面向分析支持的代码评审反馈自动分类研究
软件工程
2023-07-11 v1
摘要
背景：由于提升代码评审（CR）效能是许多软件开发组织的优先事项，各项目已部署CR分析平台以识别潜在改进点。所识别问题数量是衡量CR效能的关键指标，但若将所有问题归为一类则可能产生误导。因此，对CR期间识别的问题进行更细粒度的分类可提供可操作的见解以提升CR效能。尽管Fregnan等人近期提出了自动分类CR引发变更的模型，我们注意到两个潜在改进方向——i)对不引发变更的评论进行分类，以及ii)结合代码上下文使用深度神经网络（DNN）以提升性能。目标：本研究旨在开发一种利用DNN模型的自动化CR评论分类器，以取得比Fregnan等人更可靠的性能。方法：使用包含1,828条CR评论的人工标注数据集，我们训练并评估了基于监督学习的DNN模型，利用代码上下文、评论文本以及一组代码度量将CR评论分类至Turzo和Bosu提出的五个高层类别之一。结果：基于我们对多种分词方法组合的10折交叉验证评估，发现使用CodeBERT的模型取得了59.3%的最佳准确率。我们的方法比Fregnan等人的方法准确率高出18.7%。结论：除促进改进的CR分析外，我们提出的模型还可用于开发者优先处理代码评审反馈及选择评审者。
引用
@article{arxiv.2307.03852,
title = {Towards Automated Classification of Code Review Feedback to Support Analytics},
author = {Asif Kamal Turzo and Fahim Faysal and Ovi Poddar and Jaydeb Sarker and Anindya Iqbal and Amiangshu Bosu},
journal= {arXiv preprint arXiv:2307.03852},
year = {2023}
}