論文の概要: A Second Look at the Impact of Passive Voice Requirements on Domain Modeling: Bayesian Reanalysis of an Experiment

• arxiv url: http://arxiv.org/abs/2402.10800v1
• Date: Fri, 16 Feb 2024 16:24:00 GMT
• ステータス: 処理完了
• システム内更新日: 2024-02-19 15:17:21.984914
• Title: A Second Look at the Impact of Passive Voice Requirements on Domain Modeling: Bayesian Reanalysis of an Experiment
• Title（参考訳）: パッシブ音声がドメイン・モデリングに与える影響に関する第二の考察:ベイズ・リアナリシスによる実験
• Authors: Julian Frattini, Davide Fucci, Richard Torkar, Daniel Mendez
• Abstract要約: 我々は、受動音声がその後のドメイン・モデリング活動に与える影響について、唯一知られている制御実験を再分析する。 その結果, 原作者の観察した影響は, 以前考えられていたよりも遥かに少ないことがわかった。
• 参考スコア（独自算出の注目度）: 4.649794383775257
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The quality of requirements specifications may impact subsequent, dependent software engineering (SE) activities. However, empirical evidence of this impact remains scarce and too often superficial as studies abstract from the phenomena under investigation too much. Two of these abstractions are caused by the lack of frameworks for causal inference and frequentist methods which reduce complex data to binary results. In this study, we aim to demonstrate (1) the use of a causal framework and (2) contrast frequentist methods with more sophisticated Bayesian statistics for causal inference. To this end, we reanalyze the only known controlled experiment investigating the impact of passive voice on the subsequent activity of domain modeling. We follow a framework for statistical causal inference and employ Bayesian data analysis methods to re-investigate the hypotheses of the original study. Our results reveal that the effects observed by the original authors turned out to be much less significant than previously assumed. This study supports the recent call to action in SE research to adopt Bayesian data analysis, including causal frameworks and Bayesian statistics, for more sophisticated causal inference.
• Abstract（参考訳）: 要求仕様の品質は、後続の、依存するソフトウェアエンジニアリング(se)活動に影響を及ぼす可能性がある。 しかし、この影響の実証的な証拠は、調査中の現象から抽象的な研究があまりにも多く、表面的すぎる。 これら2つの抽象化は、因果推論のためのフレームワークの欠如と、複雑なデータをバイナリ結果に還元する頻繁なメソッドによって引き起こされる。 本研究では,(1)因果フレームワークの利用,(2)因果推論のためのより洗練されたベイズ統計量を持つ対比頻度主義手法の実証を目的とする。 そこで本研究では,受動音声がその後のドメイン・モデリング活動に与える影響について,唯一知られている制御実験を再検討する。 統計的因果推論の枠組みに従い,ベイズデータ解析法を用いて,本研究の仮説を再検討する。 その結果, 原作者の観察した影響は, 以前考えられていたよりも遥かに少ないことがわかった。 この研究は、より洗練された因果推論のために因果フレームワークやベイズ統計を含むベイズデータ分析を採用するため、se研究における最近の行動要求を支援する。

関連論文リスト

• Causal Fine-Tuning and Effect Calibration of Non-Causal Predictive Models [1.3124513975412255]
  本稿では,無作為な実験データを用いた因果推論のための非因果モデルの性能向上手法を提案する。 広告、顧客の保持、精密医療のような領域では、介入なしの結果を予測する非因果モデルはしばしば、介入の期待された効果に応じて個人をスコアしランク付けするために使用される。
  論文  参考訳（メタデータ） (2024-06-13T20:18:16Z)
• Identifiable Latent Polynomial Causal Models Through the Lens of Change [82.14087963690561]
  因果表現学習は、観測された低レベルデータから潜在的な高レベル因果表現を明らかにすることを目的としている。 主な課題の1つは、識別可能性(identifiability)として知られるこれらの潜伏因果モデルを特定する信頼性の高い保証を提供することである。
  論文  参考訳（メタデータ） (2023-10-24T07:46:10Z)
• Advancing Counterfactual Inference through Nonlinear Quantile Regression [77.28323341329461]
  ニューラルネットワークで実装された効率的かつ効果的な対実的推論のためのフレームワークを提案する。 提案手法は、推定された反事実結果から見つからないデータまでを一般化する能力を高める。 複数のデータセットで実施した実証実験の結果は、我々の理論的な主張に対する説得力のある支持を提供する。
  論文  参考訳（メタデータ） (2023-06-09T08:30:51Z)
• A Causal Framework for Decomposing Spurious Variations [68.12191782657437]
  我々はマルコフモデルとセミマルコフモデルの急激な変分を分解するツールを開発する。 突発効果の非パラメトリック分解を可能にする最初の結果を証明する。 説明可能なAIや公平なAIから、疫学や医学における疑問まで、いくつかの応用がある。
  論文  参考訳（メタデータ） (2023-06-08T09:40:28Z)
• An evaluation framework for comparing causal inference models [3.1372269816123994]
  提案手法を用いて、いくつかの最先端因果効果推定モデルを比較した。 このアプローチの背後にある主な動機は、少数のインスタンスやシミュレーションがベンチマークプロセスに与える影響を取り除くことである。
  論文  参考訳（メタデータ） (2022-08-31T21:04:20Z)
• Valid Inference After Causal Discovery [73.87055989355737]
  我々は、因果関係発見後の推論に有効なツールを開発する。 因果発見とその後の推論アルゴリズムの組み合わせは,高度に膨らんだ誤発見率をもたらすことを示す。
  論文  参考訳（メタデータ） (2022-08-11T17:40:45Z)
• Active Bayesian Causal Inference [72.70593653185078]
  因果発見と推論を統合するための完全ベイズ能動学習フレームワークであるアクティブベイズ因果推論(ABCI)を提案する。 ABCIは因果関係のモデルと関心のクエリを共同で推論する。 我々のアプローチは、完全な因果グラフの学習のみに焦点を当てた、いくつかのベースラインよりも、よりデータ効率が高いことを示す。
  論文  参考訳（メタデータ） (2022-06-04T22:38:57Z)
• Causal Identification with Additive Noise Models: Quantifying the Effect of Noise [5.037636944933989]
  本研究では,異なる雑音レベルが付加雑音モデルに及ぼす影響について検討し,因果関係の方向を同定する。 加法雑音のレベルが原因雑音の1%から10000%に徐々に変化するような網羅的な範囲のモデルを用いる。 実験の結果,ANMs法はある種のノイズに対して真の因果方向を捉えることができないことがわかった。
  論文  参考訳（メタデータ） (2021-10-15T13:28:33Z)
• A Survey on Causal Inference [64.45536158710014]
  因果推論は統計学、コンピュータ科学、教育、公共政策、経済学など、多くの分野において重要な研究トピックである。 観測データに対する様々な因果効果推定法が誕生した。
  論文  参考訳（メタデータ） (2020-02-05T21:35:29Z)

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。