論文の概要: How to Debug Inclusivity Bugs? A Debugging Process with Information
Architecture
- arxiv url: http://arxiv.org/abs/2202.13303v1
- Date: Sun, 27 Feb 2022 06:58:26 GMT
- ステータス: 処理完了
- システム内更新日: 2023-02-19 15:17:29.731607
- Title: How to Debug Inclusivity Bugs? A Debugging Process with Information
Architecture
- Title（参考訳）: 排他的バグをデバッグする方法?
情報アーキテクチャを用いたデバッグプロセス
- Authors: Mariam Guizani, Igor Steinmacher, Jillian Emard, Abrar Fallatah,
Margaret Burnett, Anita Sarma
- Abstract要約: 私たちはWhy/Where/Fixを作りました。
私たちは、オープンソースソフトウェア(OSS)プロジェクトのインフラストラクチャを設定として使用しました。
以上の結果から, OSS新参者を対象に, Why/Where/Fix を使用すれば, OSS新参者が経験したインクリビティバグの数は90%減少した。
- 参考スコア（独自算出の注目度）: 16.23564896531954
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Although some previous research has found ways to find inclusivity bugs
(biases in software that introduce inequities), little attention has been paid
to how to go about fixing such bugs. Without a process to move from finding to
fixing, acting upon such findings is an ad-hoc activity, at the mercy of the
skills of each individual developer. To address this gap, we created
Why/Where/Fix, a systematic inclusivity debugging process whose inclusivity
fault localization harnesses Information Architecture(IA) -- the way
user-facing information is organized, structured and labeled. We then conducted
a multi-stage qualitative empirical evaluation of the effectiveness of
Why/Where/Fix, using an Open Source Software (OSS) project's infrastructure as
our setting. In our study, the OSS project team used the Why/Where/Fix process
to find inclusivity bugs, localize the IA faults behind them, and then fix the
IA to remove the inclusivity bugs they had found. Our results showed that using
Why/Where/Fix reduced the number of inclusivity bugs that OSS newcomer
participants experienced by 90%.
- Abstract（参考訳）: 以前の研究では、インクリビティバグ(不等式を導入するソフトウェアのバイアス)を見つける方法が発見されているが、そのようなバグを修正する方法にはほとんど注意が払われていない。
発見から修正へ移行するプロセスがなければ、個々の開発者のスキルの恩恵を受けながら、そのような発見を行動はアドホックな活動になります。
このギャップに対処するために,情報アーキテクチャ(ia) -- ユーザ向け情報の構造化,構造化,ラベル付けの方法 - を排他的フォールトローカライゼーションが活用する,体系的な排他的デバッグプロセスである why/where/fix を開発した。
次に,oss(open source software)プロジェクトのインフラストラクチャを設定に使用して, why/where/fixの有効性を多段階の質的実証評価を行った。
調査では、OSSプロジェクトチームはWhy/Where/Fixプロセスを使用して、インクリシティーのバグを見つけ、背後にあるIA障害をローカライズし、IAを修正して、彼らが見つけたインクリシティーのバグを除去しました。
その結果, OSS新参参加者が経験したインクリビティバグの数は90%減少した。
関連論文リスト
- A Deep Dive into Large Language Models for Automated Bug Localization and Repair [12.756202755547024]
大規模言語モデル(LLM)は、自動プログラム修復(APR)など、様々なソフトウェアエンジニアリングタスクにおいて顕著な効果を示している。
本研究では,LSMを用いた自動バグ修正について深く検討する。
異なるLLMを用いてバグの局所化と修正を分離することにより、多様なコンテキスト情報の効果的な統合が可能になる。
Toggleは、CodeXGLUEコード改善ベンチマークで、新しい最先端(SOTA)パフォーマンスを実現する。
論文 参考訳（メタデータ） (2024-04-17T17:48:18Z) - Decoupled DETR: Spatially Disentangling Localization and Classification
for Improved End-to-End Object Detection [48.429555904690595]
本稿では,タスク認識型問合せ生成モジュールと切り離された特徴学習プロセスを含む空間的に分離されたDETRを紹介する。
提案手法は,従来の研究に比べてMSCOCOデータセットの大幅な改善を実現していることを示す。
論文 参考訳（メタデータ） (2023-10-24T15:54:11Z) - Auto-labelling of Bug Report using Natural Language Processing [0.0]
ルールとクエリベースのソリューションは、明確なランキングのない、潜在的な類似バグレポートの長いリストを推奨します。
本論文では,NLP手法の組み合わせによる解を提案する。
カスタムデータトランスフォーマー、ディープニューラルネットワーク、および非汎用機械学習メソッドを使用して、既存の同一バグレポートを検索する。
論文 参考訳（メタデータ） (2022-12-13T02:32:42Z) - 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) - ADPTriage: Approximate Dynamic Programming for Bug Triage [0.0]
オンラインバグトリアージタスクのためのマルコフ決定プロセス(MDP)モデルを開発した。
私たちはADPTriageと呼ばれるADPベースのバグトリアージソリューションを提供しています。
以上の結果から, 代入精度と固定時間の観点から, ミオピックアプローチよりも有意な改善が見られた。
論文 参考訳（メタデータ） (2022-11-02T04:42:21Z) - S-DABT: Schedule and Dependency-Aware Bug Triage in Open-Source Bug
Tracking Systems [0.0]
手動のバグ修正のスケジューリングは、時間がかかり、面倒で、エラーを起こしやすい。
そこで我々は,S-DABT(Schedule and Dependency-aware Bug Triage)を提案する。
論文 参考訳（メタデータ） (2022-04-12T17:36:43Z) - DapStep: Deep Assignee Prediction for Stack Trace Error rePresentation [61.99379022383108]
本稿では,バグトリアージ問題を解決するための新しいディープラーニングモデルを提案する。
モデルは、注目された双方向のリカレントニューラルネットワークと畳み込みニューラルネットワークに基づいている。
ランキングの質を向上させるために,バージョン管理システムのアノテーションから追加情報を利用することを提案する。
論文 参考訳（メタデータ） (2022-01-14T00:16:57Z) - Competency Problems: On Finding and Removing Artifacts in Language Data [50.09608320112584]
複雑な言語理解タスクでは、すべての単純な特徴相関が突発的であると論じる。
人間バイアスを考慮したコンピテンシー問題に対するデータ作成の難しさを理論的に分析します。
論文 参考訳（メタデータ） (2021-04-17T21:34:10Z) - 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) - Adversarial Patch Generation for Automated Program Repair [0.0]
NEVERMOREは、バグと修正の敵対的な性質にインスパイアされた、新しい学習ベースのメカニズムである。
NEVERMOREはGenerative Adrial Networksアーキテクチャに基づいて構築されており、人為的な修正を忠実に模倣する修正を生成するために、歴史的なバグ修正を訓練している。
実世界の500のバグに対する実証的な評価は、NEVERMOREがバグ修正に有効であることを示し、調査対象のバグの21.2%が人間の修正にマッチする修復を生成する。
論文 参考訳（メタデータ） (2020-12-21T00:34:29Z) - Explore, Discover and Learn: Unsupervised Discovery of State-Covering
Skills [155.11646755470582]
情報理論的スキル発見の代替手法として,'Explore, Discover and Learn'(EDL)がある。
本稿では,EDLがカバレッジ問題を克服し,学習スキルの初期状態への依存を減らし,ユーザが学習すべき行動について事前定義できるようにするなど,大きなメリットがあることを示す。
論文 参考訳（メタデータ） (2020-02-10T10:49:53Z)
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。