Code refactoring is a necessary act for maintaining code and to help ensure that the code can function for a long period of time in changing environments and growing coding projects. It improves code readability and makes spotting mistakes in code easier. Generative artificial intelligence can function as a tool for faster and easier code refactoring.
In this paper a mapping study is conducted on generative artificial intelligence’s effect on code refactoring based on new scientific publications. The data that is collected from the publications is used to form maps that are used to locate trends and possible research gaps.
From analysing the maps and reviewing the papers it could be learned that the area of generative AI in code refactoring is still a highly developing field. By far the most dominant two topics were the use of large language models and GPT followed by human-AI paring, software education and automated refactoring. Much of the research was done on a general level of refactoring using generative AI and more research is needed for specific code smells and refactoring settings. A large number of papers expressed concerns and possibilities over the use of human-AI paring and the effects of generative AI in software education.Koodin refactorointi on tarpeellinen toimenpide koodin ylläpitämiseksi, jotta voidaan taata koodin olevan toimivaa pitkään etenkin jatkuvasti muuttuvissa ja kasvavissa koodaus projekteissa. Se parantaa koodin luettavuutta ja helpottaa koodaus vikojen havaitsemista. Generatiivinen tekoäly voi toimia työkaluna koodin helpompaan ja nopeampaan refactorointiin.
Tässä kartoitus työssä kartoitetaan generatiivisen tekoälyn vaikutusta koodin refaktorointiin uusien tieteellisten julkaisuiden avulla. Datasta, jota kerätään, luodaan karttoja, joiden avulla voidaan havaita aihealueen trendejä ja mahdollisia uusia tutkimus kysymyksiä.
Karttojen analysoinnista and tutkimusten katselmuksesta voitiin oppia, että generatiivisen AI:n vaikutus refactorointiin on vielä kehityksessä. Yleisimmät aihe alueet olivat large language models ja GPT, joita seurasivat ihmis-AI parityö, ohjelmisto opetus ja automaattinen refactorointi. Suuri osa tutkimuksista oli yleisellä refactoroinnin tasolla käyttäen generatiivista AI:ta ja lisää tutkimuksia tarvitaan erilaisten code smells ja refactorointi asetelmien ymmärtämiseen. Suuri määrä papereita toi esiin negatiivisia ja positiivisia mahdollisuuksia ihmis-AI parityöstä ja generatiivisen AI:n vaikutuksesta ohjelmisto opetukseen.
