Machine learning-based approach for code smell detection in software JavaScrip (2024)
- Authors:
- Autor USP: SARAFIM, DIEGO SANTANA - EACH
- Unidade: EACH
- DOI: 10.11606/D.100.2024.tde-13122024-002027
- Subjects: APRENDIZADO COMPUTACIONAL; LINGUAGEM DE PROGRAMAÇÃO; ENGENHARIA DE SOFTWARE
- Keywords: Code Smells; Conjunto de Dados; Dataset; JavaScript
- Language: Inglês
- Abstract: JavaScript se tornou uma das linguagens de programação mais utilizadas no mundo. Caracteriza-se por ser uma linguagem de script dinâmica, interpretada e fracamente tipada, que é especialmente adequada para o desenvolvimento de aplicações web. Embora esses recursos permitam que a linguagem ofereça altos níveis de flexibilidade, eles também podem tornar o código JavaScript mais desafiador para escrever, manter e evoluir. Um dos riscos a que o JavaScript e outras linguagens de programação estão sujeitos é a presença de code smells. Code smells resultam de más escolhas tomadas durante o desenvolvimento do código-fonte que influenciam negativamente a compreensão e a capacidade de manutenção do código-fonte no longo prazo. Parte dos esforços em pesquisas relacionadas a code smells se concentrou na exploração de diferentes técnicas para detectá-los. As técnicas e estratégias de detecção exploradas ao longo dos anos vão desde o uso de heurísticas manualmente definidas até o emprego de algoritmos de aprendizado de máquina. Embora apresentem resultados promissores, a grande maioria dos estudos que empregaram técnicas de aprendizado de máquina para detectar code smells focaram na linguagem de programação Java. Como diferentes linguagens de programação podem ter diferentes sintaxes, propósitos e estruturas e podem suportar diferentes paradigmas de programação, elas podem representar desafios variados para a detecção e podem até mesmo ser propensas a tipos únicos de code smells.JavaScript é uma linguagem de programação que difere de Java em alguns aspectos fundamentais, dentre estas diferenças destactam-se a sintaxe, o suporte a diferentes paradigmas de programação e a vulnerabilidade a tipos únicos de code smells. Encorajados por uma aparente falta de estudos explorando o emprego de técnicas de aprendizado de máquina para detecção de code smells em JavaScript, foi conduzido este trabalho para o qual as principais contribuições são a construção do primeiro conjunto de dados para detecção de code smells em JavaScript e a aplicação de técnicas de aprendizado de máquina para a detecção de code smells em JavaScript
- Imprenta:
- Data da defesa: 06.11.2024
- Este periódico é de acesso aberto
- Este artigo NÃO é de acesso aberto
-
ABNT
SARAFIM, Diego Santana. Machine learning-based approach for code smell detection in software JavaScrip. 2024. Dissertação (Mestrado) – Universidade de São Paulo, São Paulo, 2024. Disponível em: https://www.teses.usp.br/teses/disponiveis/100/100131/tde-13122024-002027/. Acesso em: 18 fev. 2026. -
APA
Sarafim, D. S. (2024). Machine learning-based approach for code smell detection in software JavaScrip (Dissertação (Mestrado). Universidade de São Paulo, São Paulo. Recuperado de https://www.teses.usp.br/teses/disponiveis/100/100131/tde-13122024-002027/ -
NLM
Sarafim DS. Machine learning-based approach for code smell detection in software JavaScrip [Internet]. 2024 ;[citado 2026 fev. 18 ] Available from: https://www.teses.usp.br/teses/disponiveis/100/100131/tde-13122024-002027/ -
Vancouver
Sarafim DS. Machine learning-based approach for code smell detection in software JavaScrip [Internet]. 2024 ;[citado 2026 fev. 18 ] Available from: https://www.teses.usp.br/teses/disponiveis/100/100131/tde-13122024-002027/
Informações sobre o DOI: 10.11606/D.100.2024.tde-13122024-002027 (Fonte: oaDOI API)
How to cite
A citação é gerada automaticamente e pode não estar totalmente de acordo com as normas
