論文の概要: A pragmatic workflow for research software engineering in computational
science
- arxiv url: http://arxiv.org/abs/2310.00960v1
- Date: Mon, 2 Oct 2023 08:04:12 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-23 05:16:21.443462
- Title: A pragmatic workflow for research software engineering in computational
science
- Title（参考訳）: 計算科学におけるソフトウェア工学研究のための実践的ワークフロー
- Authors: Tomislav Mari\'c, Dennis Gl\"aser, Jan-Patrick Lehr, Ioannis
Papagiannidis, Benjamin Lambie, Christian Bischof, Dieter Bothe
- Abstract要約: コンピュータサイエンス・エンジニアリング(CSE)の大学研究グループには、通常、研究ソフトウェア工学(RSE)のための専用の資金と人員が不足している。
RSEは、持続可能な研究ソフトウェア開発と再現可能な結果から焦点をシフトします。
本稿では,これらの課題に対処し,CSEにおける研究成果の質を向上させるためのRSEワークフローを提案する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: University research groups in Computational Science and Engineering (CSE)
generally lack dedicated funding and personnel for Research Software
Engineering (RSE), which, combined with the pressure to maximize the number of
scientific publications, shifts the focus away from sustainable research
software development and reproducible results. The neglect of RSE in CSE at
University research groups negatively impacts the scientific output: research
data - including research software - related to a CSE publication cannot be
found, reproduced, or re-used, different ideas are not combined easily into new
ideas, and published methods must very often be re-implemented to be
investigated further. This slows down CSE research significantly, resulting in
considerable losses in time and, consequentially, public funding.
We propose a RSE workflow for Computational Science and Engineering (CSE)
that addresses these challenges, that improves the quality of research output
in CSE. Our workflow applies established software engineering practices adapted
for CSE: software testing, result visualization, and periodical cross-linking
of software with reports/publications and data, timed by milestones in the
scientific publication process. The workflow introduces minimal work overhead,
crucial for university research groups, and delivers modular and tested
software linked to publications whose results can easily be reproduced. We
define research software quality from a perspective of a pragmatic researcher:
the ability to quickly find the publication, data, and software related to a
published research idea, quickly reproduce results, understand or re-use a CSE
method, and finally extend the method with new research ideas.
- Abstract（参考訳）: cse(university research groups in computational science and engineering)は一般的に、研究ソフトウェア工学(rse)の専門的な資金や人員が欠如しており、科学出版の数を最大化するための圧力と相まって、持続可能な研究ソフトウェア開発と再現可能な結果から焦点を移している。
大学の研究グループにおけるCSEにおけるRSEの無視は、科学的な成果に悪影響を及ぼす:CSE出版物に関連する研究データを含む研究データは、発見、再生、または再使用できず、異なるアイデアを新しいアイデアに簡単に組み込むことができず、公表された方法が更なる研究のために再実装されることがしばしばある。
これによりCSEの研究が大幅に遅くなり、結果として時間的損失が大きくなり、その結果公共資金も大幅に減少する。
本稿では,これらの課題に対処し,CSEにおける研究成果の質を向上する計算科学・工学(CSE)のためのRSEワークフローを提案する。
私たちのワークフローは、CSEに適合する確立したソフトウェアエンジニアリングのプラクティス、すなわち、ソフトウェアテスト、結果の可視化、そして、科学出版プロセスにおけるマイルストーンによってタイムドされたレポート/パブリケーションとデータの定期的なクロスリンクを適用します。
このワークフローは、最小限の作業オーバーヘッドを導入し、大学の研究グループにとって不可欠であり、結果を容易に再現できる出版物に関連するモジュール式でテスト済みのソフトウェアを提供する。
我々は、実用的研究者の観点から研究ソフトウェアの品質を定義し、出版物、データ、ソフトウェアを素早く発見し、その結果を迅速に再現し、CSE法を理解し、再利用し、最終的に新しい研究アイデアで手法を拡張した。
関連論文リスト
- MASSW: A New Dataset and Benchmark Tasks for AI-Assisted Scientific Workflows [58.56005277371235]
我々は,Multi-Aspect Summarization of ScientificAspectsに関する総合テキストデータセットであるMASSWを紹介する。
MASSWには過去50年間にわたる17の主要なコンピュータサイエンスカンファレンスから152,000以上の査読論文が含まれている。
我々は、この新しいデータセットを用いてベンチマーク可能な、複数の新しい機械学習タスクを通じて、MASSWの有用性を実証する。
論文 参考訳（メタデータ） (2024-06-10T15:19:09Z) - Managing Software Provenance to Enhance Reproducibility in Computational
Research [1.1421942894219899]
計算に基づく科学研究の管理は、個人の好みと研究の性質に基づいて実験を設計する個々の研究者に委ねられることが多い。
我々は、研究者がトレーサビリティーの明確な記録を提供するための実行環境を明示的に作成することで、計算に基づく科学研究の品質、効率、そして改善できると考えている。
論文 参考訳（メタデータ） (2023-08-29T21:13:18Z) - Using Machine Learning To Identify Software Weaknesses From Software
Requirement Specifications [49.1574468325115]
本研究は、要求仕様からソフトウェア弱点を特定するための効率的な機械学習アルゴリズムを見つけることに焦点を当てる。
ProMISE_exp. Naive Bayes、サポートベクターマシン(SVM)、決定木、ニューラルネットワーク、畳み込みニューラルネットワーク(CNN)アルゴリズムをテストした。
論文 参考訳（メタデータ） (2023-08-10T13:19:10Z) - A Metadata-Based Ecosystem to Improve the FAIRness of Research Software [0.3185506103768896]
研究ソフトの再利用は、研究効率と学術交流の中心である。
DataDescエコシステムは、詳細でマシン操作可能なメタデータを備えたソフトウェアインターフェースのデータモデルを記述するためのアプローチである。
論文 参考訳（メタデータ） (2023-06-18T19:01:08Z) - The Quantum Frontier of Software Engineering: A Systematic Mapping Study [16.93115872272979]
量子ソフトウェアエンジニアリング(QSE)は、開発者が量子プログラムを設計、開発できる新しい分野として登場しつつある。
本稿では,QSE研究の現状に関する系統地図研究について述べる。
論文 参考訳（メタデータ） (2023-05-31T09:26:10Z) - Caching and Reproducibility: Making Data Science experiments faster and
FAIRer [25.91002326340444]
小規模から中規模のデータサイエンス実験は、個々の科学者や小さなチームによってアドホックに開発された研究ソフトウェアに依存していることが多い。
コードの最初の行が書かれる前にも、キャッシュを研究ソフトウェア開発プロセスの不可欠な部分にすることを提案します。
論文 参考訳（メタデータ） (2022-11-08T07:11:02Z) - Towards Automated Process Planning and Mining [77.34726150561087]
我々は、AIとBPM分野の研究者が共同で働く研究プロジェクトについて紹介する。
プロセスモデルを自動的に導出するための総合的な研究課題、研究の関連分野、および総合的な研究枠組みについて論じる。
論文 参考訳（メタデータ） (2022-08-18T16:41:22Z) - Research Trends and Applications of Data Augmentation Algorithms [77.34726150561087]
我々は,データ拡張アルゴリズムの適用分野,使用するアルゴリズムの種類,重要な研究動向,時間経過に伴う研究の進展,およびデータ拡張文学における研究ギャップを同定する。
我々は、読者がデータ拡張の可能性を理解し、将来の研究方向を特定し、データ拡張研究の中で質問を開くことを期待する。
論文 参考訳（メタデータ） (2022-07-18T11:38:32Z) - Artificial Intelligence for IT Operations (AIOPS) Workshop White Paper [50.25428141435537]
AIOps(Artificial Intelligence for IT Operations)は、マシンラーニング、ビッグデータ、ストリーミング分析、IT運用管理の交差点で発生する、新たな学際分野である。
AIOPSワークショップの主な目的は、アカデミアと産業界の両方の研究者が集まり、この分野での経験、成果、作業について発表することです。
論文 参考訳（メタデータ） (2021-01-15T10:43:10Z) - Learnings from Frontier Development Lab and SpaceML -- AI Accelerators
for NASA and ESA [57.06643156253045]
AIとML技術による研究は、しばしば非同期の目標とタイムラインを備えたさまざまな設定で動作します。
我々は、NASAとESAの民間パートナーシップの下で、AIアクセラレータであるFrontier Development Lab(FDL)のケーススタディを実行する。
FDL研究は、AI研究の責任ある開発、実行、普及に基礎を置く原則的な実践に従う。
論文 参考訳（メタデータ） (2020-11-09T21:23:03Z) - Improving Reproducibility in Machine Learning Research (A Report from
the NeurIPS 2019 Reproducibility Program) [43.55295847227261]
再現性は、同じコードとデータ(利用可能であれば)を使用して、論文や講演で示された同様の結果を得る。
2019年、Neural Information Processing Systems(NeurIPS)カンファレンスは、機械学習研究の実施、コミュニケーション、評価に関するコミュニティ全体の標準を改善するために設計されたプログラムを発表した。
本稿では、これらのコンポーネントのそれぞれ、デプロイ方法、このイニシアチブから何を学んだかを説明します。
論文 参考訳（メタデータ） (2020-03-27T02:16:25Z)
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。