코드 변경의 다운스트림 효과(downstream effects)를 이해하는 것은 소프트웨어 유지보수, 디버깅 및 회귀 테스트(regression testing)에 필수적입니다. 이 작업은 콜백(callbacks), 이벤트(events), 비동기 실행(asynchronous execution), 공유 가능한 가변 상태(shared mutable state)와 같은 동적 언어 기능으로 인해 의존성을 정확하게 추론하기 어려워 JavaScript 애플리케이션에서 특히 까다롭습니다. 기존의 변경 영향 추천(change impact recommendation) 방식은 주로 의존성 기반 분석(dependency-based analysis) 또는 저장소 마이닝(repository mining)에 의존합니다. 의존성 기반 기술, 특히 동적 분석(dynamic analysis)은 관찰된 실행으로부터 런타임 상호작용을 포착하지만, 분석 중에 실행되지 않은 관계는 놓칠 수 있습니다. 반면, 이력 기반 기술(history-based techniques)은 과거 변경으로부터 진화적 결합(evolutionary coupling)을 발견하지만, 노이즈가 있는 공동 변경(co-change) 패턴으로 인해 부정확한 추천을 제공하는 경우가 많습니다. JavaScript에서 이러한 접근 방식의 장점과 한계를 조사하기 위해, 우리는 세 가지 추천 기술을 설계하고 평가합니다: 공동 변경 패턴 마이닝을 사용하는 이력 기반 접근 방식, 동적 의존성 기반 접근 방식, 그리고 두 신호를 결합한 하이브리드(hybrid) 접근 방식입니다. 우리는 이러한 기술들을 통합 프레임워크인 Caprese에 구현하였으며, 전문가가 큐레이션한 참조 검사 세트(reference inspection sets)를 사용하여 10개의 오픈 소스 Node.js 애플리케이션에서 이를 평가했습니다. 연구 결과, 이력 기반 분석과 동적 분석에 의해 식별된 후보들 사이의 중복도가 낮게 나타났으며, 더 넓은 검사 예산(inspection budgets)에서도 중복도는 22%에 불과했습니다. 이는 두 접근 방식이 상호 보완적인 영향 신호를 포착하고 있음을 나타냅니다. 동적 분석은 일반적으로 더 높은 정밀도(precision)를 보이는 반면, 이력 기반 분석은 의존성 분석이 놓친 추가적인 관련 후보들을 식별합니다. 이러한 결과는 단일 기술만으로는 모든 관련 검사 후보를 충분히 포착할 수 없으므로, JavaScript에서의 실질적인 변경 영향 추천은 런타임 신호와 진화적 신호를 결합함으로써 이득을 얻을 수 있음을 시사합니다.