@inproceedings{moughit-hafidi-2025-amelioration,
title = "Am{\'e}lioration et Automatisation de la G{\'e}n{\'e}ration des Cas de Tests Logiciels {\`a} l{'}Aide du Mod{\`e}le Llama",
author = "Moughit, Imane and
Hafidi, Imad",
editor = "Bechet, Fr{\'e}d{\'e}ric and
Chifu, Adrian-Gabriel and
Pinel-sauvagnat, Karen and
Favre, Benoit and
Maes, Eliot and
Nurbakova, Diana",
booktitle = "Actes de l'atelier {\'E}valuation des mod{\`e}les g{\'e}n{\'e}ratifs (LLM) et challenge 2025 (EvalLLM)",
month = "6",
year = "2025",
address = "Marseille, France",
publisher = "ATALA {\textbackslash}{\textbackslash}{\&} ARIA",
url = "https://aclanthology.org/2025.jeptalnrecital-evalllm.3/",
pages = "22--35",
language = "fra",
abstract = "L'{\'e}mergence des Large Language Models (LLM) a r{\'e}volutionn{\'e} l{'}ing{\'e}nierie logicielle gr{\^a}ce {\`a} leurs capacit{\'e}s de compr{\'e}hension et de g{\'e}n{\'e}ration du langage naturel. Bien qu{'}ils soient utilis{\'e}s pour la g{\'e}n{\'e}ration automatique de cas de test, les approches actuelles reposant uniquement sur les m{\'e}thodes focales ou sur des descriptions textuelles pr{\'e}sentent des limites: elles peinent {\`a} capturer les comportements attendus, les cas limites et les sc{\'e}narios d{'}erreur, et sont peu compatibles avec le d{\'e}veloppement pilot{\'e} par les tests (TDD). Pour r{\'e}pondre {\`a} ces contraintes, nous proposons une approche hybride (Texte, M{\'e}thodes focales {\textrightarrow} Cas de test), combinant les commentaires pr{\'e}sents dans le code avec la logique de la m{\'e}thode cible. En exploitant le mod{\`e}le LLaMA 3-8B et des techniques de prompt engineering, ainsi que l'{\'e}valuation des cas de test g{\'e}n{\'e}r{\'e}s {\`a} l{'}aide d{'}un LLM en tant que juge, notre m{\'e}thode vise {\`a} automatiser et am{\'e}liorer la g{\'e}n{\'e}ration des cas de test. Test{\'e}e sur des projets open source, elle a permis de g{\'e}n{\'e}rer 7 606 cas de test, avec un taux de correction syntaxique de 97 {\%}."
}<?xml version="1.0" encoding="UTF-8"?>
<modsCollection xmlns="http://www.loc.gov/mods/v3">
<mods ID="moughit-hafidi-2025-amelioration">
<titleInfo>
<title>Amélioration et Automatisation de la Génération des Cas de Tests Logiciels à l’Aide du Modèle Llama</title>
</titleInfo>
<name type="personal">
<namePart type="given">Imane</namePart>
<namePart type="family">Moughit</namePart>
<role>
<roleTerm authority="marcrelator" type="text">author</roleTerm>
</role>
</name>
<name type="personal">
<namePart type="given">Imad</namePart>
<namePart type="family">Hafidi</namePart>
<role>
<roleTerm authority="marcrelator" type="text">author</roleTerm>
</role>
</name>
<originInfo>
<dateIssued>2025-06</dateIssued>
</originInfo>
<typeOfResource>text</typeOfResource>
<language>
<languageTerm type="text">fra</languageTerm>
</language>
<relatedItem type="host">
<titleInfo>
<title>Actes de l’atelier Évaluation des modèles génératifs (LLM) et challenge 2025 (EvalLLM)</title>
</titleInfo>
<name type="personal">
<namePart type="given">Frédéric</namePart>
<namePart type="family">Bechet</namePart>
<role>
<roleTerm authority="marcrelator" type="text">editor</roleTerm>
</role>
</name>
<name type="personal">
<namePart type="given">Adrian-Gabriel</namePart>
<namePart type="family">Chifu</namePart>
<role>
<roleTerm authority="marcrelator" type="text">editor</roleTerm>
</role>
</name>
<name type="personal">
<namePart type="given">Karen</namePart>
<namePart type="family">Pinel-sauvagnat</namePart>
<role>
<roleTerm authority="marcrelator" type="text">editor</roleTerm>
</role>
</name>
<name type="personal">
<namePart type="given">Benoit</namePart>
<namePart type="family">Favre</namePart>
<role>
<roleTerm authority="marcrelator" type="text">editor</roleTerm>
</role>
</name>
<name type="personal">
<namePart type="given">Eliot</namePart>
<namePart type="family">Maes</namePart>
<role>
<roleTerm authority="marcrelator" type="text">editor</roleTerm>
</role>
</name>
<name type="personal">
<namePart type="given">Diana</namePart>
<namePart type="family">Nurbakova</namePart>
<role>
<roleTerm authority="marcrelator" type="text">editor</roleTerm>
</role>
</name>
<originInfo>
<publisher>ATALA \textbackslash\textbackslash& ARIA</publisher>
<place>
<placeTerm type="text">Marseille, France</placeTerm>
</place>
</originInfo>
<genre authority="marcgt">conference publication</genre>
</relatedItem>
<abstract>L’émergence des Large Language Models (LLM) a révolutionné l’ingénierie logicielle grâce à leurs capacités de compréhension et de génération du langage naturel. Bien qu’ils soient utilisés pour la génération automatique de cas de test, les approches actuelles reposant uniquement sur les méthodes focales ou sur des descriptions textuelles présentent des limites: elles peinent à capturer les comportements attendus, les cas limites et les scénarios d’erreur, et sont peu compatibles avec le développement piloté par les tests (TDD). Pour répondre à ces contraintes, nous proposons une approche hybride (Texte, Méthodes focales → Cas de test), combinant les commentaires présents dans le code avec la logique de la méthode cible. En exploitant le modèle LLaMA 3-8B et des techniques de prompt engineering, ainsi que l’évaluation des cas de test générés à l’aide d’un LLM en tant que juge, notre méthode vise à automatiser et améliorer la génération des cas de test. Testée sur des projets open source, elle a permis de générer 7 606 cas de test, avec un taux de correction syntaxique de 97 %.</abstract>
<identifier type="citekey">moughit-hafidi-2025-amelioration</identifier>
<location>
<url>https://aclanthology.org/2025.jeptalnrecital-evalllm.3/</url>
</location>
<part>
<date>2025-6</date>
<extent unit="page">
<start>22</start>
<end>35</end>
</extent>
</part>
</mods>
</modsCollection>
%0 Conference Proceedings
%T Amélioration et Automatisation de la Génération des Cas de Tests Logiciels à l’Aide du Modèle Llama
%A Moughit, Imane
%A Hafidi, Imad
%Y Bechet, Frédéric
%Y Chifu, Adrian-Gabriel
%Y Pinel-sauvagnat, Karen
%Y Favre, Benoit
%Y Maes, Eliot
%Y Nurbakova, Diana
%S Actes de l’atelier Évaluation des modèles génératifs (LLM) et challenge 2025 (EvalLLM)
%D 2025
%8 June
%I ATALA \textbackslash\textbackslash& ARIA
%C Marseille, France
%G fra
%F moughit-hafidi-2025-amelioration
%X L’émergence des Large Language Models (LLM) a révolutionné l’ingénierie logicielle grâce à leurs capacités de compréhension et de génération du langage naturel. Bien qu’ils soient utilisés pour la génération automatique de cas de test, les approches actuelles reposant uniquement sur les méthodes focales ou sur des descriptions textuelles présentent des limites: elles peinent à capturer les comportements attendus, les cas limites et les scénarios d’erreur, et sont peu compatibles avec le développement piloté par les tests (TDD). Pour répondre à ces contraintes, nous proposons une approche hybride (Texte, Méthodes focales → Cas de test), combinant les commentaires présents dans le code avec la logique de la méthode cible. En exploitant le modèle LLaMA 3-8B et des techniques de prompt engineering, ainsi que l’évaluation des cas de test générés à l’aide d’un LLM en tant que juge, notre méthode vise à automatiser et améliorer la génération des cas de test. Testée sur des projets open source, elle a permis de générer 7 606 cas de test, avec un taux de correction syntaxique de 97 %.
%U https://aclanthology.org/2025.jeptalnrecital-evalllm.3/
%P 22-35
Markdown (Informal)
[Amélioration et Automatisation de la Génération des Cas de Tests Logiciels à l’Aide du Modèle Llama](https://aclanthology.org/2025.jeptalnrecital-evalllm.3/) (Moughit & Hafidi, JEP/TALN/RECITAL 2025)
ACL