摘要
大语言模型在代码异味检测中易受阿谀偏见影响，倾向于迎合用户假设而非客观分析。本文首次系统研究了该偏见，发现模型对提示变化高度敏感，决策翻转率高达 72%。为此，作者提出证据引导去偏提示（EGDP）策略，强制模型进行“证据优先”推理。实验表明，EGDP 显著降低了决策不稳定性与错误对齐率，提升了模型依赖结构化证据的能力，有效增强了检测可靠性。
AI 推荐理由
论文提出证据引导推理提示策略，核心在于优化 LLM 的推理机制以消除偏见。
研究机构
Institute of Information Technology, University of Dhaka, Dhaka, Bangladesh
论文信息