A Comparative Study on Prompt Strategies for LLM-based Software Defect Prediction

소프트웨어 복잡성이 급증함에 따라, 소프트웨어 결함 예측(SDP)은 한정된 테스트 자원을 오류 가능성이 높은 모듈에 집중시키는 핵심 품질 보증 활동으로 자리 잡았다. CodeBERT 등 코드 특화 언어모델이 SDP에서 성과를 보였으나, 토큰 길이 제한으로 인해 파일 단위의 긴 코드 문맥을 반영하기 어려우며, 이로 인해 대규모 코드베이스에서는 예측 성능이 제한된다는 한계가 있다. 반면, 수십만 토큰을 처리 가능한 거대 언어 모델(LLM)의 등장은 코드의 구조적·의미적 관계를 종합적으로 분석할 수 있는 새로운 가능성을 제시한다. 본 연구는 이러한 잠재력에 주목하여, 데이터 표현 방식(정형 메트릭·비정형 코드)과 프롬프트 전략을 조합한 9가지 실험을 수행하였다. 그 결과, 데이터 형태와 프롬프트 전략이 각각 독립적으로 예측 정확도에 영향을 미쳤으며, 두 요인의 복합적 상호작용이 성능 변동의 주요 요인임을 확인하였다. 이는 LLM 기반 결함 예측의 실용화를 위해 정교한 프롬프트 설계가 필수적임을 시사한다.