在机器学习（ML）和人工智能（AI）模型的预测中，往往需要提供易于理解的解释，以减少人们的怀疑。在及时缺陷预测的背景下，如何突出软件变更中的小部分（diff）——超越基于规则的检查——风险集中区域尚未得到广泛研究。本研究利用基于LLM的变更风险评分（Diff Risk Score, DRS）模型中的注意力权重，强调模型在预测风险时关注的diff部分。
我们将令牌级注意力聚合为可解释的代码单元（行、块和文件），并将前K个单元呈现给开发人员，作为代码审查过程中的轻量级指导。我们的评估使用了专家标记的导致真实故障的变更。结果显示，当突出前2个块时，所强调的代码片段涵盖了53.85%的专家标记故障引发的变更行，同时开发人员平均需审查26.28%的变更行。
由于注意力是在标准模型推理过程中产生的，该方法对大型开发工作流具有可扩展性，并且可以在代码审查用户界面中以低延迟呈现。
博主点评： 本研究展示了如何通过LLM模型的注意力机制，为代码变更风险提供可解释性，这在软件开发中具有重要意义。通过将注意力聚焦于关键变更部分，开发人员能够更高效地识别潜在风险，提升代码审查的质量和效率。该方法的可扩展性也为大型团队的工作流提供了便利。