Ce projet permet d'analyser et de comparer des métriques de qualité de code entre des implémentations générées par IA et des implémentations humaines. Il étudie des indicateurs comme le BLEU, CodeBLEU, ROUGE, METEOR et ChrF pour évaluer la pertinence des métriques existantes. Les résultats sont basés sur des expériences contrôlées et des protocoles rigoureux pour distinguer les performances des modèles et la qualité du code produit.

Outil en ligne de commande conçu pour évaluer et comparer les performances de différents parseurs de code Fortran sur une base de code donnée. Il génère des statistiques et des résultats détaillés pour aider les développeurs à choisir l'outil le plus adapté à leurs besoins. Le projet inclut des analyses sur des bases de code réelles comme DYNAMICO, LMDZ ou ORCHIDEE, fournissant des métriques précises sur la couverture et l'efficacité des parseurs.

MDE4RTS est un outil d'analyse d'impact de modifications de code et de sélection de tests de régression pour les projets Maven avec code source Java. Il propose deux approches : une basée sur le modèle, qui exécute les cas de test après l'instrumentation du bytecode et analyse les traces d'exécution pour construire un modèle, et une autre basée sur la trace, qui génère le modèle statique avec MoDisco et écrit les traces d'exécution dans une file d'attente topic-based pour l'analyse d'impact. La sélection de tests de régression peut être effectuée entre le dernier commit git et l'état actuel du code ou entre un commit précédent et l'état actuel du code.

Ce projet est un dépôt de code source destiné à servir de base pour des projets logiciels. Il inclut des outils pour faciliter la gestion collaborative, l'intégration continue, le déploiement automatisé et l'analyse de sécurité. Il permet aux équipes de travailler ensemble efficacement sur des développements logiciels tout en assurant une qualité de code et une sécurité renforcée.

Outil en ligne de commande dédié à l'analyse et à la transformation de code Fortran. Il permet de suivre les arguments des routines depuis leur définition jusqu'à leurs sites d'appel, facilitant ainsi l'optimisation et la maintenance du code. Ce projet sert également de banc d'essai pour un compilateur source-à-source basé sur Loki, ciblant des architectures hétérogènes.

Ce projet fournit un modèle générique pour configurer des pipelines d'intégration continue (CI) et de livraison continue (CD) sur GitLab. Il permet d'automatiser la compilation, les tests, la génération de documentation, l'analyse de code, la création de paquets logiciels (comme les paquets Debian) et la publication de rapports. Destiné aux projets basés sur Autotools, il facilite la standardisation des processus de build et de déploiement pour les équipes de développement.

Ce projet analyse les remboursements de thérapies orales (TO) pour les personnes atteintes de cancer en France entre 2019 et 2023. Il calcule trois indicateurs clés : le nombre de bénéficiaires distincts traités, la quantité totale de boîtes de TO délivrées et la valorisation monétaire des TO. Les données sont stratifiées par code ATC5 et par type de pathologie, en utilisant les bases du SNDS (DCIR et PMSI-MCO). Les résultats sont restitués sous forme de tableaux livrables.

Le projet compute-lead-time est conçu pour calculer les délais de traitement des demandes et gérer des données provenant de Jira. Il automatise l'analyse de données de suivi de projets en utilisant des outils tels que Knex.js, Lodash et pgAdmin pour interagir avec les bases de données, et ESLint et Vitest pour assurer la qualité du code.

Outil conçu pour analyser des bases de code source et les comparer avec les archives de code hébergées par Software Heritage. Il permet de vérifier l'intégrité des dépôts, détecter des similitudes ou des emprunts entre projets, et s'assurer que le code respecte les bonnes pratiques d'archivage et de traçabilité.

Ithemal est un outil d'intelligence artificielle conçu pour prédire le nombre de cycles CPU nécessaires à l'exécution de blocs de code assembleur x86-64. Basé sur des modèles de deep learning, il permet aux développeurs et aux chercheurs d'évaluer rapidement la performance de leurs algorithmes sans avoir à les exécuter physiquement. L'outil est particulièrement utile pour l'optimisation de code bas niveau et l'analyse de performance matérielle.