論文の概要: Predicting Issue Types on GitHub
- arxiv url: http://arxiv.org/abs/2107.09936v1
- Date: Wed, 21 Jul 2021 08:14:48 GMT
- ステータス: 処理完了
- システム内更新日: 2021-07-22 14:03:54.886685
- Title: Predicting Issue Types on GitHub
- Title(参考訳): GitHubのイシュータイプ予測
- Authors: Rafael Kallis, Andrea Di Sorbo, Gerardo Canfora, Sebastiano Panichella
- Abstract要約: Ticket Taggerは、機械学習技術による課題のタイトルと説明を分析するGitHubアプリである。
私たちは、約30,000のGitHubイシューに対して、ツールの予測パフォーマンスを実証的に評価しました。
- 参考スコア(独自算出の注目度): 8.791809365994682
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Software maintenance and evolution involves critical activities for the
success of software projects. To support such activities and keep code
up-to-date and error-free, software communities make use of issue trackers,
i.e., tools for signaling, handling, and addressing the issues occurring in
software systems. However, in popular projects, tens or hundreds of issue
reports are daily submitted. In this context, identifying the type of each
submitted report (e.g., bug report, feature request, etc.) would facilitate the
management and the prioritization of the issues to address. To support issue
handling activities, in this paper, we propose Ticket Tagger, a GitHub app
analyzing the issue title and description through machine learning techniques
to automatically recognize the types of reports submitted on GitHub and assign
labels to each issue accordingly. We empirically evaluated the tool's
prediction performance on about 30,000 GitHub issues. Our results show that the
Ticket Tagger can identify the correct labels to assign to GitHub issues with
reasonably high effectiveness. Considering these results and the fact that the
tool is designed to be easily integrated in the GitHub issue management
process, Ticket Tagger consists in a useful solution for developers.
- Abstract(参考訳): ソフトウェアのメンテナンスと進化は、ソフトウェアプロジェクトの成功のために重要な活動を伴う。
このようなアクティビティをサポートし、コードを最新かつエラーフリーに保つために、ソフトウェアコミュニティは、イシュートラッカ、すなわち、ソフトウェアシステムで発生した問題をシグナリング、ハンドリング、対処するためのツールを利用する。
しかし、人気のあるプロジェクトでは、毎日数十、数百の発行レポートが提出される。
この文脈では、提出された各レポートのタイプ(例えば、バグレポート、機能要求など)を識別する。
対処すべき課題の管理と優先順位付けを容易にするのです
本稿では,課題ハンドリング活動を支援するために,GitHubで発行されたレポートのタイプを自動的に認識し,各課題にラベルを割り当てる,機械学習技術を用いて課題タイトルと説明を分析するGitHubアプリTicket Taggerを提案する。
私たちは、約30,000のGitHubイシューに対して、ツールの予測パフォーマンスを実証的に評価しました。
その結果,チケットタガーはgithubイシューにアサインする正しいラベルを適度に高い効率で識別できることがわかった。
これらの結果と、ツールがGitHubのイシュー管理プロセスに簡単に統合できるように設計されているという事実を考えると、Ticket Taggerは開発者にとって便利なソリューションである。
関連論文リスト
- GitAgent: Facilitating Autonomous Agent with GitHub by Tool Extension [81.44231422624055]
さまざまなタスクを実行できる外部ツールを備えた大規模言語モデル(LLM)に焦点が当てられている。
本稿では,GitHubから自動ツール拡張を実現するエージェントであるGitAgentを紹介する。
論文 参考訳(メタデータ) (2023-12-28T15:47:30Z) - How ChatGPT is Solving Vulnerability Management Problem [58.31828926938327]
78,445のサンプルを含む大規模データセットを用いて、完全な脆弱性管理プロセスを含む6つのタスクでChatGPTの機能を調査する。
注目すべき例として、ChatGPTのソフトウェアバグレポートのタイトル生成などのタスクにおける熟練度がある。
以上の結果から,ChatGPTが抱える障害が明らかとなり,将来的な方向性に光を当てた。
論文 参考訳(メタデータ) (2023-11-11T11:01:13Z) - SWE-bench: Can Language Models Resolve Real-World GitHub Issues? [83.99011643648038]
私たちは、現実世界のソフトウェアエンジニアリングは、次世代の言語モデルを評価するためのリッチで持続可能で挑戦的なテストベッドであると考えています。
SWE-benchは、実際のGitHub問題から引き出された2,294ドルのソフトウェアエンジニアリング問題と、12ドルの人気のあるPythonリポジトリで対応するプルリクエストを含む、評価フレームワークである。
我々の評価は、最先端のプロプライエタリモデルと微調整モデルSWE-Llamaの両方が、最も単純な問題のみを解決可能であることを示している。
論文 参考訳(メタデータ) (2023-10-10T16:47:29Z) - MaintainoMATE: A GitHub App for Intelligent Automation of Maintenance
Activities [3.2228025627337864]
ソフトウェア開発プロジェクトは、バグ報告や強化要求といったメンテナンスタスクの追跡の中心にある問題追跡システムに依存している。
問題レポートの処理は極めて重要であり、問題レポートに入力されたテキストを徹底的にスキャンする必要があるため、労働集約的な作業となる。
各カテゴリのイシューレポートを自動的に分類し,関連する専門知識を持つ開発者にイシューレポートを割り当てることのできる,MaintainoMATEという統合フレームワークを提案する。
論文 参考訳(メタデータ) (2023-08-31T05:15:42Z) - GiveMeLabeledIssues: An Open Source Issue Recommendation System [9.312780130838952]
開発者はしばしば、オープンソースソフトウェア(OSS)プロジェクトのイシュートラッキングシステムをナビゲートして、適切なタスクを見つけるのに苦労します。
本稿では,プロジェクトリポジトリをマイニングし,課題を解決に必要なスキルに基づいてラベル付けするツールを提案する。
GiveMeLabeledIssuesは開発者のスキルとタスクのマッチングを容易にし、プロジェクトのメンテナの負担を軽減する。
論文 参考訳(メタデータ) (2023-03-23T16:39:31Z) - Using Developer Discussions to Guide Fixing Bugs in Software [51.00904399653609]
我々は,タスク実行前に利用可能であり,また自然発生しているバグレポートの議論を,開発者による追加情報の必要性を回避して利用することを提案する。
このような議論から派生したさまざまな自然言語コンテキストがバグ修正に役立ち、オラクルのバグ修正コミットに対応するコミットメッセージの使用よりもパフォーマンスの向上につながることを実証する。
論文 参考訳(メタデータ) (2022-11-11T16:37:33Z) - Task Compass: Scaling Multi-task Pre-training with Task Prefix [122.49242976184617]
既存の研究では、大規模教師付きタスクによるマルチタスク学習がタスク間の負の効果に悩まされていることが示されている。
タスク間の関係を探索するために,タスクプレフィックスガイド付きマルチタスク事前学習フレームワークを提案する。
我々のモデルは、幅広いタスクの強力な基盤バックボーンとして機能するだけでなく、タスク関係を分析するための探索ツールとしても実現可能である。
論文 参考訳(メタデータ) (2022-10-12T15:02:04Z) - Automatic Issue Classifier: A Transfer Learning Framework for
Classifying Issue Reports [0.0]
私たちはRoBERTaと呼ばれる既製のニューラルネットワークを使って、問題を分類しています。
本稿では,問題レポートを複数ラベル設定で分類するアプローチを提案する。我々はRoBERTaと呼ばれる市販のニューラルネットワークを用いて,問題レポートの分類を行う。
論文 参考訳(メタデータ) (2022-02-12T21:43:08Z) - Can I Solve It? Identifying APIs Required to Complete OSS Task [16.13269535068818]
タスク完了に必要なAPIのドメインに対するラベリング問題の実現可能性と関連性を検討する。
問題の記述とプロジェクト履歴を利用して予測モデルを構築し,精度を最大82%まで向上させ,最大97.8%をリコールした。
私たちの結果は、問題を自動的にラベル付けするツールの作成を刺激し、開発者がスキルに合致するタスクを見つけるのに役立ちます。
論文 参考訳(メタデータ) (2021-03-23T16:16:09Z) - S3M: Siamese Stack (Trace) Similarity Measure [55.58269472099399]
本稿では、深層学習に基づくスタックトレースの類似性を計算する最初のアプローチであるS3Mを紹介します。
BiLSTMエンコーダと、類似性を計算するための完全接続型分類器をベースとしている。
私たちの実験は、オープンソースデータとプライベートなJetBrainsデータセットの両方において、最先端のアプローチの優位性を示しています。
論文 参考訳(メタデータ) (2021-03-18T21:10:41Z) - A Transfer Learning Approach for Dialogue Act Classification of GitHub
Issue Comments [1.370633147306388]
本稿では,GitHub上の課題コメントに基づいて対話行為分類を行うための伝達学習手法を提案する。
GitHubイシューコメントのラベル付きコーパスは存在しないため、転送学習を利用することで、標準的な対話行動データセットを活用することができます。
問題コメントを対話行動にマッピングできることは、認知チームのプロセスを理解するための有用な一歩です。
論文 参考訳(メタデータ) (2020-11-10T02:56:18Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。