Uma abordagem iterativa baseada em LLMs para melhoria de código a partir de recomendações de análise estática
Year: 2025
Type: dissertation
Abstract: AgradecimentosAgradeço, em primeiro lugar, à minha mãe, Rosângela, por acreditar que eu seria capaz de abrir mão da estabilidade do cargo de servidor público para atuar no mercado de tecnologia, mesmo sem nenhuma experiência prévia, e por me apoiar na realização do sonho de estudar na Universidade Federal de Uberlândia.Ao Professor Marcelo de Almeida Maia, agradeço pela paciência e pela orientação ao longo do mestrado, especialmente nos momentos em que conciliar as atividades profissionais com as acadêmicas se mostrou desafiador.Aos meus gestores, agradeço pela compreensão e pelo apoio ao flexibilizarem minha carga horária, permitindo que eu participasse das atividades do programa de pósgraduação.Aos amigos Rafael, Clênio e Douglas, meu sincero agradecimento por tornarem mais fácil minha adaptação em Uberlândia/MG.Vocês foram fundamentais não apenas para a conclusão deste curso, mas também para outras conquistas importantes ao longo desse período.Aos professores do Instituto Federal de Educação, Ciência e Tecnologia do Triângulo Mineiro -Campus Patrocínio, agradeço pela oportunidade de conhecer o universo da pesquisa científica ainda no ensino técnico, por meio das atividades de iniciação científica.Por fim, agradeço a todas as pessoas que, de forma direta ou indireta, contribuíram para que eu superasse os desafios impostos pela baixa visão. "É preciso força pra sonhar e perceber que a estrada vai além do que se vê" (Los Hermanos) ResumoA manutenção e evolução de sistemas de software frequentemente demanda mais esforço do que seu desenvolvimento inicial.Melhorar a qualidade do código-fonte por meio de suporte automatizado pode reduzir significativamente a dívida técnica, aumentar a manutenibilidade e aprimorar a produtividade dos desenvolvedores.Esta pesquisa apresenta uma abordagem que integra análise estática com Modelos de Linguagem de Grande Escala (LLMs) para automatizar a melhoria de código-fonte.A abordagem proposta processa iterativamente classes Java, extraindo problemas detectados pelo SonarQube e transformando-os em prompts para os LLMs, que geram versões aprimoradas do código.Cada versão é reanalisada, e o processo se repete até a convergência ou até atingir um limite predefinido de iterações.A abordagem foi avaliada experimentalmente e a configuração experimental inclui múltiplas combinações, envolvendo dois LLMs (GPT-4-mini e Gemini), variações de temperatura, estilo de prompt e número de iterações.As avaliações foram conduzidas utilizando múltiplos conjuntos de dados Java, com três execuções repetidas sobre o repositório Commons Lang para identificar padrões de comportamento.A análise se concentra na redução do número de problemas, na diminuição da dívida técnica (medida por uma métrica do SonarQube) e na evolução da severidade das issues.A correção funcional foi verificada manualmente por meio da inspeção do código aprimorado, a fim de garantir a preservação do comportamento.Os resultados demonstram que a combinação de SonarQube com LLMs é eficaz na redução de problemas no código -alcançando mais de 58% de redução média em cenários-chave -ao mesmo tempo em que preserva a funcionalidade.O processo iterativo mostrou-se bem-sucedido em guiar os modelos para melhorar incrementalmente a qualidade do código com base em feedbacks reais da análise estática.Este trabalho contribui com uma pipeline reprodutível e extensível, demonstrando o impacto de diferentes configurações dos LLMs e apoiando futuras pesquisas na integração entre IA e engenharia de qualidade de software.
Author: João Gonçalves
Language: Portuguese
Subfield: Information Systems
Field: Computer Science
Domain: Physical Sciences
Open Access status: gold
OpenAlex ID: W4413495576
