Code on Demand: A Comparative Analysis of the Efficiency, Understandability, and Self-Correction Capability of Copilot, ChatGPT, and Gemini - Data resulting from the study

Este conjunto de dados foi gerado como parte do estudo "Code on Demand: A Comparative Analysis of the Efficiency, Understandability, and Self-Correction Capability of Copilot, ChatGPT, and Gemini - Data resulting from the study". O estudo focou na avaliação do desempenho das ferramentas Copilot, ChatGPT e Gemini, utilizando problemas do LeetCode em quatro linguagens de programação: Python, Java, JavaScript e C.

O conjunto de dados atualizado está organizado nas seguintes pastas:

c_programs: Esta pasta contém os scripts Python utilizados para calcular a complexidade ciclomática e a complexidade cognitiva do código C gerado pelas ferramentas.

calculate_cyclomatic_complexity.py: Script para calcular a complexidade ciclomática.

calculate_cognitive_complexity.py: Script para calcular a complexidade cognitiva.

codes_suggested_by_the_tools: Esta pasta contém as sugestões de código geradas pelo Copilot, ChatGPT e Gemini para cada problema do LeetCode.

Subpastas: ChatGPT, Copilot, Gemini, cada uma contendo as sugestões de código correspondentes nos formatos das linguagens.

complexity_of_codes: Esta pasta contém dois arquivos CSV que fornecem os resultados da análise de complexidade para o código gerado.

AI analysis results table - Cognitive.csv: Resultados da complexidade cognitiva do código gerado.

AI analysis results table - Cyclomatic.csv: Resultados da complexidade ciclomática do código gerado.

Este conjunto de dados atualizado oferece insights valiosos sobre o desempenho das ferramentas de geração de código com IA e pode ser utilizado para análises futuras ou estudos de replicação.