EL USO DE LLM PARA OPTIMIZAR EL DESARROLLO DE APLICACIONES WEB CREADAS CON DJANGO: DESARROLLO DE UN ANÁLISIS COMPARATIVO ENTRE LLM EN LA IDENTIFICACIÓN DE ERRORES Y LA CALIDAD DE LA RESPUESTA
DOI:
https://doi.org/10.56238/bocav25n78-032Palabras clave:
MLD, Programación, Django, PythonResumen
El desarrollo de aplicaciones web con el framework Django, a pesar de su robusta estructura y alto rendimiento, aún presenta desafíos relacionados con la identificación de errores y el mantenimiento del código. Con el avance de la inteligencia artificial, los modelos de lenguaje a gran escala (LLM) se presentan como una alternativa prometedora para optimizar tareas como la generación, revisión y corrección de errores del código. Este artículo tiene como objetivo evaluar cómo los LLM pueden contribuir al desarrollo de software basado en el framework Django de Python. Para ello, se realizó un estudio cuantitativo en el que dos LLM fueron sometidos a problemas relacionados con errores y mejoras en un prototipo de sistema de registro de productos desarrollado en Django. Las variables evaluables fueron: tiempo de respuesta, número de errores en la respuesta, calidad de la respuesta (calificación de 1 a 5), claridad de la explicación y justificación de la decisión de respuesta. Los resultados se organizaron en una tabla comparativa, lo que permitió analizar el rendimiento, la eficiencia y la calidad de las respuestas generadas por cada modelo. La investigación se llevó a cabo en el entorno Visual Studio Code con Python y Django, respetando las licencias de software y la integridad científica. Los datos obtenidos indican diferencias significativas entre los modelos probados, lo que contribuye a una selección más cuidadosa de los modelos de lógica de negocio (MLG) en el ciclo de desarrollo de software con Django.
Referencias
ZHOU, Xiyu; LIANG, Peng; ZHANG, Beiqi; et al. Exploring the problems, their causes and solutions of AI pair programming: A study on GitHub and Stack Overflow. Journal of Systems and Software, v. 219, n. 112204, 2025. Disponível em: https://jyx.jyu.fi/handle/123456789/99112. DOI: https://doi.org/10.1016/j.jss.2024.112204
XU, Chuyang; et al. FlexFL: Flexible and effective fault localization with open-source large language models. ArXiv:2411.10714, 2025. Disponível em: https://arxiv.org/abs/2411.10714.
LI, Zhenhao; et al. Empirical Evaluation of Large Language Models for Novice Program Fault Localization. In: IEEE International Conference on Software Analysis, Evolution and Reengineering (SANER), 2024. Disponível em: https://ieeexplore.ieee.org/document/10684637.
LIMA, F. R.; AZEVEDO, A. I. R.; BARBOSA, H. F. A influência do GitHub Copilot no ensino e aprendizado de programação: percepções e desafios. In: Anais do XXXIV Simpósio Brasileiro de Informática na Educação (SBIE), 2023, Passo Fundo. p. 123-134. Disponível em: https://sol.sbc.org.br/index.php/sbie/article/view/24567.
CAMPOS, A. G. M.; BARBOSA, M. S. S. Uso de modelos de inteligência artificial na geração de código computacional: um estudo sobre percepção docente. Brazilian Journal of Development, Curitiba, v. 9, n. 10, p. 27997-28013, 2023. DOI: 10.34117/bjdv9n10-007. Disponível em: https://ojs.brazilianjournals.com.br/ojs/index.php/BRJD/article/view/63640.
HUANG, K. et al. A Survey on Evaluation of Large Language Models. arXiv:2307.03109, 2023. Disponível em: https://arxiv.org/abs/2307.03109.
LI, X. et al. Large Language Models for Artificial General Intelligence (AGI): A Survey of Foundational Principles and Approaches. arXiv:2501.03151, 2025. Disponível em: https://arxiv.org/abs/2501.03151.
ZHANG, S. et al. A Survey of GPT-3 Family Large Language Models Including ChatGPT and GPT-4. arXiv:2310.12321, 2023. Disponível em: https://arxiv.org/abs/2310.12321.
AHN, M. et al. Do As I Can, Not As I Say: Grounding Language in Robotic Affordances. arXiv:2204.01691, 2022. Disponível em: https://arxiv.org/abs/2204.01691.
GAO, L. et al. PAL: Program-Aided Language Models. arXiv:2211.10435, 2022. Disponível em: https://arxiv.org/abs/2211.10435.
SCHICK, T. et al. Toolformer: Language Models Can Teach Themselves to Use Tools. arXiv:2302.04761, 2023. Disponível em: https://arxiv.org/abs/2302.04761.
CHEN, M. et al. Evaluating Large Language Models Trained on Code. arXiv:2107.03374, 2021. Disponível em: https://arxiv.org/abs/2107.03374.
FENG, Z. et al. CodeBERT: A Pre-Trained Model for Programming and Natural Languages. arXiv:2002.08155, 2020. Disponível em: https://arxiv.org/abs/2002.08155.
LU, S. et al. CodeXGLUE: A Machine Learning Benchmark Dataset for Code Understanding and Generation. arXiv:2102.04664, 2021. Disponível em: https://arxiv.org/abs/2102.04664.
Descargas
Publicado
Número
Sección
Licencia
Derechos de autor 2026 Cristian Abreu Berredo, Gilbert Correia Fernandes, Dadilton Bastos Melo
Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.
Copyright (c). Boletim de Coyuntura (BOCA)
Este obra está bajo una licencia de Creative Commons Reconocimiento 4.0 Internacional.
