源代码审查中的自动偏见检测

偏见是人类决策过程中的固有威胁，包括软件开发中的决策。广泛的研究表明，偏见在软件开发生命周期的各个阶段都有存在。值得注意的是，代码审查对偏见敏感性很高，个人往往在偏见发生时并不自知。开发自动检测这些偏见的方法对于解决相关挑战至关重要。最近的视觉数据分析进展在通过分析用户交互模式来检测潜在偏见方面显示了有前景的效果。在本项目中，我们提出了一个受控实验，将这种方法扩展到通过观察审阅者如何与代码交互来检测潜在的偏见结果。我们采用注意力聚光灯模型，这是一种认知框架，通过追踪审阅者的视线来确定其在审阅屏幕上的关注区域。通过视线追踪识别出的关注点作为审阅者兴趣或关心区域的指示器。我们计划使用高级序列建模技术，包括马尔可夫模型、循环神经网络(RNN)和条件随机场(CRF)，来分析视线关注的序列。这些技术将帮助我们识别可能表明偏见交互的模式。我们预计，能够自动检测代码审查中潜在的偏见交互能力，将显著减少不必要的推诿，提高运营效率，并在软件开发中培育更大的多样性和包容性。这种方法不仅有助于识别偏见，也有助于通过有效减轻这些偏见来创建一个更公平的开发环境。