소스 코드 요소의 이름은 풍부한 의미론적 정보를 전달하며, 버그 탐지, 코드 완성, 타입 예측, 코드 분류와 같은 소프트웨어 공학 작업에 널리 사용되어 왔다. 이전 연구들은 메서드 인자와 형식 매개변수 이름 간의 어휘적 유사성을 활용하여 잘못된 순서로 지정된 인자로 인해 발생하는 버그를 탐지하는 데 중점을 두었으며, 일반적으로 메서드 호출과 해당 정의 간의 매핑을 설정하는 것에 의존했다. 그러나 이러한 매핑은 Python과 같이 동적으로 타입이 지정되는 언어에서는 얻기 어려운 경우가 많다. 본 논문에서 우리는 call-to-definition 매핑을 필요로 하지 않는, Python 메서드 호출에서 잘못 순서가 지정된 인자를 탐지하기 위한 학습 기반 접근 방식인 BugProbe를 제시한다. 우리의 접근 방식은 로컬 컨텍스트와 인자 사용 컨텍스트를 포함한 여러 출처의 문맥 정보를 활용하고, 이름 기반 유사성과 기계 학습을 결합하여 메서드 인자의 표현력이 풍부한 표현(representation)을 구축한다. 우리는 상위 1,000개 별표가 달린 GitHub 저장소에서 수집된 132,739개의 Python 소스 파일로 새로운 데이터셋을 구성했으며, 이를 통해 3,371,244개의 합성 학습 예제를 얻었고, 커밋 히스토리에서 수동으로 검증한 55개의 실제 인자 순서 변경 버그를 포함하는 큐레이션된 벤치마크도 기여한다. 우리는 이 데이터셋을 사용하여 우리의 접근 방식을 평가하고, 표준 평가 지표 전반에 걸쳐 높은 정확도를 달성하며 최신(state-of-the-art) 기준선을 일관되게 능가함을 보여준다. 이러한 결과는 명시적인 call-to-definition 해결에 의존하지 않고도 인자 순서 변경 버그의 효과적인 탐지가 가능함을 입증하며, 이 접근 방식을 동적으로 타입이 지정되는 언어 환경에 매우 적합하게 만든다.