소프트웨어 리팩터링 (Software refactoring)은 코드 품질을 유지하는 데 필수적입니다. 하지만 커스텀 로직 (custom logic)을 API 호출로 교체하는 API 교체 리팩터링 (API replacement refactoring)은 여전히 충분히 연구되지 않은 상태로 남아 있습니다. 기존의 리팩터링 도구들은 미리 정의된 템플릿 (predefined templates)에 의존하며, 복잡하고 여러 문장으로 구성된 의미적 동등성 (multi-statement semantic equivalents)을 포착하는 데 어려움이 있기 때문에 이러한 기회를 탐지하는 데 제한적인 지원만을 제공합니다. 이러한 한계를 해결하기 위해, 우리는 6개의 오픈 소스 Java 프로젝트에 걸친 166,299개의 커밋 (commits)을 마이닝하고, 선별된 1,800개의 커밋 서브셋을 수동으로 분석하여 API 교체 리팩터링에 대한 최초의 실증적 연구를 수행합니다. 이 과정에서 우리는 범위, 범주 및 반복되는 패턴을 특징짓기 위해 검증된 366개의 사례를 식별했습니다. 이러한 통찰을 바탕으로, 우리는 패턴 결정론적 휴리스틱 (pattern-deterministic heuristics)과 리팩터링 인지 지식 베이스 (refactoring-aware knowledge base)를 통합하여 API 교체 리팩터링 추천의 실질적인 타당성을 평가하는 하이브리드 프레임워크인 AKIRA (Adaptive Knowledge Discovery and Retrieval)를 제안합니다. 우리의 평가 결과에 따르면, AKIRA는 수동으로 선별된 데이터셋에서 90%의 재현율 (recall)과 88%의 정밀도 (precision)를 달성했습니다. 또한, 외부 RETIWA 데이터셋에서 AKIRA는 재현율을 21%에서 81%로, 정밀도를 40%에서 78%로 높임으로써 기존 기술 (state of the art)을 크게 개선했습니다. 이러한 결과는 복잡한 API 교체 리팩터링 추천의 자동화를 지원하기 위해 정적 패턴 매칭 (static pattern matching)과 의미론적 추론 (semantic reasoning)을 결합하는 것이 효과적임을 입증합니다.