Navegando por Orientadores "Cabral, George Gomes"

Agora exibindo 1 - 3 de 3

Análise de mensagens de Commit com IA: uma nova perspectiva para o algoritmo SZZ
(2025-03-17) Souza, Camila Nunes de Paula; Cabral, George Gomes; http://lattes.cnpq.br/8227256452129177; http://lattes.cnpq.br/8347479672060133
Este trabalho propõe uma abordagem inovadora para aprimorar o algoritmo SZZ utilizado na identificação de commits que introduzem defeitos em sistemas de software. A metodologia proposta envolve o uso do ChatGPT, para realizar uma análise semântica das mensagens de commit, classificando-as em duas categorias: ”introduz bug”e ”não introduz bug”. O objetivo é melhorar a confiabilidade das classificações geradas pelo SZZ, reduzindo falsos positivos e melhorando a qualidade dos dados utilizados para a geração de modelos preditivos de detecção de defeitos. Para validar a abordagem, foram realizados experimentos com duas bases de dados (Neutron e Nova), utilizando os classificadores Random Forest e SVC, além de técnicas de balanceamento como oversampling e undersampling. Os resultados demonstram que a integração do ChatGPT ao SZZ resultou em uma redução significativa de commits erroneamente classificados como introdução de bugs, além de melhorar o desempenho dos classificadores, especialmente o Random Forest. Conclui-se que a utilização de LLMs pode aprimorar a eficácia do SZZ, contribuindo para a melhoria da qualidade de software e a eficiência na detecção de defeitos.
Impacto da latência na verificação e do atraso acentuado na rotulação para detecção de falhas de software
(2023-04-25) Sgotti, Lucas Cordeiro; Cabral, George Gomes; http://lattes.cnpq.br/8227256452129177; http://lattes.cnpq.br/6243434551046357
A detecção de falhas de software é uma atividade inerente ao desenvolvimento de software e requer um esforço elevado de recursos humanos. Essa atividade muitas vezes não é priorizada no intuito de reduzir o custo final de um projeto. Just-in-Time Software Defect Prediction (JIT-SDP) é uma das abordagens utilizadas para predição de defeitos de software com o objetivo identificar de maneira automática através de métodos de aprendizagem de máquina artefatos de software propensos a conterem defeitos a partir de dados históricos. No entanto, a maioria das abordagens assume que as características do problema permanecem as mesmas com o passar do tempo, porém o desbalanceamento entre as classes é um problema que evolui com o tempo à medida que novos exemplos de treinamento vão chegando, por exemplo. Analisar o problema em um ambiente online significa que, além de outras coisas, há uma natureza cronológica intrínseca à abordagem que por sua vez, traz consigo alguns problemas, dentre eles o de latência na verificação, que se refere ao fato que os rótulos dos exemplos de treinamento podem chegar muito mais tarde do que suas características. Este trabalho visa investigar o impacto da latência na verificação no problema da detecção de defeitos em software, assim como o desempenho desses métodos de acordo com o grau de latência na verificação em exemplos da classe indutora de defeitos.
Information retrieval on public notices for medicines' purchasing: a comparison between an ad hoc approach and the GPT-4 LLM
(2024-09-24) Silva, Arthur Lima; Cabral, George Gomes; http://lattes.cnpq.br/8227256452129177; http://lattes.cnpq.br/3041910100835045
A auditoria é uma tarefa essencial no que se refere ao controle de despesas públicas. Apesar de sua importância, frequentemente tais esforços priorizam poucos alvos por conta da falta de recursos. A auditoria da compra pública de medicamentos pode identificar subpreços e necessidade de ajustes em editais, por exemplo. Esse trabalho introduz um novo método para a identificação precisa de medicamentos dadas descrições não padronizadas em editais. Experimentos mostraram que a abordagem proposta é, em média, 2.85 vezes mais efetiva que um assistente usando o ChatGPT-4o utilizando os mesmos dados. Não obstante, a abordagem proposta não sofre de problemas como alucinação, inerentes a modelos LLM.