엔들리스 러너 게임에서의 LLM 지원 리팩터링 및 게임플레이 기능 생성에 관한 탐색적 사례 연구

대규모 언어 모델 (LLMs)은 소프트웨어 개발을 지원하기 위해 점점 더 많이 사용되고 있지만, 생성된 코드가 기존 게임 소프트웨어 시스템에 통합되어야 하는 실제 게임 개발 환경에서의 실질적인 유용성은 여전히 충분히 탐구되지 않았습니다. 본 논문은 커스텀 Python/Pygame 엔들리스 러너(endless runner) 게임에서 GPT-4o를 사용한 탐색적 실증 사례 연구를 제시합니다. 이 연구는 선정된 6가지 개발 작업, 즉 3가지 국소적 리팩터링 (refactoring) 작업과 3가지 게임플레이 기능 생성 작업을 조사합니다. 결과물로 나온 구현체들은 소프트웨어 지표 (software metrics), 단위 테스트 (unit tests), 그리고 수동 게임플레이 평가를 통해 평가되었습니다. 본 사례 연구에서 선정된 3가지 리팩터링 작업은 기능적인 측면에서 모두 성공적으로 완료되었으나, 3가지 게임플레이 기능 생성 작업 중에서는 단 하나만이 올바르게 통합된 기능으로 나타났습니다. 이러한 결과는 이 환경에서 GPT-4o가 여러 기존 시스템에 걸쳐 새로운 게임플레이 상호작용을 요구하는 작업보다 국소적 변환 (localized transformations)을 더 신뢰성 있게 처리했음을 시사합니다. 탐색적 단일 사례 설계 (exploratory single-case design)를 고려할 때, 이러한 결과는 범주 수준의 모델 성능에 대한 일반화 가능한 증거라기보다는 지표가 되는 관찰 결과로 해석하는 것이 가장 적절합니다. 전반적으로, 본 논문은 기존 게임 소프트웨어 시스템에서 LLM 지원 리팩터링 및 게임플레이 기능 생성의 기회와 한계에 대한 투명한 사례 기반 보고를 제공합니다.