Explorando a detecção de conflitos semânticos nas integrações de código em múltiplos métodos
Bibliographic record
Abstract
Durante o desenvolvimento de software, integrar mudanças dos diferentes desenvolvedores é crucial. No entanto, essa ação pode resultar em uma versão do sistema que não preserva os comportamentos individuais pretendidos por eles, causando o que chamamos de conflitos de merge semânticos. As ferramentas atuais para detectar esses conflitos são limitadas a cenários mais simples, onde contribuições conflitantes ocorrem dentro do mesmo método. Para superar essa limitação, este artigo adapta e avalia uma ferramenta que detecta conflitos, considerando a interferência causada por mudanças feitas em diferentes métodos e classes. Para alcançar isso, a ferramenta explora a criação de testes utilizando ferramentas de geração de testes. Para avaliar a eficácia da ferramenta proposta, foi realizado um estudo empírico com uma amostra de 613 cenários sintéticos de merge criados com conflitos, representando uma amostra seis vezes maior em comparação com estudos anteriores. Como resultado, foi possível observar a detecção de 230 conflitos pela ferramenta, demonstrando seu potencial para detectar conflitos ao explorar múltiplas mudanças e apoiar ferramentas existentes. Além disso, os resultados reforçam para a importância em explorar diferentes ferramentas de geração de testes em conjunto.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.009 | 0.037 |
| Meta-epidemiology (narrow) | 0.002 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.002 |
| Bibliometrics | 0.003 | 0.003 |
| Science and technology studies | 0.002 | 0.002 |
| Scholarly communication | 0.007 | 0.012 |
| Open science | 0.003 | 0.007 |
| Research integrity | 0.002 | 0.003 |
| Insufficient payload (model declined to judge) | 0.004 | 0.001 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".