論文の概要: Automatically Estimating the Effort Required to Repay Self-Admitted
Technical Debt
- arxiv url: http://arxiv.org/abs/2309.06020v1
- Date: Tue, 12 Sep 2023 07:40:18 GMT
- ステータス: 処理完了
- システム内更新日: 2023-09-13 13:59:23.215945
- Title: Automatically Estimating the Effort Required to Repay Self-Admitted
Technical Debt
- Title(参考訳): 自己申告技術的負債返済に必要な努力を自動的に見積もる
- Authors: Yikun Li, Mohamed Soliman, Paris Avgeriou
- Abstract要約: Self-Admitted Technical Debt (SATD)は、ソフトウェアアーティファクト内の開発者が文書化する技術的負債の特定の形式である。
包括的データセットを用いてSATD返済作業を自動的に推定する新しい手法を提案する。
本研究の結果から,SATD はコード/設計,要件,テスト負債といった様々なレベルの返済作業を必要とし,非SATD 項目と比較して高い労力を要することが明らかとなった。
- 参考スコア(独自算出の注目度): 1.8208834479445897
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Technical debt refers to the consequences of sub-optimal decisions made
during software development that prioritize short-term benefits over long-term
maintainability. Self-Admitted Technical Debt (SATD) is a specific form of
technical debt, explicitly documented by developers within software artifacts
such as source code comments and commit messages. As SATD can hinder software
development and maintenance, it is crucial to address and prioritize it
effectively. However, current methodologies lack the ability to automatically
estimate the repayment effort of SATD based on its textual descriptions. To
address this limitation, we propose a novel approach for automatically
estimating SATD repayment effort, utilizing a comprehensive dataset comprising
341,740 SATD items from 2,568,728 commits across 1,060 Apache repositories. Our
findings show that different types of SATD require varying levels of repayment
effort, with code/design, requirement, and test debt demanding greater effort
compared to non-SATD items, while documentation debt requires less. We
introduce and evaluate machine learning methodologies, particularly BERT and
TextCNN, which outperforms classic machine learning methods and the naive
baseline in estimating repayment effort. Additionally, we summarize keywords
associated with varying levels of repayment effort that occur during SATD
repayment. Our contributions aim to enhance the prioritization of SATD
repayment effort and resource allocation efficiency, ultimately benefiting
software development and maintainability.
- Abstract(参考訳): 技術的負債は、長期の保守性よりも短期的な利益を優先するソフトウェア開発中に下された最適の判断の結果を指す。
Self-Admitted Technical Debt (SATD)は特定の技術的負債であり、ソースコードコメントやコミットメッセージなどのソフトウェアアーチファクト内の開発者が明示的に文書化している。
SATDはソフトウェア開発とメンテナンスを妨げるため、効果的に対処し優先順位付けすることが重要です。
しかし、現在の手法では、テキスト記述に基づいてSATDの返済作業を自動的に見積もる能力がない。
この制限に対処するため,1,060のApacheリポジトリにわたる2,568,728のコミットから341,740のSATD項目からなる包括的データセットを用いてSATD返済作業を自動的に推定する手法を提案する。
その結果,様々な種類のsatdは,非satd項目と比較して高い労力を必要とするコード/設計,要件,テスト負債など,さまざまなレベルの返済努力を必要としていることがわかった。
本稿では,特にBERTやTextCNNなどの機械学習手法を導入,評価する。
さらに,SATD返済時に発生する様々な返済作業に関連するキーワードを要約する。
当社のコントリビューションは,satによる返済努力の優先順位付けとリソース割り当て効率の向上を目的としています。
関連論文リスト
- Evidence is All We Need: Do Self-Admitted Technical Debts Impact Method-Level Maintenance? [1.0377683220196874]
Self-Admitted Technical Debt (SATD)は、開発者がソースコードのコメントを通じて技術的負債を明示的に認める現象である。
本稿では,SATDがソフトウェア保守の様々な面に与える影響を,方法論レベルで実証的に検討することを目的とする。
論文 参考訳(メタデータ) (2024-11-21T01:21:35Z) - Improving the detection of technical debt in Java source code with an enriched dataset [12.07607688189035]
技術的負債(Technical debt, TD)とは、開発者が問題に対して迅速かつ簡単なソリューションを選択すると、追加の作業とコストが発生すること。
近年の研究では、ソースコードに埋め込まれたコメントを分析することで、SATD(Self-Admitted Technical Debts)の検出に焦点が当てられている。
コードコメントによって識別された最初のTDデータセットを、関連するソースコードとともにキュレートしました。
論文 参考訳(メタデータ) (2024-11-08T10:12:33Z) - An Experimental Design Framework for Label-Efficient Supervised Finetuning of Large Language Models [55.01592097059969]
命令データセットの監視された微調整は、目覚ましいゼロショットの一般化能力を達成する上で重要な役割を担っている。
アクティブラーニングは、未ラベルのプールからアノテートするサンプルの有用なサブセットを特定するのに効果的である。
本研究では,能動学習の計算ボトルネックを回避するための実験設計を提案する。
論文 参考訳(メタデータ) (2024-01-12T16:56:54Z) - Self-Admitted Technical Debt Detection Approaches: A Decade Systematic Review [5.670597842524448]
技術的負債 (Technical debt, TD) とは、ソフトウェア開発において、最適な設計やコード決定に関連する長期的なコストを表す用語である。
開発者がこれらのトレードオフを明確に認めると、SATD(Self-Admitted Technical Debt)が発生する。
SATDの自動検出は、ますます重要な研究領域となっている。
論文 参考訳(メタデータ) (2023-12-19T12:01:13Z) - DebtViz: A Tool for Identifying, Measuring, Visualizing, and Monitoring
Self-Admitted Technical Debt [1.6201475185215248]
技術的負債、特にSelf-Admitted Technical Debt (SATD)は、ソフトウェア開発者やマネージャにとって重要な課題である。
本稿では,ソースコードコメントやイシュートラッキングシステムにおいて,様々なSATDを自動検出,分類,可視化,監視するための革新的なSATDツールであるDebtVizを提案する。
論文 参考訳(メタデータ) (2023-08-25T01:05:38Z) - Towards Automatically Addressing Self-Admitted Technical Debt: How Far
Are We? [17.128428286986573]
本稿では,ニューラルベース生成モデルによって技術的負債を自動的に返済できる範囲を実験的に検討する。
595のオープンソースプロジェクトから5,039件の自己申告技術的負債(SATD)の削除日程を抽出することから始めます。
このデータセットを用いて、7つの異なる生成ディープラーニング(DL)モデル構成を実験する。
論文 参考訳(メタデータ) (2023-08-17T12:27:32Z) - SatLM: Satisfiability-Aided Language Models Using Declarative Prompting [68.40726892904286]
本研究では,大規模言語モデル (LLM) の推論能力を向上させるために,新しい満足度支援言語モデリング (SatLM) 手法を提案する。
我々はLLMを用いて命令型プログラムではなく宣言型タスク仕様を生成し、既製の自動定理証明器を利用して最終解を導出する。
我々はSATLMを8つの異なるデータセット上で評価し、命令パラダイムにおいてプログラム支援されたLMよりも一貫して優れていることを示す。
論文 参考訳(メタデータ) (2023-05-16T17:55:51Z) - Online Learning under Budget and ROI Constraints via Weak Adaptivity [57.097119428915796]
制約付きオンライン学習問題に対する既存の原始双対アルゴリズムは、2つの基本的な仮定に依存している。
このような仮定は、標準の原始双対テンプレートを弱適応的後悔最小化器で与えることによって、どのように回避できるのかを示す。
上記の2つの前提が満たされていない場合に保証される、世界の最高の保証を証明します。
論文 参考訳(メタデータ) (2023-02-02T16:30:33Z) - Temporal-Difference Value Estimation via Uncertainty-Guided Soft Updates [110.92598350897192]
Q-Learningは、制御タスクを実行するポリシーを学ぶのに効果的であることが証明されている。
推定ノイズは、政策改善ステップにおける最大演算子の後、バイアスとなる。
UQL(Unbiased Soft Q-Learning)は、2つのアクション、有限状態空間からマルチアクション、無限状態マルコフ決定プロセスまで、EQLの作業を拡張する。
論文 参考訳(メタデータ) (2021-10-28T00:07:19Z) - Explanations of Machine Learning predictions: a mandatory step for its
application to Operational Processes [61.20223338508952]
信用リスクモデリングは重要な役割を果たす。
近年,機械学習や深層学習の手法が採用されている。
この分野における説明可能性問題に LIME 手法を適用することを提案する。
論文 参考訳(メタデータ) (2020-12-30T10:27:59Z) - Hierarchical Adaptive Contextual Bandits for Resource Constraint based
Recommendation [49.69139684065241]
コンテキスト多重武装バンディット(MAB)は、様々な問題において最先端のパフォーマンスを達成する。
本稿では,階層型適応型文脈帯域幅法(HATCH)を提案する。
論文 参考訳(メタデータ) (2020-04-02T17:04:52Z)
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。