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．LLMはプロンプトの設計によってタスク性能が大きく変動するため，LLM-APRの性能改善の為のプロンプトエンジニアリングは重要な研究課題である．本研究ではLLM-APRの性能改善を目的として，ソースコードの意味的情報について調査する．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要素であり，JavaDocに記載された仕様やメソッド名などが該当する．本稿では仕様，メソッド名及び変数名の3つを意味的情報として扱う．これらの意味的情報は同じ内容であっても様々な表現での記述が可能であり，開発者のソースコード理解に大きく影響する．よってソースコードにどのような意味的情報を持たせるかはLLM-APRの性能にも大きく影響する可能性があり，また，LLM-APRにとって適切な意味的情報も存在すると考えられる．調査では3種類の意味的情報の有無がLLM-APRの性能に影響を与えるのか，及びLLM-APRにとって適切な意味的情報についてGPTモデルを対象に調査する．調査の結果，3種類の意味的情報がLLM-APRの性能向上に寄与することを確認し，さらにLLM-APRにとって適切な意味的情報についても確認した．

@mastersthesis{堀翔太2025,
  author = {堀 翔太},
  title = {LLMを用いたプログラム修正に対するソースコードの意味的情報の調査},
  school = {大阪大学},
  year = {2025}
}