論文の概要: When Conversations Turn Into Work: A Taxonomy of Converted Discussions and Issues in GitHub

• arxiv url: http://arxiv.org/abs/2307.07117v1
• Date: Fri, 14 Jul 2023 01:46:43 GMT
• ステータス: 処理完了
• システム内更新日: 2023-10-23 17:34:04.877811
• Title: When Conversations Turn Into Work: A Taxonomy of Converted Discussions and Issues in GitHub
• Title（参考訳）: 会話が仕事になるとき:githubの議論と課題を変換した分類法
• Authors: Dong Wang, Masanari Kondo, Yasutaka Kamei, Raula Gaikovina Kula, Naoyasu Ubayashi
• Abstract要約: GitHubはコミュニケーションとコラボレーションを区別するための議論をリリースした。 開発者はこれらのチャネルをどのように維持するか、どれほど簡単か、コンバージョンを決定するのに時間がかかるかどうか、まだ不明だ。
• 参考スコア（独自算出の注目度）: 7.754176669677791
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Popular and large contemporary open-source projects now embrace a diverse set of documentation for communication channels. Examples include contribution guidelines (i.e., commit message guidelines, coding rules, submission guidelines), code of conduct (i.e., rules and behavior expectations), governance policies, and Q&A forum. In 2020, GitHub released Discussion to distinguish between communication and collaboration. However, it remains unclear how developers maintain these channels, how trivial it is, and whether deciding on conversion takes time. We conducted an empirical study on 259 NPM and 148 PyPI repositories, devising two taxonomies of reasons for converting discussions into issues and vice-versa. The most frequent conversion from a discussion to an issue is when developers request a contributor to clarify their idea into an issue (Reporting a Clarification Request -35.1% and 34.7%, respectively), while agreeing that having non actionable topic (QA, ideas, feature requests -55.0% and 42.0%, respectively}) is the most frequent reason of converting an issue into a discussion. Furthermore, we show that not all reasons for conversion are trivial (e.g., not a bug), and raising a conversion intent potentially takes time (i.e., a median of 15.2 and 35.1 hours, respectively, taken from issues to discussions). Our work contributes to complementing the GitHub guidelines and helping developers effectively utilize the Issue and Discussion communication channels to maintain their collaboration.
• Abstract（参考訳）: ポピュラーで大規模な同時代のオープンソースプロジェクトは、コミュニケーションチャネルのための様々なドキュメントを取り入れている。 例えば、コントリビューションガイドライン(コミットメッセージガイドライン、コーディングルール、提出ガイドライン)、行動規範(ルールと行動期待)、ガバナンスポリシー、Q&Aフォーラムなどがある。 2020年、GitHubはコミュニケーションとコラボレーションを区別するディスカッションをリリースした。 しかし、開発者はこれらのチャネルをどのように維持するか、どのくらいの簡単さ、変換を決定するのに時間がかかるかは、まだ不明である。 259 NPMと148 PyPIリポジトリに関する実証的研究を行い、議論を問題と逆転に転換する理由の2つの分類を考案した。 議論から問題への最も頻繁な変換は、開発者がコントリビュータに自身のアイデアを問題に明確化するように要求する(それぞれ、明確化要求 -35.1% と 34.7% を報告する)のに対して、非アクション可能なトピック (それぞれ、qa、アイデア、機能要求 -55.0% と 42.0% ) を持つことが、問題を議論に変換する最も頻繁な理由である、という点である。 さらに、変換のすべての理由が自明であるとは限らない(例えば、バグではない)し、変換意図の立ち上げには時間がかかる可能性がある(つまり、問題から議論まで、それぞれ15.2時間と35.1時間の中央値)。 当社の作業はGitHubのガイドラインを補完し、開発者がイシューとディスカッションのコミュニケーションチャネルを効果的に活用してコラボレーションを維持するのに役立ちます。

関連論文リスト

• Understanding Code Understandability Improvements in Code Reviews [79.16476505761582]
  GitHub上のJavaオープンソースプロジェクトからの2,401のコードレビューコメントを分析した。 改善提案の83.9%が承認され、統合され、1%未満が後に復活した。
  論文  参考訳（メタデータ） (2024-10-29T12:21:23Z)
• An Empirical Study on Developers Shared Conversations with ChatGPT in GitHub Pull Requests and Issues [20.121332699827633]
  ChatGPTはソフトウェア開発プラクティスに大きな影響を与えています。 広く採用されているにもかかわらず、協調コーディングにおけるアシスタントとしてのChatGPTの影響はほとんど解明されていない。 210と370人の開発者のデータセットを分析し、GitHubのプルリクエスト(PR)とイシューでChatGPTとの会話を共有しました。
  論文  参考訳（メタデータ） (2024-03-15T16:58:37Z)
• Coeditor: Leveraging Contextual Changes for Multi-round Code Auto-editing [57.776971051512234]
  本研究では,複数ラウンドのコードの自動編集設定について検討し,その内部の最近の変更に基づいて,コード領域への編集を予測することを目的とした。 我々のモデルであるCoeditorは、コード編集タスクに特化して設計された微調整言語モデルである。 単純化されたシングルラウンドのシングル編集タスクでは、Coeditor は GPT-3.5 と SOTA のオープンソースコード補完モデルを大幅に上回っている。
  論文  参考訳（メタデータ） (2023-05-29T19:57:36Z)
• 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)
• Looking for related discussions on GitHub Discussions [18.688096673390586]
  GitHub Discussionsは、プラットフォーム上にホストされているユーザとコミュニティのメンバー間の共同ディスカッションを促進するための、ネイティブフォーラムである。 GitHub DiscussionsはPCQAフォーラムに似ているが、このような環境が直面しているのと同じような課題に直面している。 重複した投稿は、同じコンテンツ(そして正確なコピーかもしれない)を持っているが、ほぼ重複して、同様のトピックや情報を共有する。 本稿では,Sentence-BERT事前学習モデル,RD-Detectorに基づくアプローチを提案する。
  論文  参考訳（メタデータ） (2022-06-23T20:41:33Z)
• QAConv: Question Answering on Informative Conversations [85.2923607672282]
  ビジネスメールやパネルディスカッション,作業チャネルなど,情報的な会話に重点を置いています。 合計で、スパンベース、フリーフォーム、および回答不能な質問を含む34,204のQAペアを収集します。
  論文  参考訳（メタデータ） (2021-05-14T15:53:05Z)
• GitHub Discussions: An Exploratory Study of Early Adoption [23.844242004415406]
  私たちは2020年1月から7月にかけて、GitHubの議論を早期に取り入れた混合メソッド調査を実施しました。 1) エラー,予期せぬ動作,コードレビューが議論の代表的なカテゴリであること,(2) プロジェクトメンバの関与と議論頻度との間には肯定的な関係があること,(3) 開発者はGitHubの議論が有用であると考えているが,議論と問題の間のトピック重複の問題に直面している。 私たちの発見は、GitHub Discussionsを使用するためのデータインフォームドガイダンスへの第一歩であり、この新たなコミュニケーションチャネルに関する今後の研究の道を開くものです。
  論文  参考訳（メタデータ） (2021-02-10T02:49:03Z)
• The Influence of Domain-Based Preprocessing on Subject-Specific Clustering [55.41644538483948]
  大学におけるオンライン教育の大部分を突然移行させることで、学者の作業負荷が増大した。 この問題に対処するひとつの方法は、トピックに応じてこれらの質問をクラスタ化することです。 本稿では,タグ付けデータセットの領域を探求し,コードの抜粋の同定と経験的結果の提供に焦点をあてる。
  論文  参考訳（メタデータ） (2020-11-16T17:47:19Z)
• 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)
• Deep Just-In-Time Inconsistency Detection Between Comments and Source Code [51.00904399653609]
  本稿では,コード本体の変更によりコメントが矛盾するかどうかを検出することを目的とする。 私たちは、コメントとコードの変更を関連付けるディープラーニングアプローチを開発しています。 より包括的な自動コメント更新システムを構築するために,コメント更新モデルと組み合わせて提案手法の有用性を示す。
  論文  参考訳（メタデータ） (2020-10-04T16:49:28Z)
• StackOverflow vs Kaggle: A Study of Developer Discussions About Data Science [0.0]
  本稿では,StackOverflowとKaggleの197836ポストの特性について実験を行った。 主な発見は、StackOverflowで最も多いトピックに関するものだ。 どちらのコミュニティでも、DSに関する議論は劇的なペースで増えている。 アンサンブルアルゴリズムはKaggleで最も言及されているML/DLアルゴリズムであるが、StackOverflowではほとんど議論されていない。
  論文  参考訳（メタデータ） (2020-06-06T06:51:11Z)

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。