Supporting the Comprehension of Data Analysis Scripts

資料分析腳本的複雜性與缺乏維護，常導致研究結果難以被第三方重現。為了解決 R 語言環境的長年挑戰，Ulm University 研究團隊推出了 flowR 擴充套件，能將分析特定輸入的程式碼範圍大幅縮減至原來的 13%。透過精確的跨程序資料流分析，flowR 處理真實世界專案的平均耗時僅需 640 毫秒，讓資料科學家能在 VS Code 與 Positron 中獲得近乎即時的程式碼理解與除錯回饋。

整合 VS Code 擴充，flowR 解決重現性危機

多數研究高度依賴資料分析腳本來處理、清理與視覺化數據。然而近期研究指出，這些腳本往往缺乏標準化的工具支援，導致其難以被理解與維護，進而阻礙了科學研究的重現性（Reproducibility）。針對這項挑戰，開發團隊在先前靜態向後程式碼切片（Backward program slicer）的基礎上，推出了 flowR 的全新版本。

flowR 現已深度整合至熱門的資料分析整合開發環境（IDE），包含 Positron 與 VS Code（涵蓋 vscode.dev 等瀏覽器版本）。有別於傳統的語法提示工具，flowR 專注於理解資料科學的工作流程，它透過增量分析 R 語言專案，交織跨程序的資料流與控制流分析，建構出完整的資料流圖（Dataflow Graph），藉此應對 R 語言動態且具備高度探索性的語法特徵。

除了提供即時的語法檢查與視覺化介面，flowR 也在開發過程中給予直接協助。研究人員不僅能透過該工具理解複雜的遺留程式碼，審查者也能更有效率地評估數據處理邏輯，確保分析結果具備高度的透明度與可重用性。

支援 Jupyter，影響切片將程式碼縮減至 13%

資料科學家大量使用筆記本（Notebook）格式進行交互式分析。為此，flowR 透過其外掛系統，原生支援了 Jupyter Notebooks、Quarto 以及 R Markdown。系統會自動解析這些格式，提取單元格中的 R 程式碼，並將分析結果精準映射回筆記本中的對應位置，確保所有靜態分析與追蹤功能在筆記本環境中同樣有效。

其中最關鍵的新功能是「影響切片」（Impact Slicing，亦稱為正向切片）。當使用者選擇程式碼中的某個元素（例如特定的資料集）時，影響切片會列出所有受該輸入影響的下游程式碼。根據針對真實世界原始碼的測試，平均的正向切片能將專案範圍縮減至原始程式碼的 13%，大幅降低了追蹤特定輸入變數時的認知負載。

若將向後切片與影響切片結合（此過程稱為 Chopping），使用者能將分析範圍進一步濃縮，只留下連接「特定輸入」與「特定輸出」的程式碼片段。這讓研究人員能輕易回答這類問題：「這個 CSV 檔案的數據，究竟經歷了哪些處理步驟才產生這張圖表？」

內建 10 項 Linting 規則與懸停數值檢視

絕對路徑與未初始化的亂數種子，是破壞腳本可執行性的常見問題。flowR 內建了一組包含 10 項高度可配置的 Linting 規則，專門揪出阻礙腳本重現性的潛在錯誤。這些規則涵蓋了多種情境：包含無法跨系統移植的絕對路徑、無效的檔案位置、試圖存取資料框（Data frame）中不存在的欄位，以及未設定固定種子（Seed）就直接呼叫亂數生成器等。

為了加速修正流程，flowR 針對多數規則提供了快速修復（Quick-fixes）建議。例如，系統會根據專案的根目錄位置，自動將絕對路徑替換為相對路徑，且這套機制完全支援 R 語言的動態路徑建構特性。所有的 Linting 結果都會集中顯示於專屬面板，並允許使用者針對個別警告進行靜音或自訂配置。

此外，編輯器內建了懸停數值提供者（Hover-Over Value Provider）。當游標停留在變數或表達式上時，工具提示會顯示該點的推估數值或資料形狀。例如，即使程式碼尚未執行，flowR 也能透過靜態分析與不動點求解器（Fixpoint solver），顯示資料框的摘要形狀或推斷某變數為 [42L, 42L] 的整數區間，藉此提前預判欄位存取是否會發生錯誤。

自動生成四種回應式圖表，依賴視圖梳理流向

要快速掌握一份陌生腳本的架構，視覺化圖表是不可或缺的工具。flowR 能夠透過 mermaid.live，直接在編輯器內呈現多種類型的結構圖：包含正規化抽象語法樹（Normalized AST）、資料流圖（DFG）、呼叫圖（Call Graph）以及控制流圖（Control Flow Graph, CFG）。

這些圖表具備高度的響應式設計，會根據使用者在編輯器中的游標位置或選取範圍自動更新，並提供隱藏無效程式碼（Dead code）或切換緊湊顯示模式等微調選項。其中，控制流圖與呼叫圖特別有助於提供程式碼結構的鳥瞰視角，並釐清可能的執行路徑。

在專案層級，flowR 會自動生成並即時更新「依賴概覽」（Dependency Overview）。該視圖會將分析步驟分門別類，列出資料載入點、視覺化圖表、使用的函式庫以及最終輸出的檔案。若程式碼中的元素在語意上具有關聯（例如呼叫 abline 繪製線條與主要 plot 繪圖函式指向同一個圖形），系統會自動將它們分組。使用者點擊項目即可跳轉至原始碼，或透過右鍵選單直接觸發該依賴項的影響切片分析。

實測 4230 份腳本，總分析中位數僅 251 毫秒

為了驗證分析效能，研究團隊遵循了 ACM SIGPLAN 與 SIGSOFT 的經驗標準，針對 4,230 份來自學術論文附錄的真實世界 R 腳本進行了評估。在關閉多執行緒與快取的冷啟動（Cold-start）條件下，系統測量了建立跨程序資料流圖所需的時間與圖表規模。

實測數據顯示，使用 tree-sitter 後端（Backend）進行語法解析與正規化平均僅需 115 毫秒。在此基礎上建構資料流圖耗時約 525 毫秒，單一專案的總分析時間平均為 640 毫秒。值得注意的是，由於平均值受極端案例影響，總耗時的中位數實際上僅有 251 毫秒。平均而言，生成的資料流圖包含 1,733 個頂點與 3,738 條邊緣，中位數大小約為 213 KB。

在此效能基礎上，包含 Linting 檢查、懸停檢視與切片生成等後續應用，通常只需額外耗費 10 至 100 毫秒。在實際應用中，藉由平行處理、延遲查詢執行與快取機制，flowR 能夠在約一秒內完成專案分析，提供極度流暢的即時反饋。

具備專案分析 API，支援 Docker 與靜態擴充

除了作為 IDE 的擴充套件，flowR 本身即是一個具備高度延展性的分析框架。該系統主要以 TypeScript 開發（部分包含 R 語言），提供了一套包含解析、正規化與資料/控制流分析的多步驟管線架構（Pipeline Architecture）。其正規化設計能產出與版本無關的 R 程式碼表示法，確保後續分析能精確對應回原始碼。

對於工具開發者而言，flowR 提供了 TCP 與 WebSocket 伺服器介面，並可透過 Docker 映像檔直接存取讀取-評估-列印迴圈（REPL）。系統的專案分析 API 負責統籌整個流程，內建的外掛系統能自動尋找專案檔案、識別最佳的載入順序，並解析特定檔案格式。

開發者也能利用其查詢 API（Query API）輕鬆建構客製化工具。舉例來說，透過呼叫 resolve value query，即可存取變數的推測數值；而利用 dependencies query 則能快速列出專案中使用的所有函式庫與外部依賴。這套具備型別安全的 API，為未來的靜態分析擴充奠定了穩健的基礎。

透過跨程序的資料流追蹤與動態即時反饋，flowR 將靜態分析轉化為直覺的編輯器體驗，為解決資料科學長期的腳本重現挑戰提供了實用路徑。