Génération de cas de test utilisant les grands modèles de langage : une revue systématique de la littérature

Résumé La génération de cas de test est une tâche fastidieuse et gourmande en temps, essentielle pour garantir la fiabilité des logiciels. Automatiser ce processus est crucial pour accroître l'efficacité et réduire les erreurs humaines potentielles dans la génération des cas de test. Cette étude a examiné systématiquement les applications et motivations des grands modèles de langage (LLMs) dans la génération de cas de test. La méthode de revue systématique de la littérature (SLR) a été choisie pour identifier les lacunes dans la littérature existante et évaluer de manière exhaustive l'impact des LLMs dans ce domaine. 38 articles évalués par des pairs, publiés entre 2020 et 2025 dans des bases de données telles que Science Direct, IEEE Xplore, ACM Digital Library et SpringerLink, traitant de l'utilisation des LLMs dans la génération de cas de test, ont été analysés systématiquement. La revue a évalué les jeux de données utilisés, les techniques d'entraînement des LLM et de génération de tests, les langages de programmation ciblés, les méthodes de prétraitement et de post-traitement, ainsi que les stratégies d'intégration avec les flux de travail logiciels existants. Les résultats soulignent la capacité des LLMs à augmenter la vitesse et la couverture de la génération de cas de test dans l'automatisation des tests, mettent en lumière des défis tels que la qualité des jeux de données et les complexités d'intégration, et suggèrent des solutions potentielles pour traiter ces problèmes. Cette revue constitue une ressource importante pour les chercheurs utilisant des LLMs dans la génération automatisée de tests, fournissant des perspectives sur leurs capacités et encourageant la poursuite des recherches dans ce domaine.