@phdthesis{Lemke2020,
  type      = {Master Thesis},
  author    = {Sascha Lemke},
  title     = {Automatische Bewertung von Codequalit{\"a}t innerhalb eines Code Reviews},
  url       = {https://nbn-resolving.org/urn:nbn:de:hbz:832-epub4-15662},
  pages     = {66},
  year      = {2020},
  abstract  = {Eine g{\"a}ngige Form der Qualit{\"a}tskontrolle von Quellcode sind Code Reviews. Der Fokus von Code Reviews liegt allerdings oft auf syntaktischer Analyse, wodurch weniger Zeit f{\"u}r eine semantische {\"U}berpr{\"u}fung bleibt und zus{\"a}tzliche Kosten verursacht werden. Code Reviews lassen sich zwar teilweise durch \"Linter\" automatisieren, dennoch k{\"o}nnen sie nur syntaktische Fehlermuster identifizieren, welche vorher definiert wurden. Zudem kann ein Linter nur darauf hinweisen, dass m{\"o}glicherweise ein Fehler vorliegt, da die Fehler nicht durch logische Inferenz ermittelt werden. Die vorliegende Arbeit pr{\"u}ft, ob ein Deep Learning Modell den regelbasierten Ansatz von Lintern abl{\"o}sen und die semantische Ebene erschlie{\"s}en kann. Dazu wurde eine Stichprobe von Java Methoden zusammengestellt und im Anschluss mit einem Supervised Learning Ansatz bin{\"a}r klassifiziert. Da die Analyse von Quellcode der Textanalyse stark {\"a}hnelt wird ein g{\"a}ngiger Ansatz f{\"u}r Textklassifikation verwendet. Dadurch kann gezeigt werden, dass eine Pr{\"a}zision von 85\% bei der Erkennung von Quellcodeproblemen durch Deep Learning m{\"o}glich ist.},
  language  = {de}
}