論文の概要: Mining Issue Trackers: Concepts and Techniques

• arxiv url: http://arxiv.org/abs/2403.05716v1
• Date: Fri, 8 Mar 2024 23:02:41 GMT
• ステータス: 処理完了
• システム内更新日: 2024-03-13 12:39:31.727068
• Title: Mining Issue Trackers: Concepts and Techniques
• Title（参考訳）: 鉱業問題追跡装置:概念と技術
• Authors: Lloyd Montgomery and Clara L\"uders and Walid Maalej
• Abstract要約: 内外の利害関係者は「問題」を報告し、管理し、議論する 課題追跡ツールは、組織がユーザと対話し、ソフトウェア開発ライフサイクルのさまざまな側面を管理するために使用するソフトウェアツールである。 この章では、問題データをアルゴリズムで分析する4つの主要なユースケースについて論じる。
• 参考スコア（独自算出の注目度）: 7.863638253070439
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: An issue tracker is a software tool used by organisations to interact with users and manage various aspects of the software development lifecycle. With the rise of agile methodologies, issue trackers have become popular in open and closed-source settings alike. Internal and external stakeholders report, manage, and discuss "issues", which represent different information such as requirements and maintenance tasks. Issue trackers can quickly become complex ecosystems, with dozens of projects, hundreds of users, thousands of issues, and often millions of issue evolutions. Finding and understanding the relevant issues for the task at hand and keeping an overview becomes difficult with time. Moreover, managing issue workflows for diverse projects becomes more difficult as organisations grow, and more stakeholders get involved. To help address these difficulties, software and requirements engineering research have suggested automated techniques based on mining issue tracking data. Given the vast amount of textual data in issue trackers, many of these techniques leverage natural language processing. This chapter discusses four major use cases for algorithmically analysing issue data to assist stakeholders with the complexity and heterogeneity of information in issue trackers. The chapter is accompanied by a follow-along demonstration package with JupyterNotebooks.
• Abstract（参考訳）: 課題追跡ツールは、組織がユーザと対話し、ソフトウェア開発ライフサイクルのさまざまな側面を管理するために使用するソフトウェアツールである。 アジャイル方法論の台頭に伴い、イシュートラッカはオープンソースやクローズドソースの設定でも人気が高まっている。 内部および外部ステークホルダーは、要求やメンテナンスタスクなどの異なる情報を表す「問題」を報告し、管理し、議論する。 問題トラッカーはすぐに複雑なエコシステムになり、数十のプロジェクト、数百のユーザ、数千のイシュー、そしてしばしば数百万のイシュー進化がある。 タスクに関連する問題を見つけて理解し、概要を維持することは、時間とともに難しくなります。 さらに、さまざまなプロジェクトのイシューワークフローの管理は、組織が成長するにつれて難しくなり、利害関係者が増えます。 これらの問題に対処するために、ソフトウェアと要求工学の研究は、マイニング問題追跡データに基づく自動化技術を提案する。 問題トラッカーにおける大量のテキストデータを考えると、これらの技術の多くは自然言語処理を利用している。 本章では,イシュートラッカにおける情報の複雑さと多様性を利害関係者に支援するために,イシューデータをアルゴリズム解析するための4つの主要なユースケースについて論じる。 章には、jupyternotebooksの続くデモパッケージが付属している。

関連論文リスト

• An Empirical Investigation on the Challenges in Scientific Workflow Systems Development [2.704899832646869]
  この記事では、Stack Overflow(SO)とGitHubにおける開発者と研究者のインタラクションについて検討する。 問題を分析することで、13のトピック(例えば、エラーとバグ修正、ドキュメント、依存性)を特定し、データ構造と操作が最も難しいことを発見した。 また、データ構造や操作、タスク管理、ワークフロースケジューリングといった、SOとGitHubの共通するトピックも見つけました。
  論文  参考訳（メタデータ） (2024-11-16T21:14:11Z)
• GEMS: Generative Expert Metric System through Iterative Prompt Priming [18.0413505095456]
  非専門家は、効果的な測度を作成したり、理論を文脈特異的なメトリクスに変換するのが直感的ではないと考えることができる。 この技術的レポートは、大規模ソフトウェア企業内のソフトウェアコミュニティを調べることで、この問題に対処する。 本稿では,ニューラルアクティビティにインスパイアされたプロンプトエンジニアリングフレームワークを提案し,生成モデルが理論を抽出し,要約できることを実証する。
  論文  参考訳（メタデータ） (2024-10-01T17:14:54Z)
• Visual Analysis of GitHub Issues to Gain Insights [2.9051263101214566]
  本稿では,課題タイムラインに関する洞察を提供するために,可視化を生成するプロトタイプWebアプリケーションを提案する。 問題のライフサイクルに焦点をあて、ユーザによる開発パターンの理解を高めるために重要な情報を記述する。
  論文  参考訳（メタデータ） (2024-07-30T15:17:57Z)
• Understanding the Challenges of Deploying Live-Traceability Solutions [45.235173351109374]
  SAFA.aiは、ほぼリアルタイムな環境で自動トレーサビリティを提供する、プロジェクト固有モデルを微調整するスタートアップである。 本稿では,ソフトウェアトレーサビリティを商業化する上での課題について述べる。
  論文  参考訳（メタデータ） (2023-06-19T14:34:16Z)
• The GitHub Development Workflow Automation Ecosystems [47.818229204130596]
  大規模なソフトウェア開発は、非常に協力的な取り組みになっています。 この章では、開発ボットとGitHub Actionsのエコシステムについて解説する。 この領域における最先端技術に関する広範な調査を提供する。
  論文  参考訳（メタデータ） (2023-05-08T15:24:23Z)
• AI for IT Operations (AIOps) on Cloud Platforms: Reviews, Opportunities and Challenges [60.56413461109281]
  IT運用のための人工知能(AIOps)は、AIのパワーとIT運用プロセスが生成するビッグデータを組み合わせることを目的としている。 我々は、IT運用活動が発信する重要なデータの種類、分析における規模と課題、そしてどのように役立つかについて深く議論する。 主要なAIOpsタスクは、インシデント検出、障害予測、根本原因分析、自動アクションに分類します。
  論文  参考訳（メタデータ） (2023-04-10T15:38:12Z)
• Automotive Perception Software Development: An Empirical Investigation into Data, Annotation, and Ecosystem Challenges [10.649193588119985]
  機械学習アルゴリズムを含むソフトウェアは、自動車認識の不可欠な部分である。 このようなソフトウェアの開発、特に機械学習コンポーネントのトレーニングと検証には、大きな注釈付きデータセットが必要である。 データとアノテーションサービスの業界が出現し、このようなデータ集約型の自動車ソフトウェアコンポーネントの開発に役立っている。
  論文  参考訳（メタデータ） (2023-03-10T14:29:06Z)
• A Transformer Framework for Data Fusion and Multi-Task Learning in Smart Cities [99.56635097352628]
  本稿では,新興スマートシティを対象としたトランスフォーマーベースのAIシステムを提案する。 ほぼ全ての入力データと出力タスクタイプをサポートし、現在のS&CCをサポートする。 S&CC環境を代表する多様なタスクセットを学習して実演する。
  論文  参考訳（メタデータ） (2022-11-18T20:43:09Z)
• Competency Problems: On Finding and Removing Artifacts in Language Data [50.09608320112584]
  複雑な言語理解タスクでは、すべての単純な特徴相関が突発的であると論じる。 人間バイアスを考慮したコンピテンシー問題に対するデータ作成の難しさを理論的に分析します。
  論文  参考訳（メタデータ） (2021-04-17T21:34:10Z)
• Constraint Programming Algorithms for Route Planning Exploiting Geometrical Information [91.3755431537592]
  本稿では,経路計画問題に対する新しいアルゴリズムの開発に関する現在の研究動向について概説する。 これまでの研究は、特にユークリッド旅行セールスパーソン問題(ユークリッドTSP)に焦点を当ててきた。 目的は、将来ユークリッド自動車問題(ユークリッドVRP)など、同じカテゴリーの他の問題にも得られる結果を活用することである。
  論文  参考訳（メタデータ） (2020-09-22T00:51:45Z)
• Understanding What Software Engineers Are Working on -- The Work-Item Prediction Challenge [0.0]
  ソフトウェアエンジニア(開発者、インシデント対応者、プロダクションエンジニアなど)が何に取り組んでいるのかを理解することは、難しい問題です。 本稿では,代表的シナリオを前提として,それに対応する「ワーク・イテム予測問題」について説明する。
  論文  参考訳（メタデータ） (2020-04-13T19:59:36Z)

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。