대규모 언어 모델 (LLM) 기반의 자동 프로그램 수정 (Automated Program Repair, APR) 시스템은 빠르게 발전하고 있지만, 그 성능은 여전히 일관되지 않습니다. 동일한 문맥 정보가 제공되더라도, LLM은 어떤 버그에 대해서는 올바른 패치 (patch)를 생성하지만, 그와 밀접하게 관련된 다른 버그에 대해서는 실패할 수 있습니다. 왜 이런 현상이 발생하는지는 아직 잘 이해되지 않고 있으며, LLM이 버그 리포트의 다양한 정보를 어떻게 우선순위화하는지, 그리고 모델의 어텐션 (attention)이 수정 성공 여부에 영향을 미치는지 여부도 불분명합니다. 본 논문에서는 LLM 기반 프로그램 수정에서의 어텐션 패턴에 대한 첫 번째 실증적 연구를 제시하며, 모델이 버그 리포트를 어떻게 처리하는지, 그리고 수정 과정에서 어텐션이 어디에 집중되는지에 대한 해석 가능한 통찰을 제공합니다. 우리는 SWE-bench Verified 및 Multi-SWE-bench에서 추출한 319개의 실제 Python 및 Java 버그를 분석하여 (RQ1) 모델의 어텐션이 버그 리포트 섹션 전반에 어떻게 분포되는지, (RQ2) 각 섹션 내의 어텐션 패턴이 성공적인 수정과 실패한 수정 사이에서 어떻게 다른지, 그리고 (RQ3) 이러한 패턴이 개발자들이 버그 수정을 위해 중요하다고 간주하는 정보와 어떻게 비교되는지를 연구합니다. 연구 결과, 성공적인 수정은 버그 설명 (bug descriptions), 스택 트레이스 (stacktraces), 테스트 케이스 (test cases)와 같은 여러 진단 구성 요소 전반에 걸쳐 분산된 어텐션 (diffused attention)을 특징으로 하는 반면, 실패하는 경우에는 버전 정보와 같은 메타데이터에 과도하게 국한된 어텐션 (over-localized attention)을 보이는 경우가 많음을 발견했습니다. 나아가 우리는 모델의 어텐션과 개발자가 식별한 핵심 섹션 및 문구 사이의 정렬 (alignment)이 강할수록 수정 성공률이 높아진다는 것을 관찰했습니다. 우리의 결과는 어텐션의 잘못된 할당 (misallocation)이 LLM 기반 APR 실패의 핵심 요인이라는 첫 번째 실증적 증거를 제공하며, 향후 더 해석 가능하고 신뢰할 수 있는 APR 시스템을 설계하기 위한 실행 가능한 통찰을 제공합니다.