合并请求偏差对代码审查实践的影响
软件工程
2025-06-12 v2 人工智能
机器学习
摘要
代码审查是软件工程中的关键实践，确保质量和协作。然而，工业界的合并请求（MR）工作流经常偏离标准化的审查流程，许多 MR 用于非审查目的（例如草稿、变基或依赖更新。我们将这些情况称为偏差，并假设忽略它们会使分析产生偏差，并削弱用于审查分析的机器学习模型。我们识别出七种偏差类别，出现在 37.02% 的 MR 中，并提出了一种少样本学习检测方法（91% 准确率）。通过排除偏差，用于预测审查完成时间的机器学习模型在 53.33% 的情况下性能得到提升（高达 2.25 倍），并且特征重要性发生了显著变化（总体 47%，top-*k* 为 60%）。我们的贡献包括：（1）MR 偏差的分类体系，（2）一种 AI 驱动的检测方法，以及（3）它们对基于机器学习的审查分析影响的实证证据。本工作有助于从业者优化审查工作并确保可靠的洞察。
引用
@article{arxiv.2506.08860,
title = {On The Impact of Merge Request Deviations on Code Review Practices},
author = {Samah Kansab and Francis Bordeleau and Ali Tizghadam},
journal= {arXiv preprint arXiv:2506.08860},
year = {2025}
}