Year: 2025
Type: dissertation
Abstract: I takt med att utvecklingstakten inom mjukvaruutveckling ökar, ställs högre krav på effektiva och kvalitativa kodgranskningsprocesser. Traditionell manuell kodgranskning är resurskrävande och kan präglas av subjektivitet, vilket har ökat intresset för AI-baserade lösningar. Denna studie undersöker hur väl ett AI-baserat kodgranskningsverktyg, baserat på en stor språkmodell (Deepseek R1), kan analysera kodförändringar i pull requests i relation till befintlig kod i main-branschen och generera kontextanpassade granskningsförslag som stärker kodkvalitet och enhetlighet. Studien tillämpar Design Science Research Methodology (DSRM) och genomför en kvalitativ innehållsanalys av AI-genererade granskningsförslag samt semistrukturerade intervjuer med utvecklare. Analysen utgår från kvalitetskriterier enligt ISO/IEC 25010:2024 och fokuserar på kodens läsbarhet, underhållbarhet och följsamhet mot projektets kodstandarder. Resultaten visar att verktyget kan identifiera vissa stilistiska och strukturella avvikelser, men att dess kontextförståelse är begränsad, särskilt vid mer komplexa kodändringar. Studien bidrar med insikter om de möjligheter och utmaningar som följer med AI-baserad kodgranskning, samt pekar på behovet av fortsatt utveckling för att säkerställa projektspecifik anpassning och hög kodkvalitet.
Authors: Berg, Elliot, Morin, Emil
Language: Swedish
Subfield: Information Systems
Field: Computer Science
Domain: Physical Sciences
Open Access status: green
OpenAlex ID: W6979777818