Toward Linking Declined Proposals and Source Code: An Exploratory Study on the Go Repository
Deze studie presenteert een LLM-gedreven aanpak om traceerbaarheidskoppelingen tot stand te brengen tussen afgewezen voorstellen en broncode in het Go-repository, waarbij wordt aangetoond dat dergelijke koppelingen waardevol zijn voor het begrijpen van ontwerpbeslissingen, hoewel de prestaties worden beperkt door vaak onvoldoende concrete informatie in de discussies.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer
Stel je voor dat softwareontwikkeling een enorme, levende stad is. In deze stad bouwen mensen (ontwikkelaars) voortdurend nieuwe gebouwen (functies) of renoveren ze bestaande straten (code). Maar voordat een nieuw gebouw daadwerkelijk wordt opgetrokken, moet er eerst een bouwplan worden ingediend.
In de wereld van de programmeertaal Go (een populaire taal voor systemen) gebeurt dit via een systeem genaamd "proposals" (voorstellen). Mensen schrijven een plan, bespreken het met de burgemeesters (de maintainers), en dan wordt er beslist: Ja, bouwen we dit! of Nee, dit past niet.
Het Probleem: De Vergeten Bouwplannen
Tot nu toe hebben onderzoekers zich alleen geconcentreerd op de goedgekeurde bouwplannen. Ze hebben een kaart gemaakt die laat zien welk plan leidde tot welk gebouw. Dit is handig om te weten waarom een brug er zo uitziet.
Maar wat er gebeurt met de afgekeurde plannen? Die worden vaak gewoon in een hoekje gegooid.
- Het dilemma: Soms is een afgekeurd plan juist heel waardevol. Misschien was het idee te duur, of misschien was er een betere manier om het te doen. Soms komen ontwikkelaars later terug en zeggen: "Wacht, ik heb dat idee van vorig jaar nog eens, maar dan aangepast."
- Het probleem: Omdat het plan nooit werd gebouwd, staat er geen fysiek gebouw (code) bij. Als je later in de stad (de code) kijkt, zie je geen spoor van die afgekeurde discussie. Het is alsof je een boek leest over een droomhuis dat nooit werd gebouwd, maar je hebt geen idee welke plek in de stad daarvoor bedoeld was.
De Oplossing: Een Slimme Detective met AI
De auteurs van dit papier (onderzoekers van universiteiten in Japan en Canada) wilden dit probleem oplossen. Ze wilden een digitale connectie maken tussen die afgekeurde plannen en de plek in de stad waar ze zouden hebben gebouwd.
Om dit te doen, hebben ze een AI-detective (een Large Language Model, of LLM) ingezet. Denk aan deze AI als een superintelligente architect die:
- Het afgekeurde bouwplan leest.
- De hele stad (de code-basis) doorzoekt.
- Beslist: "Ah, dit plan ging over het verbeteren van de waterleidingen in de wijk 'Netwerk'. Ik moet dus kijken naar de buizen in die specifieke wijk, niet naar de hele stad."
Hoe werkt de AI-detective? (De Drie Trappen)
De AI werkt in drie stappen, net als een detective die steeds specifieker wordt:
- De Grof-Filter (De Buurt): Eerst kijkt de AI: "Gaat dit plan over een hele wijk (een map/directory), een specifiek gebouw (een bestand/file), of alleen een kamer in dat gebouw (een functie/function)?"
- Voorbeeld: Als iemand zegt "We moeten een nieuwe bibliotheek bouwen", is dat een hele wijk. Als iemand zegt "We moeten de deur van de bibliotheek vervangen", is dat een specifiek gebouw.
- De Lokalisatie (Het Opzoeken): Als de AI denkt dat het over een wijk gaat, zoekt hij die wijk op. Als het over een kamer gaat, zoekt hij eerst het gebouw en dan de kamer.
- De Beslissing (De Link): Tot slot vraagt de AI aan zichzelf: "Is dit stukje code echt wat ze bedoelden in het plan?" Als het antwoord 'Ja' is, maakt hij een link.
Wat vonden ze? (De Resultaten)
De onderzoekers testten hun AI op het officiële Go-repository (een enorme verzameling code).
- Het succes: De AI was verrassend goed in het vinden van de juiste "buurt" of "gebouw". In 84% van de gevallen wist de AI precies welke schaal van code ze moesten zoeken.
- De link: Als de AI de juiste schaal had, kon hij in 64% van de gevallen de juiste link leggen.
- De moeilijkheid: Het was het moeilijkst om de kleinste details te vinden (de "kamers" of functies). Soms was het plan zo vaag dat de AI niet wist welke specifieke kamer bedoeld werd.
Waarom faalt de AI soms?
De onderzoekers keken ook naar de mislukkingen. Ze ontdekten twee hoofdredenen waarom de detective soms de weg kwijtraakte:
- Het "Wat" zonder het "Hoe": Soms zeggen mensen in een plan: "We moeten de snelheid verhogen!" Maar ze zeggen niet waar of hoe. De AI kan dan niet raden welk stukje code ze bedoelen. Het is alsof iemand zegt "Maak de stad sneller" zonder te zeggen of ze de wegen, de treinen of de fietspaden bedoelen.
- Te veel ruis: Soms staat het belangrijke antwoord verstopt in een berg van 5000 woorden aan discussie over andere dingen. De AI raakt dan in de war door al die extra informatie.
Waarom is dit belangrijk?
Stel je voor dat je een nieuwe stadswijk bouwt. Als je de oude, afgekeurde plannen kunt terugvinden en koppelen aan de plek waar ze zouden hebben gebouwd, leer je van de fouten van het verleden.
- Je ziet waarom iets niet werkte.
- Je ziet welke alternatieven er waren.
- Je voorkomt dat mensen dezelfde fouten opnieuw maken.
Kortom: Dit papier is als het vinden van een verloren schatkaart. Het laat zien hoe we met slimme AI die oude, afgekeurde ideeën kunnen koppelen aan de plek waar ze thuishoren, zodat ontwikkelaars in de toekomst niet hoeven te raden, maar gewoon kunnen kijken wat er eerder is bedacht.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.