Daily Arxiv

전 세계에서 발간되는 인공지능 관련 논문을 정리하는 페이지 입니다.
본 페이지는 Google Gemini를 활용해 요약 정리하며, 비영리로 운영 됩니다.
논문에 대한 저작권은 저자 및 해당 기관에 있으며, 공유 시 출처만 명기하면 됩니다.

An LLM-as-Judge Metric for Bridging the Gap with Human Evaluation in SE Tasks

Created by
  • Haebom

저자

Xin Zhou, Kisub Kim, Ting Zhang, Martin Weyssow, Luis F. Gomes, Guang Yang, David Lo

개요

본 논문은 대규모 언어 모델(LLM)이 생성한 소프트웨어 아티팩트(코드 조각, 패치, 주석 등)의 정확성을 평가하는 새로운 지표인 SWE-Judge를 제시합니다. 기존의 자동 평가 지표들이 정확성이 떨어지고, 사람의 평가는 비용이 많이 들고 확장성이 부족하다는 문제점을 해결하기 위해, SWE-Judge는 5가지 독립적인 평가 전략(judge)을 활용하고, 동적 팀 선택 메커니즘을 통해 최적의 judge 조합을 선택하여 최종 정확성 점수를 산출합니다. CoNaLa, Card2Code, HumanEval-X, APPS, APR-Assess, Summary-Assess 등 다양한 소프트웨어 엔지니어링 벤치마크(코드 생성, 자동 프로그램 수정, 코드 요약)에서 기존 자동 평가 지표보다 사람의 판단과의 상관관계가 5.9%~183.8% 향상되었으며, 코드 생성 및 프로그램 수정 작업에서 사람 간의 평가 일치도와 비슷한 수준의 일치도를 달성함을 실험적으로 보여줍니다.

시사점, 한계점

시사점:
LLM이 생성한 소프트웨어 아티팩트의 정확성을 효율적이고 정확하게 평가할 수 있는 새로운 지표 SWE-Judge 제시.
기존 자동 평가 지표 대비 사람의 판단과의 상관관계를 크게 향상시킴.
사람의 평가에 필적하는 수준의 신뢰성을 확보.
코드 생성, 자동 프로그램 수정, 코드 요약 등 다양한 소프트웨어 엔지니어링 작업에 적용 가능.
LLM 기반 소프트웨어 개발 도구의 성능 향상 및 신뢰도 증진에 기여.
한계점:
SWE-Judge의 성능은 사용된 벤치마크 데이터셋에 의존적일 수 있음. 다양한 유형의 소프트웨어 아티팩트와 작업에 대한 추가적인 평가가 필요.
5가지 평가 전략의 설계 및 동적 팀 선택 메커니즘의 최적화에 대한 추가 연구 필요.
실제 상용 환경에서의 성능 및 적용 가능성에 대한 추가적인 검증 필요.
👍