論文の概要: A Progression Model of Software Engineering Goals, Challenges, and
Practices in Start-Ups
- arxiv url: http://arxiv.org/abs/2312.07106v1
- Date: Tue, 12 Dec 2023 09:36:43 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-13 16:51:25.516544
- Title: A Progression Model of Software Engineering Goals, Challenges, and
Practices in Start-Ups
- Title（参考訳）: スタートアップにおけるソフトウェア工学的目標,課題,実践の進展モデル
- Authors: Eriks Klotins, Michael Unterkalmsteiner, Panagiota Chatzipetrou, Tony
Gorschek, Rafael Prikladnicki, Nirnaya Tripathi, Leandro Bento Pompermaier
- Abstract要約: スタートアップ企業におけるエンジニアリングの目標、課題、プラクティスに関連するデータ収集を目指しています。
84のスタートアップケースを分析し、スタートアップに共通する16の目標、9の課題、16のエンジニアリングプラクティスを特定します。
- 参考スコア（独自算出の注目度）: 5.664445343364966
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Context: Software start-ups are emerging as suppliers of innovation and
software-intensive products. However, traditional software engineering
practices are not evaluated in the context, nor adopted to goals and challenges
of start-ups. As a result, there is insufficient support for software
engineering in the start-up context. Objective: We aim to collect data related
to engineering goals, challenges, and practices in start-up companies to
ascertain trends and patterns characterizing engineering work in start-ups.
Such data allows researchers to understand better how goals and challenges are
related to practices. This understanding can then inform future studies aimed
at designing solutions addressing those goals and challenges. Besides, these
trends and patterns can be useful for practitioners to make more informed
decisions in their engineering practice. Method: We use a case survey method to
gather first-hand, in-depth experiences from a large sample of software
start-ups. We use open coding and cross-case analysis to describe and identify
patterns, and corroborate the findings with statistical analysis. Results: We
analyze 84 start-up cases and identify 16 goals, 9 challenges, and 16
engineering practices that are common among start-ups. We have mapped these
goals, challenges, and practices to start-up life-cycle stages (inception,
stabilization, growth, and maturity). Thus, creating the progression model
guiding software engineering efforts in start-ups. Conclusions: We conclude
that start-ups to a large extent face the same challenges and use the same
practices as established companies. However, the primary software engineering
challenge in start-ups is to evolve multiple process areas at once, with a
little margin for serious errors.
- Abstract（参考訳）: コンテキスト: ソフトウェアスタートアップは、イノベーションとソフトウェア集約製品のサプライヤーとして現れています。
しかし、従来のソフトウェアエンジニアリングのプラクティスは、文脈では評価されず、スタートアップの目標や課題にも適用されない。
その結果、スタートアップのコンテキストでは、ソフトウェアエンジニアリングに対するサポートが不十分です。
目標: スタートアップ企業におけるエンジニアリングの目標、課題、プラクティスに関するデータを収集し、スタートアップにおけるエンジニアリングの作業を特徴付けるトレンドやパターンを確認します。
このようなデータにより、研究者は目標と課題がプラクティスとどのように関係しているかをよりよく理解することができる。
この理解は、これらの目標と課題に対処するソリューションの設計を目的とした将来の研究を知らせる。
さらに、これらの傾向とパターンは、エンジニアリングプラクティスにおいてよりインフォームドな決定を下すのに役立ちます。
方法: ケースサーベイ手法を用いて,ソフトウェアスタートアップの大規模なサンプルから,手作業で詳細な経験を収集する。
オープンコーディングとクロスケース解析を用いてパターンを記述・同定し,統計的解析により相関する。
結果: 84のスタートアップケースを分析し,スタートアップに共通する16の目標,9の課題,16のエンジニアリングプラクティスを特定します。
私たちはこれらの目標、課題、プラクティスをライフサイクルステージ(開始、安定化、成長、成熟)にマップしました。
したがって、スタートアップにおけるソフトウェアエンジニアリングの取り組みを導く進歩モデルの作成。
結論: スタートアップはある程度同じ課題に直面し、既存の企業と同じプラクティスを実践していると結論づける。
しかし、スタートアップにおけるソフトウェアエンジニアリングの主な課題は、複数のプロセス領域を一度に進化させることであり、重大なエラーには多少の差がある。
関連論文リスト
- Data Analysis in the Era of Generative AI [56.44807642944589]
本稿では,AIを活用したデータ分析ツールの可能性について考察する。
我々は、大規模言語とマルチモーダルモデルの出現が、データ分析ワークフローの様々な段階を強化する新しい機会を提供する方法について検討する。
次に、直感的なインタラクションを促進し、ユーザ信頼を構築し、AI支援分析ワークフローを複数のアプリにわたって合理化するための、人間中心の設計原則を調べます。
論文 参考訳（メタデータ） (2024-09-27T06:31:03Z) - Charting a Path to Efficient Onboarding: The Role of Software
Visualization [49.1574468325115]
本研究は,ソフトウェアビジュアライゼーションツールを用いたマネージャ,リーダ,開発者の親しみやすさを探求することを目的としている。
本手法は, 質問紙調査と半構造化面接を用いて, 実践者から収集したデータの量的, 質的分析を取り入れた。
論文 参考訳（メタデータ） (2024-01-17T21:30:45Z) - Software engineering in start-up companies: An analysis of 88 experience
reports [3.944126365759018]
本研究は,ソフトウェア工学がスタートアップ・コンテキストにどのように応用されるかを検討する。
私たちは、最も頻繁に報告されているソフトウェアエンジニアリング(要求エンジニアリング、ソフトウェア設計、品質)とビジネスの側面(ビジョンと戦略開発)の知識領域を特定します。
スタートアップにおけるほとんどのエンジニアリング上の課題は、要件エンジニアリングの不整合に起因している、と結論付けます。
論文 参考訳（メタデータ） (2023-11-20T19:42:37Z) - Software-Intensive Product Engineering in Start-Ups: A Taxonomy [3.944126365759018]
ソフトウェアスタートアップは、最小限のリソースで急速に大衆市場に向けて革新的なプロダクトをローンチする新しい企業だ。
しかし、ほとんどのスタートアップはポテンシャルに気づく前に失敗する。
本稿は、この分野のさらなる研究を支援し、スタートアップのためのエンジニアリング意思決定支援ツールとして機能することを目的としている。
論文 参考訳（メタデータ） (2023-09-28T18:42:56Z) - Software Startups -- A Research Agenda [14.364137253888037]
本研究の課題は,スタートアップにおけるソフトウェア工学に焦点をあてる。
スタートアップのエンジニアリング活動を支援する分野では、特に70以上の研究課題が特定されている。
このリサーチアジェンダでは、ソフトウェアスタートアップの現在のニーズの幅広い範囲をカバーできると考えています。
論文 参考訳（メタデータ） (2023-08-24T14:20:21Z) - Software Engineering Knowledge Areas in Startup Companies: A Mapping
Study [3.944126365759018]
この研究は、スタートアップが最先端の技術をマップアウトするために利用するソフトウェア工学の知識領域を特定し、分類する。
これまでの研究では、スタートアップライフサイクルのどのフェーズにおいても、ソフトウェアエンジニアリングに対する信頼できるサポートを提供していません。
論文 参考訳（メタデータ） (2023-08-15T08:26:02Z) - Software development in startup companies: A systematic mapping study [4.881718571745022]
本研究の目的は,スタートアップ企業におけるソフトウェア開発の文献の構造と分析である。
43の初等的な研究が同定され、スタートアップにおけるソフトウェア開発に関する証拠を合成した。
レビューされた初等研究から,213のソフトウェアエンジニアリング作業プラクティスを抽出し,分類し,分析した。
論文 参考訳（メタデータ） (2023-07-24T19:49:57Z) - 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) - Towards Machine Learning for Placement and Routing in Chip Design: a
Methodological Overview [72.79089075263985]
配置とルーティングは、現代のチップ設計フローにおいて必須かつ困難な2つのタスクである。
機械学習は、そのデータ駆動性によって有望な見通しを示しており、知識や事前への依存度は低い。
論文 参考訳（メタデータ） (2022-02-28T06:28:44Z) - Empowered and Embedded: Ethics and Agile Processes [60.63670249088117]
私たちは倫理的考慮事項を(アジャイル)ソフトウェア開発プロセスに組み込む必要があると論じています。
私たちは、すでに存在しており、確立されたアジャイルソフトウェア開発プロセスで倫理的な議論を実施する可能性を強調しました。
論文 参考訳（メタデータ） (2021-07-15T11:14:03Z) - Machine Learning for Software Engineering: A Systematic Mapping [73.30245214374027]
ソフトウェア開発業界は、現代のソフトウェアシステムを高度にインテリジェントで自己学習システムに移行するために、機械学習を急速に採用している。
ソフトウェアエンジニアリングライフサイクルの段階にわたって機械学習の採用について、現状を探求する包括的な研究は存在しない。
本研究は,機械学習によるソフトウェア工学(MLSE)分類を,ソフトウェア工学ライフサイクルのさまざまな段階に適用性に応じて,最先端の機械学習技術に分類するものである。
論文 参考訳（メタデータ） (2020-05-27T11:56:56Z)
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。