden? Vielleicht war die Tür zu schwer, oder das Fenster passte nicht zum Stil des Hauses. Diese Vorschläge landen im Papierkorb. Sie werden nicht gebaut.
Das Problem ist: Diese abgelehnten Ideen sind voller wertvoller Informationen! Sie erklären, warum etwas nicht funktioniert hat, welche Alternativen diskutiert wurden und welche Fallen es zu vermeiden gilt. Aber da sie nicht gebaut wurden, sind sie wie verlorene Schatzkarten. Niemand weiß mehr, wo genau im riesigen Gebäude diese Diskussionen eigentlich hingehören.
Die Lösung: Ein intelligenter Detektiv (KI)
Die Autoren dieses Papers haben sich gefragt: „Können wir eine Art intelligenten Detektiv bauen, der diese abgelehnten Vorschläge liest und ihnen automatisch den richtigen Ort im Gebäude zuweist?"
Sie haben eine Methode entwickelt, die auf einer modernen Künstlichen Intelligenz (KI) basiert. Man kann sich diese KI wie einen sehr gut ausgebildeten Bibliothekar vorstellen, der nicht nur liest, sondern auch versteht.
Wie funktioniert der Detektiv? (Die drei Schritte)
Der Maßstab (Granularität):
Zuerst muss der Detektiv entscheiden, wie genau er suchen muss.- Geht es um den ganzen Flügel des Hauses (ein ganzes Verzeichnis)?
- Geht es nur um ein einzelnes Zimmer (eine Datei)?
- Oder geht es nur um eine Lampe an der Wand (eine einzelne Funktion)?
Die KI schaut sich den Vorschlag an und sagt: „Ah, dieser Vorschlag handelt von einem ganzen Flügel!" oder „Nein, das ist nur eine kleine Reparatur an einer Lampe."
Die Suche (Lokalisierung):
Sobald der Detektiv weiß, wonach er sucht, durchsucht er die Bibliothek. Er ignoriert dabei den ganzen Lärm und konzentriert sich nur auf die Bereiche, die Sinn machen. Er sucht nicht blind, sondern nutzt sein Verständnis der Sprache, um die richtigen Stellen zu finden.Die Entscheidung (Linking):
Am Ende sagt die KI: „Ja, dieser abgelehnte Vorschlag gehört definitiv zu dieser Lampe im Flur" oder „Nein, das passt hier nicht."
Was haben sie herausgefunden?
- Es funktioniert ziemlich gut! Der Detektiv hat in den meisten Fällen (ca. 84 %) richtig erraten, ob er nach einem ganzen Flügel, einem Zimmer oder einer Lampe suchen muss.
- Die Verbindung ist oft richtig: Wenn er die richtige Suchstufe gewählt hat, konnte er in etwa 64 % der Fälle den Vorschlag korrekt mit dem Code verknüpfen.
- Das größte Hindernis: Der Detektiv scheitert oft, wenn die Diskussionen zu vage sind.
- Stell dir vor: Jemand sagt: „Wir sollten das Haus verbessern." Aber er sagt nicht, was genau verbessert werden soll oder wie. Dann weiß der Detektiv nicht, wo er suchen soll.
- Oder: Die Diskussion ist so lang und voller unnötiger Details, dass die wichtigen Hinweise wie eine Nadel im Heuhaufen verloren gehen.
Warum ist das wichtig?
Früher haben Forscher nur auf die gebauten Ideen geschaut. Aber diese Studie zeigt uns: Auch die gescheiterten Ideen sind Gold wert!
Wenn ein neuer Entwickler in die Bibliothek kommt und einen ähnlichen Vorschlag macht, kann er jetzt sofort nachsehen: „Oh, jemand hat das vor 5 Jahren schon versucht und es wurde abgelehnt, weil...". Das spart Zeit, Geld und Nerven.
Zusammenfassung in einem Satz:
Die Autoren haben einen KI-Detektiv gebaut, der abgelehnte Ideen aus der Vergangenheit findet und sie wieder mit dem richtigen Ort im Code verknüpft, damit wir aus den Fehlern der Vergangenheit lernen können, ohne sie zweimal zu begehen.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.