본 논문은 소프트웨어 엔지니어링에서 코드 리뷰의 중요성을 강조하며, 산업 현장의 Merge Request (MR) 워크플로우에서 표준 리뷰 프로세스를 벗어나는 경우(예: 초안, 리베이스, 의존성 업데이트)가 빈번하게 발생함을 지적합니다. 이러한 경우를 '편차'로 정의하고, 이러한 편차를 무시하면 분석에 편향이 발생하고 리뷰 분석을 위한 머신러닝 모델의 성능이 저하된다는 가설을 세웁니다. 연구에서는 7가지 편차 범주를 식별하고(전체 MR의 37.02%), 이를 감지하기 위한 퓨샷 러닝 기반의 방법을 제안합니다(정확도 91%). 편차를 제외함으로써 리뷰 완료 시간 예측 머신러닝 모델의 성능이 53.33%의 경우에서 향상되었고(최대 2.25배), 특징 중요도에도 상당한 변화가 있었습니다(전체 47%, 상위 k 60%). 결론적으로, MR 편차의 분류 체계, AI 기반 감지 방법, 그리고 머신러닝 기반 리뷰 분석에 미치는 영향에 대한 실증적 증거를 제시하여 실무자들이 리뷰 작업을 최적화하고 신뢰할 수 있는 통찰력을 얻도록 돕습니다.
