Software Refactoring Research with Large Language Models: A Systematic Literature Review

이 논문은 LLM 리팩토링 연구 50편을 체계적으로 검토해 프롬프트 기법, 데이터셋, 정확도 정의의 문제점을 정리한 문헌 조사다.

이 논문은 한마디로 대형 언어모델로 코드 리팩토링을 자동화한 연구 50편을 체계적으로 검토한 논문이다. 저자들은 도구, 데이터셋, 프롬프트 기법, 정확도, 리팩토링 유형, 남은 과제를 범주로 나눠 정리했다. 언어별로 원샷, 퓨샷, 문맥 강화, 사고사슬 프롬프트가 효과가 달랐고, 어떤 경우 코드 냄새를 최대 89%까지 줄였다. 정확도 정의가 연구마다 크게 달라 표준 측정이 필요하다는 점과, LLM이 잘못된 코드를 만들고 복잡한 리팩토링에서 약하다는 점이 주요 발견이다.

핵심 요약

• 저자들은 리팩토링에 생성형 LLM을 쓴 주요 연구 50편을 검토했다.
• 가장 많이 쓰인 언어는 Java였고, 데이터셋은 GitHub, Apache, F-Droid 같은 오픈소스 프로젝트에서 수집됐다.
• 언어에 따라 원샷, 퓨샷, 문맥 강화, 사고사슬 프롬프트가 효과가 달랐고, 사고사슬을 쓴 UTRefactor는 테스트 코드 냄새를 2,375개에서 265개로 줄여 89% 제거를 달성했다.
• 정확도의 정의가 연구마다 크게 달라, 연구 간 비교를 위해 표준화된 정확도 측정이 필요하다고 지적했다.
• 가장 자주 언급된 코드 냄새는 Large Class와 Long Method였고, 가장 많이 시도된 리팩토링 유형은 Extract Method였다.

논문 링크

외부 연구를 정리한 자료입니다. HDATF가 발표한 논문이나 제품 성능을 측정한 결과는 아닙니다.