Generatiivisen tekoälyn hyödyntäminen testitapausten luomiseen yksikkötestaamisessa

Abstract

Tässä tutkielmassa tarkasteltiin generatiivisen tekoälyn, erityisesti suurten kielimallien, soveltuvuutta testitapausten generointiin yksikkötestaamisessa. Kuvailevaa kirjallisuuskatsausta hyödyntäen analysoitiin ja vertailtiin aiempia tutkimuksia aiheesta. Tutkimuksen tuloksena löydettiin erilaisia laadun mittareita, joiden perusteella suurten kielimallien tuottamia testitapauksia voidaan arvioida. Lisäksi osoitettiin, että useat suuret kielimallit kykenivät saavuttamaan korkean testikattavuuden. Suoriutumista heikensi huomattavasti kuitenkin virheelliset ja epäolennaiset testit. Tutkimuksen rajoitteina olivat käytetyt ohjelmointikielet sekä valitut kielimallit. Tutkielma tarjoaa kokonaisvaltaisen kuvan generatiivisen tekoälyn haasteista ja mahdollisuuksista yksikkötestien automaattisessa luomisessa.

This thesis examines the applicability of generative artificial intelligence, particularly large language models, for test case generation in unit testing. A descriptive literature review was performed to analyze and compare previous studies on the topic. As a result of the study, different quality metrics were identified to evaluate test cases generated by large language models. In addition, several large language models were shown to achieve high test coverage. However, their performance was significantly impaired by incorrect and irrelevant test cases. The limitations of the study were the programming languages used, and the language models chosen. The thesis provides a comprehensive overview of the challenges and opportunities of using generative artificial intelligence for automated unit test generation.