論文の概要: An Exploration of Learning Processes as Process Maps in FLOSS Repositories

• arxiv url: http://arxiv.org/abs/2307.07841v1
• Date: Sat, 15 Jul 2023 16:18:44 GMT
• ステータス: 処理完了
• システム内更新日: 2023-07-18 17:40:56.978758
• Title: An Exploration of Learning Processes as Process Maps in FLOSS Repositories
• Title（参考訳）: FLOSSリポジトリにおけるプロセスマップとしての学習プロセスの探索
• Authors: Patrick Mukala, Antonio Cerone, Franco Turini
• Abstract要約: 本稿では,プロセスマイニングに基づくFLOSS参加者の学習行動の追跡手法を提案する。 本研究の目的は,FLOSSコミュニティにおける学習行動の理解を促進する重要な証拠を,関連リポジトリを解析することによって提供することである。
• 参考スコア（独自算出の注目度）: 2.3848738964230023
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Evidence suggests that Free/Libre Open Source Software (FLOSS) environments provide unlimited learning opportunities. Community members engage in a number of activities both during their interaction with their peers and while making use of the tools available in these environments. A number of studies document the existence of learning processes in FLOSS through the analysis of surveys and questionnaires filled by FLOSS project participants. At the same time, the interest in understanding the dynamics of the FLOSS phenomenon, its popularity and success resulted in the development of tools and techniques for extracting and analyzing data from different FLOSS data sources. This new field is called Mining Software Repositories (MSR). In spite of these efforts, there is limited work aiming to provide empirical evidence of learning processes directly from FLOSS repositories. In this paper, we seek to trigger such an initiative by proposing an approach based on Process Mining to trace learning behaviors from FLOSS participants trails of activities, as recorded in FLOSS repositories, and visualize them as process maps. Process maps provide a pictorial representation of real behavior as it is recorded in FLOSS data. Our aim is to provide critical evidence that boosts the understanding of learning behavior in FLOSS communities by analyzing the relevant repositories. In order to accomplish this, we propose an effective approach that comprises first the mining of FLOSS repositories in order to generate Event logs, and then the generation of process maps, equipped with relevant statistical data interpreting and indicating the value of process discovery from these repos-itories
• Abstract（参考訳）: フリー/libreオープンソースソフトウェア(floss)環境が無制限の学習機会を提供するという証拠がある。 コミュニティメンバーは、仲間との対話中や、これらの環境で利用可能なツールの使用中に、多くの活動に従事します。 FLOSSプロジェクトの参加者による調査およびアンケートの分析を通じて、FLOSSにおける学習プロセスの存在を文書化している。 同時に、FLOSS現象のダイナミクス、その人気と成功を理解することへの関心は、異なるFLOSSデータソースからデータを抽出・分析するツールや技術の開発につながった。 この新たな分野はMining Software Repositories (MSR)と呼ばれる。 これらの努力にもかかわらず、FLOSSリポジトリから直接学習プロセスの実証的な証拠を提供することを目的とした研究は限られている。 本稿では,プロセスマイニングをベースとしたアプローチを提案し,FLOSSリポジトリに記録されているFLOSS参加者からの学習行動を追跡し,プロセスマップとして視覚化することで,このような取り組みを誘発する。 プロセスマップは、フロスデータに記録された実際の動作の図式表現を提供する。 本研究の目的は,FLOSSコミュニティにおける学習行動の理解を促進する重要な証拠を提供することである。 そこで本研究では,まずflossリポジトリをマイニングしてイベントログを生成し,次にプロセスマップを生成し,関連する統計データ解釈を行い,これらのリポジトリからプロセス発見の価値を示す効果的な手法を提案する。

関連論文リスト

• TraceMesh: Scalable and Streaming Sampling for Distributed Traces [51.08892669409318]
  TraceMeshは、分散トレースのためのスケーラブルでストリーミングなサンプリングツールである。 以前は見つからなかったトレース機能を、統一的で合理化された方法で扱える。 TraceMeshは、サンプリング精度と効率の両方において、最先端の手法よりも大幅に優れている。
  論文  参考訳（メタデータ） (2024-06-11T06:13:58Z)
• C-ICL: Contrastive In-context Learning for Information Extraction [54.39470114243744]
  c-ICLは、正しいサンプル構築と間違ったサンプル構築の両方を活用して、コンテキスト内学習のデモを作成する、新しい数ショット技術である。 各種データセットに対する実験により,c-ICLは従来の数発のインコンテキスト学習法よりも優れていたことが示唆された。
  論文  参考訳（メタデータ） (2024-02-17T11:28:08Z)
• Diffusion Generative Flow Samplers: Improving learning signals through partial trajectory optimization [87.21285093582446]
  Diffusion Generative Flow Samplers (DGFS) はサンプルベースのフレームワークであり、学習プロセスを短い部分的軌道セグメントに分解することができる。 生成フローネットワーク(GFlowNets)のための理論から着想を得た。
  論文  参考訳（メタデータ） (2023-10-04T09:39:05Z)
• Federated Learning and Meta Learning: Approaches, Applications, and Directions [94.68423258028285]
  本稿では,FL,メタラーニング,フェデレーションメタラーニング(FedMeta)について概観する。 他のチュートリアルと異なり、私たちの目標はFL、メタラーニング、FedMetaの方法論をどのように設計、最適化、進化させ、無線ネットワーク上で応用するかを探ることです。
  論文  参考訳（メタデータ） (2022-10-24T10:59:29Z)
• Combining Feature and Instance Attribution to Detect Artifacts [62.63504976810927]
  トレーニングデータアーティファクトの識別を容易にする手法を提案する。 提案手法は,トレーニングデータのアーティファクトの発見に有効であることを示す。 我々は,これらの手法が実際にNLP研究者にとって有用かどうかを評価するために,小規模なユーザスタディを実施している。
  論文  参考訳（メタデータ） (2021-07-01T09:26:13Z)
• Visual Transformer for Task-aware Active Learning [49.903358393660724]
  プールベースのアクティブラーニングのための新しいパイプラインを提案する。 提案手法は,学習中に使用可能なアンラベリング例を利用して,ラベル付き例との相関関係を推定する。 ビジュアルトランスフォーマーは、ラベル付き例と非ラベル付き例の間の非ローカルビジュアル概念依存性をモデル化する。
  論文  参考訳（メタデータ） (2021-06-07T17:13:59Z)
• A Common Operating Picture Framework Leveraging Data Fusion and Deep Learning [0.7348448478819135]
  本稿では,処理,爆発,拡散のソリューションを高速化するためのデータ融合フレームワークを提案する。 私たちのプラットフォームは、ディープラーニングやその他の処理手段を活用することで、複数のデータソースから情報を抽出するサービスの集合体です。 最初のイテレーションでは、ビジュアルデータ(FMV, WAMI, CCTV/PTZ-Cameras, オープンソースビデオなど)とAISデータストリーム(衛星と地上ソース)に焦点を当てました。
  論文  参考訳（メタデータ） (2020-01-16T18:32:19Z)

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。