Bağlam farkındalıklı otomatik kod inceleme: Bilgi haritaları ve dinamik uzman yönlendirmesi
Context-aware automated code review: Knowledge maps and dynamic expert routing
- Tez No: 1018148
- Danışmanlar: DR. ÖĞR. ÜYESİ GÖKSEL BİRİCİK
- Tez Türü: Doktora
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2026
- Dil: Türkçe
- Üniversite: Yıldız Teknik Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Bilgisayar Mühendisliği Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Modern yazılım geliştirme süreçlerinde kod inceleme, yazılım kalitesini sürdürmek adına kritik bir eşik olsa da geliştiriciler üzerinde ciddi bir bilişsel yük ve zaman maliyeti oluşturmaktadır. Bu tez çalışmasında; Büyük Dil Modellerinin (Large Language Models - LLMs) kod inceleme pratiklerinde sergilediği algoritmik muhakeme zafiyetlerini ve bağlamsal kopukluk sorunlarını gidermeye yönelik, semantik farkındalık odaklı iki aşamalı bir otomasyon yaklaşımı önerilmektedir. Araştırmanın ilk aşamasında, modellerin kodun anlamsal yapısını kavrama yeteneğini sınamak ve geliştirmek amacıyla; Python diline özgü en iyi pratikleri ve yaygın hata örüntülerini içeren Sembolik Bilgi Haritaları (Knowledge Maps) yapılandırılmıştır. Bu aşamada yürütülen kontrollü deneyler; kural tabanlı bir mantıksal çerçevenin GraphCodeBERT gibi modellerle entegrasyonunun, hata tespit başarısını temel seviyeye göre %27,46 oranında artırdığını ortaya koymuştur.Çalışmanın ikinci aşamasında ise kuramsal yaklaşımların ötesine geçilerek, gerçek dünya projelerindeki karmaşık bağlam ihtiyacını karşılamak üzere Geri Alma Artırılmış Üretim (Retrieval Augmented Generation - RAG) altyapısı ve“Dinamik Uzman Yönlendirme”mimarisi geliştirilmiştir. Bu mimari, gelen kod değişikliklerini anlamsal niyetlerine (intent) göre sınıflandırarak Qwen2.5-Coder veya Mistral-Instruct gibi farklı karakteristiklere sahip uzman modellere dinamik olarak yönlendirmektedir. Gerçek dünya verileri (Home Assistant Core) üzerinden elde edilen deneysel bulgular; önerilen hibrit yapının standart tek atış (zero-shot) yaklaşımlarına göre %13,2, mevcut en güçlü tekil modele göre ise %7,7 oranında net performans artışı sağladığını doğrulamaktadır. Özellikle dokümantasyon kategorisinde uzman model yönlendirmesiyle ulaşılan %41,6'lık iyileşme, analitik modellerin teknik terimlerdeki“aşırı eleştirel”(over-criticism) yaklaşımını dengelemiştir. Araştırma ayrıca, RAG sistemlerinde erişim derinliği (k) arttıkça küçük modellerin yoğun veri altında“Bağlam Çökmesi”(Context Collapse) yaşayarak anlamsal odağını kaybettiğini saptamıştır. Sonuçlar, geleneksel n-gram metriklerinin anlamsal yetersizliğini gösterirken, uygulanan“Yargıç Model”(LLM-as-a-Judge) protokolünün insan uzmanlarla sağladığı %87 (rho = 0,87) oranındaki yüksek korelasyon, otomatik kod inceleme sistemleri için alternatif bir değerlendirme standardı sunmaktadır.
Özet (Çeviri)
In modern software development processes, code review is a critical stage for maintaining software quality; however, it imposes a significant cognitive load and time cost on developers. This thesis proposes a two-stage automation approach centered on semantic awareness to address the algorithmic reasoning vulnerabilities and contextual disconnection issues observed in Large Language Models (LLMs) during code review. In the first stage of the research, Symbolic Knowledge Maps incorporating Python specific best practices and common error patterns—were constructed to test and improve the models' ability to understand the semantic structure of code. Controlled experiments conducted in this phase showed that integrating a rule-based logical framework with models like GraphCodeBERT increased error detection success by 27.46% compared to the baseline. In the second stage, moving beyond theoretical models, a Retrieval-Augmented Generation (RAG) infrastructure and a“Dynamic Expert Routing”architecture were developed to address the complex context requirements of real-world projects. This architecture classifies incoming code changes based on their semantic intent and dynamically routes them to expert models with different characteristics, such as Qwen2.5-Coder or Mistral-Instruct. Experimental findings obtained from real-world data (Home Assistant Core) demonstrate that the proposed hybrid structure provides a net performance increase of 13.2% compared to standard zero-shot approaches and 7.7% compared to the strongest existing single model. Notably, the 41.6% improvement achieved in the documentation category through expert model routing neutralized the“over-criticism”tendency of analytical models regarding technical terms. Furthermore, the research identified that as retrieval depth (k) increases in RAG systems, smaller models experience“Context Collapse”under heavy data loads, leading to a loss of semantic focus. While the results confirm the semantic inadequacy of traditional n-gram metrics, the high correlation of 87% (ρ = 0.87) achieved by the implemented LLM-as-a-Judge protocol with human experts offers an alternative evaluation standard for automated code review systems.
Benzer Tezler
- Bulut güvenliğini sağlama: bulut bilişim ortamlarında siber güvenliği artırmaya yönelik stratejiler ve gelecek yönergeleri
Securing the cloud: Strategies and future directions for enhancing cybersecurity in cloud computing environments
WASIM MOHAMMED ABDALLAH ALNAJJAR
Yüksek Lisans
Türkçe
2026
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Üniversitesi-CerrahpaşaBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ŞAFAK DURUKAN ODABAŞI
- Mariot: an authoring framework for creating iot applications with mobile augmented reality
Marıot: mobil artırılmış gerçeklik ile nesnelerin interneti uygulamaları üretmek için bir yapılandırma çerçevesi
MERAL KUYUCU
Yüksek Lisans
İngilizce
2021
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. GÖKHAN İNCE
- Tiroid ultrasonografisinde hibrit derin öğrenme yöntemleri ile otomatik nodül segmentasyonu
Automatic nodule segmentation in thyroid ultrasonography with hybrid deep learning methods
ELİFNUR ERDEMİR AYTEKİN
Yüksek Lisans
Türkçe
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBaşkent ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ÇAĞATAY BERKE ERDAŞ
- Veri temsili yöntemlerinin hibrit kullanımının dil modeli başarısına etkileri
The impact of hybrid usage of data representation methods on the success of language models
HÜSEYİN ERDEM
Yüksek Lisans
Türkçe
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAnkara ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. MEHMET SERDAR GÜZEL
- Raylı sistem uygulamaları için hata toleranslı yolcu bilgilendirme sistemi mimarisi
A fault-tolerant passenger information system architecture for railway applications
BURAK GÜN
Yüksek Lisans
Türkçe
2026
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSakarya ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. ABDULLAH SEVİN