O USO DAS LLM’S PARA OTIMIZAR O DESENVOLVIMENTO DE APLICAÇÕES WEB CONSTRUÍDAS EM DJANGO: DESENVOLVENDO ANÁLISE COMPARATIVA ENTRE LLM’S NA IDENTIFICAÇÃO DE BUGS E QUALIDADE DE RESPOSTA
DOI:
https://doi.org/10.56238/bocav25n78-032Palavras-chave:
LLM’S, Programação, Django, PythonResumo
O desenvolvimento de aplicações web no framework Django, apesar de sua estrutura robusta e alta performance, ainda enfrenta desafios relacionados à identificação de bugs e problemas de manutenção de código. Com o avanço da inteligência artificial, os modelos de linguagem de grande escala (LLMs) surgem como uma alternativa promissora para otimizar tarefas como geração de código, revisão e correção de falhas. Este artigo tem como objetivo avaliar como as LLMs podem auxiliar no desenvolvimento de software construídos no framework Django Python. Para isso, foi desenvolvida uma pesquisa de natureza quantitativa, na qual duas LLMs foram submetidas a problemas relacionados a bugs e melhorias em um protótipo de sistema de cadastro de produtos desenvolvido em Django. As variáveis testáveis consideradas foram: tempo de resposta, número de erros na resposta, qualidade da resposta (classificação de 1 a 5), clareza da explicação e justificativa da decisão da resposta. Os resultados foram organizados em uma tabela comparativa, permitindo analisar o desempenho, a eficiência e a qualidade das respostas geradas por cada modelo. A pesquisa foi conduzida no ambiente Visual Studio Code com Python e Django, respeitando as licenças de software e a integridade científica. Os dados obtidos indicam diferenças significativas entre os modelos testados, contribuindo para uma escolha mais criteriosa de LLMs no ciclo de desenvolvimento de software com Django.
Referências
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.
Downloads
Publicado
Edição
Seção
Licença
Copyright (c) 2026 Cristian Abreu Berredo, Gilbert Correia Fernandes, Dadilton Bastos Melo
Este trabalho está licenciado sob uma licença Creative Commons Attribution 4.0 International License.
Direitos autorais (c) .
Esta obra está licenciada sob uma licença Creative Commons Atribuição 4.0 Internacional.
