Avaliação de Grandes Modelos de Linguagem na Classificação de Diferentes Tipos de Dívida Técnica no StackOverflow

Autores : Lucas Amaral (UECE) | Lucas Aguiar (UECE) | Eliakim Gama

Resumo do artigo :

Este artigo apresenta uma avaliação comparativa entre modelos baseados em Large Language Models (LLMs) e abordagens tradicionais de Machine Learning na tarefa de identificação de Dívida Técnica (Technical Debt - TD) em conversas extraídas do Stack Overflow. A proposta central do estudo é investigar a eficácia desses modelos no reconhecimento de sinais de TD presentes em discussões técnicas da comunidade, analisando seu desempenho nesse contexto específico. Os resultados obtidos evidenciam que os modelos baseados em LLMs superam os métodos convencionais, demonstrando maior capacidade na identificação precisa de ocorrências de Dívida Técnica a partir de linguagem natural. Com isso, o artigo reforça a relevância do uso de LLMs como ferramenta promissora na detecção automática de TD em ambientes colaborativos de desenvolvimento de software.