Unser Artikel “What really changes when developers intend to improve their source code: a commit-level study of static metric value and static analysis warning changes” ist nun online in der Fachzeitschrift Empirical Software Engineering erschienen. In diesem Artikel überprüfen wir, wie sich verschiedene Qualitätsmetriken und Warnungen eines statischen Analysewerkzeugs entwickeln, wenn Entwickler die Absicht äußern, den Quellcode zu verbessern. Wir klassifizieren mit Hilfe eines Deep Learning Sprachmodells, das auf Softwareentwicklungsdaten trainiert wurde, textuelle Beschreibungen von Änderungen. Durch dieses Sprachmodell können wir auf eine große Menge von Daten in dieser Studie zurückgreifen. Zusätzlich zur textuellen Klassifikation, welche die Intention der Entwickler ermittelt, messen wir Qualitätsmetriken und Warnungen von statischen Analysewerkzeugen. Unsere Ergebnisse zeigen, dass in Quellcodeänderungen, die die Qualität verbessern sollen, Warnungen von statischen Analysewerkzeugen zurückgehen, allerdings nicht in größerer Menge. In unserer Studie sehen wir außerdem, dass Fehlerbehebungen die Komplexität von Quellcode im Verhältnis zu anderen Quellcodeänderungen erheblich steigern. Wir können außerdem zeigen, dass Fehlerbehebungen wie erwartet an komplexen Dateien durchgeführt werden. Im Gegensatz dazu werden allerdings Verbesserungen an ohnehin schon weniger komplexen Dateien durchgeführt.
Die vollständige Studie ist als Open Access online verfügbar: https://doi.org/10.1007/s10664-022-10257-9