論文の概要: Team-related Features in Code Review Prediction Models

• arxiv url: http://arxiv.org/abs/2312.06244v1
• Date: Mon, 11 Dec 2023 09:30:09 GMT
• ステータス: 処理完了
• システム内更新日: 2023-12-12 16:20:00.461404
• Title: Team-related Features in Code Review Prediction Models
• Title（参考訳）: コードレビュー予測モデルにおけるチーム関連機能
• Authors: Eduardo Witter and Ingrid Nunes and Dietmar Jannach
• Abstract要約: コードオーナシップ、ワークロード、チーム関係に関連する機能の予測能力を評価します。 結果から,コードオーナシップに関連する機能が最も優れた予測能力を持つことが示唆された。 提案されたすべての機能とコード行を合わせることで、レビュアーの参加とフィードバックの量の両方に最適な予測ができると結論付けます。
• 参考スコア（独自算出の注目度）: 10.576931077314887
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Modern Code Review (MCR) is an informal tool-assisted quality assurance practice. It relies on the asynchronous communication among the authors of code changes and reviewers, who are developers that provide feedback. However, from candidate developers, some are able to provide better feedback than others given a particular context. The selection of reviewers is thus an important task, which can benefit from automated support. Many approaches have been proposed in this direction, using for example data from code review repositories to recommend reviewers. In this paper, we propose the use of team-related features to improve the performance of predictions that are helpful to build code reviewer recommenders, with our target predictions being the identification of reviewers that would participate in a review and the provided amount of feedback. We evaluate the prediction power of these features, which are related to code ownership, workload, and team relationship. This evaluation was done by carefully addressing challenges imposed by the MCR domain, such as temporal aspects of the dataset and unbalanced classes. Moreover, given that it is currently unknown how much past data is needed for building MCR prediction models with acceptable performance, we explore the amount of past data used to build prediction models. Our results show that, individually, features related to code ownership have the best prediction power. However, based on feature selection, we conclude that all proposed features together with lines of code can make the best predictions for both reviewer participation and amount of feedback. Regarding the amount of past data, the timeframes of 3, 6, 9, and 12 months of data produce similar results. Therefore, models can be trained considering short timeframes, thus reducing the computational costs with negligible impact in the prediction performance ...
• Abstract（参考訳）: Modern Code Review (MCR)は、非公式のツールアシスト品質保証プラクティスである。 フィードバックを提供する開発者であるコード変更とレビュアーの作者間の非同期通信に依存しています。 しかし、候補開発者からは、特定のコンテキストで与えられたものよりも優れたフィードバックを提供できるものもあります。 したがって、レビュアーの選択は、自動サポートの恩恵を受けることができる重要なタスクである。 コードレビューレポジトリのデータを使ってレビュアーを推薦するなど、この方向に多くのアプローチが提案されている。 本稿では、コードレビュアの推薦者構築に役立つ予測性能を向上させるために、チーム関連機能を利用することを提案する。 我々は、コードのオーナシップ、ワークロード、チーム関係に関連するこれらの機能の予測能力を評価する。 この評価は、データセットの時間的側面やバランスの取れていないクラスなど、MCRドメインが課した課題に慎重に対処することで行われた。 さらに,MCR予測モデルの構築にどれだけのデータが必要かは,現在不明であるため,予測モデルの構築に使用される過去のデータ量について検討する。 結果から,コードオーナシップに関連する機能が最も優れた予測能力を有することがわかった。 しかし、機能選択に基づいて、提案するすべての機能とコード行がレビュアーの参加とフィードバックの量の両方に対して最適な予測を行うことができると結論づける。 過去のデータ量については、3, 6, 9, 12ヶ月のデータでも同様の結果が得られる。 したがって、モデルは短い時間枠を考慮して訓練することができ、予測性能に無視できる影響で計算コストを削減できる。

関連論文リスト

• Self-Training with Pseudo-Label Scorer for Aspect Sentiment Quad Prediction [54.23208041792073]
  Aspect Sentiment Quad Prediction (ASQP) は、与えられたレビューに対して全てのクワッド(アスペクト項、アスペクトカテゴリー、意見項、感情極性)を予測することを目的としている。 ASQPタスクにおける重要な課題はラベル付きデータの不足であり、既存のメソッドのパフォーマンスを制限している。 そこで我々は,擬似ラベルスコアラーを用いた自己学習フレームワークを提案し,レビューと擬似ラベルの一致をスコアラーが評価する。
  論文  参考訳（メタデータ） (2024-06-26T05:30:21Z)
• Enhancing Mean-Reverting Time Series Prediction with Gaussian Processes: Functional and Augmented Data Structures in Financial Forecasting [0.0]
  本稿では,ガウス過程(GP)を基礎構造を持つ平均回帰時系列の予測に適用する。 GPは、平均予測だけでなく、将来の軌道上の確率分布全体を予測する可能性を提供する。 これは、不正なボラティリティ評価が資本損失につながる場合、正確な予測だけでは十分でない金融状況において特に有益である。
  論文  参考訳（メタデータ） (2024-02-23T06:09:45Z)
• What Makes a Code Review Useful to OpenDev Developers? An Empirical Investigation [4.061135251278187]
  コードレビューの有効性が少し改善されても、ソフトウェア開発組織にとってかなりの節約が得られます。 本研究の目的は,コードレビューコメントをOSS開発者に有用なものにする方法を,より精細に理解することである。
  論文  参考訳（メタデータ） (2023-02-22T22:48:27Z)
• VisFIS: Visual Feature Importance Supervision with Right-for-the-Right-Reason Objectives [84.48039784446166]
  モデルFI監督は、VQAモデルの精度と、Right-to-the-Right-Reasonメトリクスの性能を有意義に向上させることができることを示す。 我々の最高のパフォーマンス手法であるVisual Feature Importance Supervision (VisFIS)は、ベンチマークVQAデータセットで強いベースラインを上回ります。 説明が妥当で忠実な場合には予測がより正確になる。
  論文  参考訳（メタデータ） (2022-06-22T17:02:01Z)
• A Closer Look at Debiased Temporal Sentence Grounding in Videos: Dataset, Metric, and Approach [53.727460222955266]
  テンポラル・センテンス・グラウンディング・イン・ビデオ(TSGV)は、未編集のビデオに自然言語文を埋め込むことを目的としている。 最近の研究では、現在のベンチマークデータセットには明らかなモーメントアノテーションバイアスがあることが判明している。 偏りのあるデータセットによる膨らませ評価を緩和するため、基礎的リコールスコアを割引する新しい評価基準「dR@n,IoU@m」を導入する。
  論文  参考訳（メタデータ） (2022-03-10T08:58:18Z)
• Using Large-scale Heterogeneous Graph Representation Learning for Code Review Recommendations [7.260832843615661]
  我々は、レビュアーレコメンデーションのための新しいアプローチであるCoRALを提示する。 私たちは、リッチなエンティティセットから構築された社会技術的グラフを使用します。 我々は,コラルがレビュアー選択のマニュアル履歴を極めてうまくモデル化できることを示した。
  論文  参考訳（メタデータ） (2022-02-04T20:58:54Z)
• Test-time Collective Prediction [73.74982509510961]
  マシンラーニングの複数のパーティは、将来のテストポイントを共同で予測したいと考えています。 エージェントは、すべてのエージェントの集合の集合的な専門知識の恩恵を受けることを望んでいるが、データやモデルパラメータを解放する意思はないかもしれない。 我々は、各エージェントの事前学習モデルを利用して、テスト時に集合的な予測を行う分散型メカニズムを探索する。
  論文  参考訳（メタデータ） (2021-06-22T18:29:58Z)
• Injecting Knowledge in Data-driven Vehicle Trajectory Predictors [82.91398970736391]
  車両軌道予測タスクは、一般的に知識駆動とデータ駆動の2つの視点から取り組まれている。 本稿では,これら2つの視点を効果的に結合する「現実的残留ブロック」 (RRB) の学習を提案する。 提案手法は,残留範囲を限定し,その不確実性を考慮した現実的な予測を行う。
  論文  参考訳（メタデータ） (2021-03-08T16:03:09Z)
• E-commerce Query-based Generation based on User Review [1.484852576248587]
  本稿では,従来のユーザによるレビューに基づいて,ユーザの質問に対する回答を生成するための新しいセク2seqベースのテキスト生成モデルを提案する。 ユーザの質問や感情の極性が与えられた場合,関心事の側面を抽出し,過去のユーザレビューを要約した回答を生成する。
  論文  参考訳（メタデータ） (2020-11-11T04:58:31Z)
• Value-driven Hindsight Modelling [68.658900923595]
  値推定は強化学習(RL)パラダイムの重要な構成要素である。 モデル学習は、観測系列に存在する豊富な遷移構造を利用することができるが、このアプローチは通常、報酬関数に敏感ではない。 この2つの極点の間に位置するRLにおける表現学習のアプローチを開発する。 これにより、タスクに直接関連し、値関数の学習を加速できる、抽出可能な予測ターゲットが提供される。
  論文  参考訳（メタデータ） (2020-02-19T18:10:20Z)

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。