Identificação e Resolução de Erros de Programação de Computadores com Machine Learning

Abstract

Este trabalho apresenta o desenvolvimento de um modelo baseado em redes neurais LSTM (Long Short-Term Memory) para prever a próxima palavra em códigos Python, com o objetivo de auxiliar na correção automatizada de códigos. Foi construído um banco de dados de códigos Python extraídos do portal Online Judge da Universidade de Aizu, Japão. A partir desses dados, foram gerados datasets específicos para o treinamento do modelo. Diferentes configurações do modelo LSTM foram testadas, variando o número de camadas, neurônios e épocas de treinamento. Mesmo com uma base de dados pequena, os resultados demonstraram que o ajuste adequado de hiperparâmetros, como o número de neurônios, o batch size e o número de épocas, pode levar a uma melhoria significativa no desempenho do modelo. No entanto, a diminuição do erro de validação (val_loss) mostrou-se um desafio persistente, sugerindo a necessidade de mais dados ou ajustes adicionais na arquitetura da rede.