Studio esplorativo delle soluzioni AI-based per la generazione del codice = Exploratory Study of AI-based Solutions for Code Generation

Questo studio esamina la capacità dei modelli linguistici di grandi dimensioni (LLM) nella generazione del codice per progetti software, con particolare focus sulla valutazione della correttezza e della qualità del codice prodotto. La ricerca è strutturata da fornire una panoramica sull'efficacia di diverse tecniche di prompt engineering utilizzate per guidare gli LLM verso una generazione di codice corretto e di qualità. Lo studio verifica le prestazioni di tre modelli (ClaudeSonnet, GPT e Gemini) attraverso una valutazione preliminare su sei esercizi (4 in Python e 2 in Rust) nel quale vengono utilizzate diverse tecniche di prompting e il codice prodotto viene analizzato attraverso dei test per la correttezza e tramite alcune metriche per la qualità; metriche che riflettono le migliori pratiche di programmazione attuali quali complessità ciclomatica, leggibilità e manutenibilità. Dalla prevalutazione è stato rilevato ClaudeSonnet come il modello più robusto e affidabile e l'utilizzo della tecnica iterativa come la più efficace per ottenere un codice corretto e di qualità, superando l'utilizzo del prompt unificato, nonostante quest'ultimo abbiamo ottenuto degli ottimi risultati. Quindi, si è analizzato un singolo LLM (GPT) attraverso la tecnica del prompt unificato, integrando tutte le strategie più performanti emerse dalla valutazione preliminare, attraverso un dataset di 150 esercizi di programmazione in Python. Lo studio sui 150 esercizi eseguito rivela un tasso di successo del 90,44% nella generazione di codice corretto e dei risultati soddisfacenti sulla qualità del codice, con valori medi e mediani vicini agli standard ottimali. I risultati supportano l'applicabilità pratica degli LLM come strumenti affidabili per la generazione di codice, fornendo evidenze empiriche per l'integrazione efficace di questi strumenti nei processi di sviluppo software e aprendo prospettive per lo sviluppo di ambienti collaborativi a più agenti e l'estensione della ricerca ad altri linguaggi di programmazione e contesti applicativi più complessi.