💻 computer science

Improving Code Comprehension through Cognitive-Load Aware Automated Refactoring for Novice Programmers

Il paper presenta CDDRefactorER, un approccio di refactoring automatico guidato dai principi cognitivi che, riducendo la complessità del codice, migliora significativamente la comprensione e la leggibilità strutturale per i programmatori alle prime armi.

Autori originali: Subarna Saha, Alif Al Hasan, Fariha Tanjim Shifat, Mia Mohammad Imran

Pubblicato 2026-03-18

📖 5 min di lettura🧠 Approfondimento

CC BY 4.0

Autori originali: Subarna Saha, Alif Al Hasan, Fariha Tanjim Shifat, Mia Mohammad Imran

Articolo originale sotto licenza CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Questa è una spiegazione generata dall'IA dell'articolo qui sotto. Non è stata scritta né approvata dagli autori. Per precisione tecnica, consulta l'articolo originale. Leggi il disclaimer completo

Il Problema: Il "Muro di Mattoni" del Codice

Immagina di dover leggere un libro scritto da qualcuno che ha deciso di:

Scrivere tutto in un unico paragrafo gigante senza punti fermi.
Usare nomi di personaggi come "X", "Y" e "Z" invece di "Mario", "Giulia" o "Il Re".
Inserire storie dentro storie dentro storie (come una targa russa), dove per capire una frase devi ricordare cosa è successo 10 righe prima.

Per un principiante che sta imparando a programmare, leggere il codice di qualcun altro è esattamente così: frustrante e confuso. È come cercare di attraversare un muro di mattoni a occhi chiusi. Il paper inizia proprio da qui: i principianti non hanno problemi con la grammatica (la sintassi), ma si perdono nella struttura disordinata del codice.

La Soluzione: Il "Ristrutturatore Cognitivo" (CDDRefactorER)

Gli autori hanno creato un assistente intelligente chiamato CDDRefactorER. Per capire come funziona, usiamo un'analogia culinaria.

Immagina di avere una ricetta per una torta scritta da uno chef che ha:

Mescolato tutti gli ingredienti in una sola ciotola gigante.
Scritto "aggiungi la cosa bianca" invece di "aggiungi lo zucchero".
Messo il forno nel mezzo dell'elenco degli ingredienti.

Se chiedi a un'intelligenza artificiale generica di "rendere questa ricetta più leggibile", potrebbe fare cose strane: potrebbe cambiare la ricetta (es. "aggiungi il sale" invece dello zucchero) perché pensa di sapere cosa è meglio, oppure potrebbe riscriverla in modo così diverso che non la riconosci più.

CDDRefactorER è diverso. È come avere uno chef esperto che conosce la psicologia umana (la "carica cognitiva"). Sa che il nostro cervello può tenere a mente solo circa 7 cose alla volta (la Legge di Miller).

Ecco cosa fa questo assistente:

Non cambia il gusto: La torta deve uscire esattamente uguale (il codice deve funzionare allo stesso modo).
Non cambia gli ingredienti: Non sostituisce lo zucchero con il miele se non è necessario.
Ristruttura con cura: Prende la ricetta gigante e la divide in piccoli passaggi logici ("Prepara la base", "Monta gli albumi", "Inforna"). Usa nomi chiari ("Zucchero" invece di "X") e toglie le tarte russe (riduce la profondità delle storie).

In pratica, il sistema "pulisce" il codice solo se lo rende più facile da seguire per un cervello umano, senza rischiare di rompere la logica originale.

Cosa hanno scoperto? (I Risultati)

Gli autori hanno fatto due grandi esperimenti: uno con i computer e uno con persone vere.

1. Il test con i Computer (I Dati)
Hanno dato al sistema migliaia di pezzi di codice "sporchi" e hanno visto cosa succedeva.

Senza regole (Prompt libero): L'IA spesso rompeva il codice o lo rendeva più confuso, pensando di essere troppo intelligente.
Con le regole (CDDRefactorER): Il sistema ha fallito molto meno (fino al 70% in meno di errori!). Ha mantenuto il codice più simile all'originale (così non si perde il senso) e ha ridotto la complessità logica.
Metafora: È come se, invece di ristrutturare una casa buttando giù muri a caso, un architetto esperto riorganizzasse solo le stanze per farle passare più luce, senza toccare le fondamenta.

2. Il test con gli Studenti (L'Esperimento Umano)
Hanno preso 20 studenti al primo anno di informatica e li hanno divisi in due gruppi.

Gruppo A: Ha letto il codice originale "sporco".
Gruppo B: Ha letto il codice originale e poi la versione "pulita" fatta da CDDRefactorER.

Il risultato?
Il Gruppo B ha capito il codice molto meglio.

Sono riusciti a capire quali funzioni faceva il codice (+31% in più).
Hanno trovato la struttura più chiara (+22% in più).
Si sono sentiti meno frustrati.

Tuttavia, c'è un limite: se il codice parlava di concetti che lo studente non conosceva affatto (come una formula matematica avanzata), nemmeno la ristrutturazione ha aiutato. La pulizia della casa aiuta a muoversi, ma non ti insegna la fisica quantistica se non l'hai mai studiata.

Perché è importante? (Le Implicazioni)

Questo studio ci dice tre cose fondamentali:

Non basta dire "scrivi codice pulito": Bisogna dare agli strumenti di intelligenza artificiale delle regole precise basate su come funziona il cervello umano.
L'IA può essere un "tutor": Invece di scrivere codice al posto degli studenti, l'IA può agire come un ponte, prendendo codice difficile e rendendolo comprensibile, aiutando gli studenti a imparare.
La sicurezza prima di tutto: Quando si usa l'IA per modificare codice, bisogna assicurarsi che non cambi il significato originale. CDDRefactorER dimostra che è possibile farlo in modo sicuro.

In Sintesi

Immagina che il codice sia un labirinto.

Il codice originale è un labirinto con muri alti, vicoli ciechi e segnali confusi.
L'IA senza regole prova a tagliare i muri, ma spesso ne crea di nuovi o cambia l'uscita.
CDDRefactorER è come una mappa che riorganizza il labirinto: abbassa i muri dove sono troppo alti, mette cartelli chiari e crea percorsi diretti, mantenendo però la stessa destinazione finale.

Per un principiante, questo significa passare dal sentirsi bloccati davanti a un muro di mattoni al poter finalmente camminare e capire come funziona il mondo digitale.

1. Il Problema

I programmatori principianti (novizi) spesso faticano a comprendere codice esistente, non a causa di una scarsa familiarità con la sintassi, ma a causa di problemi strutturali: annidamento profondo, flussi di controllo complessi e confini modulari poco chiari.

Limiti delle soluzioni attuali: Le spiegazioni testuali o i commenti aiutano parzialmente, ma non modificano la struttura del codice.
Fallimento del Refactoring Tradizionale: Approcci di refactoring automatizzato standard (spesso basati su prompt LLM non vincolati) tendono a ridurre le metriche di complessità tradizionali (come la complessità cicomatica) ma possono paradossalmente aumentare il carico cognitivo per i principianti. Questo accade perché le trasformazioni possono alterare il flusso di controllo familiare, introdurre assunzioni di dominio errate o modificare la logica sottostante, rendendo il codice più difficile da tracciare mentalmente.

2. Metodologia: CDDRefactorER

Gli autori propongono CDDRefactorER, un sistema di refactoring automatizzato che integra i principi dello Sviluppo Guidato Cognitivo (Cognitive-Driven Development - CDD) nei prompt dei Large Language Models (LLM).

Principi Fondamentali

Il sistema si basa sulla Teoria del Carico Cognitivo e sul limite della memoria di lavoro umana (Legge di Miller: $7 \pm 2$ elementi).

Punti di Complessità Intrinseca (ICP): Il sistema assegna costi ai costrutti di controllo (if, loop, nesting). Un'unità di codice che supera una soglia di ICP (es. 7) viene identificata come troppo complessa per la memoria di lavoro di un principiante.
Vincoli di Prompting: A differenza dei prompt "zero-shot" non vincolati, CDDRefactorER istruisce il modello a:
1. Identificare unità che superano le soglie cognitive.
2. Applicare strategie specifiche (estrazione di metodi, riduzione dell'annidamento, miglioramento dei nomi, eliminazione duplicazioni).
3. Preservare la fedeltà comportamentale: Vietare cambiamenti semantici, alterazioni di stringhe letterali, numeri o firme di funzione.

Sperimentazione

Lo studio è stato valutato su due livelli:

Benchmark Automatizzati: Utilizzo dei dataset MBPP (974 programmi Python introduttivi) e APPS (campionamento di 5.000 soluzioni).
- Modelli testati: gpt-5-nano e kimi-k2.
- Metriche: Correttezza funzionale (passaggio ai test), Complessità Cicomatica (CC), Complessità Cognitiva (CogC), e similarità strutturale (CodeBLEU).
Studio Umano Controllato:
- Partecipanti: 20 studenti di primo anno di Informatica (CS-101).
- Design: Studio between-subject (due gruppi indipendenti). Un gruppo ha analizzato il codice originale, l'altro ha analizzato il codice originale + la versione refattorizzata da CDDRefactorER.
- Task: Comprensione di 3 problemi (base, intermedio, avanzato) con questionari pre e post-test su scala Likert.

3. Contributi Chiave

Introduzione di CDDRefactorER: Un approccio automatizzato che vincola le trasformazioni del codice basandosi su limiti cognitivi umani, non solo su metriche statiche.
Evidenza Empirica: Dimostrazione che il refactoring guidato da vincoli cognitivi riduce significativamente i fallimenti e migliora la comprensione rispetto al prompting non vincolato.
Framework di Valutazione: Una metodologia che combina metriche di complessità, similarità strutturale e valutazioni umane per misurare l'impatto reale sulla comprensione dei novizi.

4. Risultati Principali

A. Correttezza e Affidabilità (RQ1 & RQ2)

Riduzione dei Fallimenti: CDDRefactorER ha ridotto i fallimenti di refactoring (errori logici, alterazioni di comportamento) tra il 54,40% e il 71,23% rispetto al baseline non vincolato su entrambi i dataset e modelli.
Controllo della Complessità:
- Il baseline non vincolato ha mostrato un aumento netto della complessità cognitiva in molti casi (es. +29,08% di aumenti su APPS con gpt-5).
- CDDRefactorER ha invertito questa tendenza, riducendo drasticamente gli aumenti di complessità (es. sceso al 12,32% su APPS con gpt-5) e aumentando le riduzioni nette.
Preservazione Strutturale: Il punteggio CodeBLEU (similarità strutturale) è aumentato significativamente (fino al +122,7% in mediana), indicando che il codice refattorizzato rimane più simile alla struttura originale, preservando la familiarità per il principiante.

B. Impatto sulla Comprensione Umana (RQ3)

Lo studio con i 20 studenti ha mostrato miglioramenti significativi nell'autopercezione della comprensione:

Identificazione delle Funzioni: +31,3% (il miglioramento più alto).
Leggibilità Strutturale: +22,0%.
Comprensione del Flusso Logico: +19,45%.
Comprensione dello Scopo: +17,65%.
Feedback Qualitativo: Gli studenti hanno riportato che la ristrutturazione e i nomi più descrittivi hanno reso il flusso logico più facile da seguire. Tuttavia, è emerso che il refactoring non risolve lacune concettuali profonde su argomenti avanzati sconosciuti.

5. Significato e Implicazioni

Per l'Educazione: Il refactoring automatizzato guidato da principi cognitivi può agire come un "impalcatura" (scaffolding) efficace. Non dovrebbe sostituire l'insegnamento di base, ma essere utilizzato dopo che lo studente ha tentato di comprendere il codice autonomamente, per confermare o correggere la comprensione.
Per il Design degli Strumenti: Gli strumenti di refactoring per principianti devono prioritizzare trasformazioni incrementali e localizzate che preservano la familiarità strutturale, evitando ristrutturazioni aggressive che alterano il flusso di controllo.
Per la Ricerca: I vincoli cognitivi devono essere trattati come fattori sperimentali espliciti nello sviluppo di sistemi di trasformazione del codice, poiché influenzano direttamente la sicurezza e l'utilità educativa delle trasformazioni.

In sintesi, il paper dimostra che non basta che il codice sia "corretto" o "più semplice" in senso astratto; per i principianti, il refactoring deve essere consapevole del carico cognitivo, mantenendo la struttura riconoscibile e riducendo la complessità mentale richiesta per tracciare il flusso di esecuzione.