Detección y corrección de code smells para React

Abstract

Los code smells son síntomas en el código, o indicadores de un problema más profundo, que suelen desencadenar problemas potenciales de diseño o mantenibilidad, aunque no necesariamente causan errores inmediatos. Estas deficiencias de código han supuesto grandes problemas para los desarrolladores a lo largo de los últimos años. Si bien es cierto que existen varias herramientas centradas en corregir code smells de ámbito más general, aún son escasas las herramientas centradas en corregir smells específicos de una tecnología. El objetivo de este proyecto es desarrollar una herramienta que facilite la corrección automática de code smells en aplicaciones desarrolladas con el framework React. Para ilustrar las diferentes vías en las que este objetivo puede alcanzarse se han desarrollado dos herramientas diferentes para su posterior comparación. La primera de ellas se basa en manipulación directa del árbol de sintaxis abstracta, del inglés Abstract Syntax Tree (AST) para generar las correcciones de los code smells y, la segunda, en el uso de aprendizaje automático, del inglés Machine Learning (ML) e inteligencia artificial (IA) generativa para la detección y corrección de los mismos. El desarrollo se ha llevado a cabo siguiendo las prácticas ágiles de Scrum, dividiendo el trabajo en sprints y asegurando una planificación y seguimiento detallado del proyecto. Las tecnologías empleadas incluyen ESLint para la corrección basada en la manipulación directa del AST, y TensorFlow y Llama2, entre otras, para la detección y corrección basada en IA

Code smells are symptoms in the code, or indicators of a deeper problem, that often trigger potential design or maintainability issues, although they do not necessarily cause immediate bugs. These code deficiencies have posed major problems for developers over the past few years. While it is true that there are several tools focused on correcting code smells of a more general scope, tools focused on correcting technology-specific smells are still scarce. The objective of this project is to develop a tool that facilitates the automatic correction of code smells in applications developed with the React framework. To illustrate the different ways in which this goal can be achieved, two different tools have been developed for comparison. The first one is based on the direct manipulation of the Abstract Syntax Tree (AST) to generate the corrections of the code smells. The second one, on the use of generative ML and IA for the detection and correction of the same ones. The development has been carried out following Scrum agile practices, dividing the work into sprints and ensuring a detailed planning and monitoring of the project. The technologies employed include ESLint for correction based on direct manipulation of the AST, and TensorFlow and Llama2, among others, for detection and correction based on IA