概要: ソフトウェア開発におけるデバッグ支援の一つとして，大規模言語モデル（LLM）を用いた自動プログラム修正（LLM-APR）が注目されている．既存研究では LLM-APRのプログラム修正性能を実験的に確認しているが，ソースコードに付帯する情報の影響は明らかにされていない．本研究では LLM-APR の性能改善を目的として，ソースコードが持つ意味的情報の影響を調査する．意味的情報とはソースコードのコンパイル・実行には影響を与えない，ソースコード理解のための情報であり，JavaDoc に記載された仕様やメソッド名などが該当する．調査では意味的情報の有無を制御した 4 種類のプロンプトを作成し，各プロンプトのプログラム修正成功の割合を調べる．調査の結果，多くの意味的情報を含むほど LLM-APR の性能が高くなる傾向にあることを確認した．LLM-APR は開発者によるソースコード理解と同様に，仕様や変数名などから修正対象メソッドの取るべき振る舞いを類推していると考えられる．

@inproceedings{堀翔太2024,
  author = {堀 翔太 and 柗本 真佑 and 肥後 芳樹 and 楠本 真二 and 安田 和矢 and 伊藤 信治 and 張潘 タンフエン},
  title = {ChatGPTを用いたプログラム修正におけるソースコードの意味的情報の影響},
  booktitle = {電子情報通信学会技術研究報告},
  volume = {123},
  number = {414},
  pages = {144--149},
  year = {2024},
  month = {mar}
}