之前的情节……自动化代码审查

现代代码审查（MCR）是软件工程中的标准实践，然而其需要 substantial 的时间和资源投入。近期研究越来越多地探索了使用机器学习（ML）和深度学习（DL）自动化核心审查任务。因此，任务定义、数据集和评估程序之间存在 substantial 的差异。本研究提供了对 MCR 自动化研究的首次全面分析，旨在描绘该领域的演变、形式化学习任务、突出方法论挑战，并为未来研究提供可操作的建议。我们聚焦于主要代码审查任务，系统性地调查了 691 篇文献，识别出 2015 年 5 月至 2024 年 4 月期间的 24 项相关研究。对每项研究进行了关于任务、模型、指标、基线、结果、有效性 concern 以及制品可用性的分析。特别是，我们的分析揭示了标准化的 substantial 潜力，包括 48 种任务指标组合，其中 22 种仅在其原始论文中独有，且数据集的重用有限。我们突出了挑战并为诸如时序偏差威胁等问题提供了具体建议，这些问题迄今鲜有被 addressing。我们的工作有助于该领域的更清晰概览，支持新的研究框架，帮助避免陷阱，并促进评估实践中的更大标准化。