論文の概要: Effect of Requirements Analyst Experience on Elicitation Effectiveness: A Family of Empirical Studies
- arxiv url: http://arxiv.org/abs/2408.12538v1
- Date: Thu, 22 Aug 2024 16:48:04 GMT
- ステータス: 処理完了
- システム内更新日: 2024-08-23 13:02:30.297594
- Title: Effect of Requirements Analyst Experience on Elicitation Effectiveness: A Family of Empirical Studies
- Title（参考訳）: 要求分析が省エネ効果に及ぼす影響:実証研究の一家系
- Authors: Alejandrina M. Aranda, Oscar Dieste, Jose I. Panach, Natalia Juristo,
- Abstract要約: 本研究の目的は,経験が要求アナリストのパフォーマンスに影響を及ぼすかどうかを判断することであった。
不慣れな領域では、インタビュー、要求、開発、専門的な経験はアナリストの有効性に影響を与えない。
面接経験は肯定的な効果が強いのに対し、プロの体験は中程度の否定的な効果がある。
- 参考スコア（独自算出の注目度）: 40.186975773919706
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Context. Nowadays there is a great deal of uncertainty surrounding the effects of experience on Requirements Engineering (RE). There is a widespread idea that experience improves analyst performance. However, there are empirical studies that demonstrate the exact opposite. Aim. Determine whether experience influences requirements analyst performance. Method. Quasi-experiments run with students and professionals. The experimental task was to elicit requirements using the open interview technique immediately followed by the consolidation of the elicited information in domains with which the analysts were and were not familiar. Results. In unfamiliar domains, interview, requirements, development, and professional experience does not influence analyst effectiveness. In familiar domains, effectiveness varies depending on the type of experience. Interview experience has a strong positive effect, whereas professional experience has a moderate negative effect. Requirements experience appears to have a moderately positive effect; however, the statistical power of the analysis is insufficient to be able to confirm this point. Development experience has no effect either way. Conclusion. Experience effects analyst effectiveness differently depending on the problem domain type (familiar, unfamiliar). Generally, experience does not account for all the observed variability, which means there are other influential factors.
- Abstract（参考訳）: コンテキスト。
今日では、要件工学(RE)に対する経験の影響を取り巻く不確実性が非常に大きい。
経験によってアナリストのパフォーマンスが向上するという考えが広まっています。
しかし、正反対の実証的な研究もある。
エイム。
エクスペリエンスが要求アナリストのパフォーマンスに影響を及ぼすかどうかを決定する。
方法。
準実験は学生や専門家と共に行われる。
実験課題は,公開面接手法を用いて要求事項を抽出し,その後,アナリストがよく知らない領域における求人情報の統合を行うことであった。
結果。
不慣れな領域では、インタビュー、要求、開発、専門的な経験はアナリストの有効性に影響を与えない。
慣れ親しんだドメインでは、有効性は経験の種類によって異なる。
面接経験は肯定的な効果が強いのに対し、プロの体験は中程度の否定的な効果がある。
要求経験は適度に肯定的な効果があるように見えるが、解析の統計的パワーは、この点を確認するには不十分である。
開発経験はいずれの方法も影響しない。
結論。
経験効果分析は、問題領域のタイプ(慣れ親しみ親しみ親しみ親しみ親しみ親しみ親しみ親しみ親しみ親しみ親しみ親しみ親しみ親しみ親しみ親しみ親しみ親しみ親しみ親しむ。
一般的に、経験は観察されるすべての変数を考慮しない。
関連論文リスト
- Impact of Usability Mechanisms: A Family of Experiments on Efficiency, Effectiveness and User Satisfaction [0.5419296578793327]
ベースライン実験における結果の精度と一般化を高めるために、3つの実験のファミリーを用いる。
システムのユーザビリティは, 効率, 有効性, ユーザ満足度に関して大きく向上していると考えられる。
論文 参考訳（メタデータ） (2024-08-22T21:23:18Z) - Contexts Matter: An Empirical Study on Contextual Influence in Fairness Testing for Deep Learning Systems [3.077531983369872]
さまざまなコンテキストが公平性テストの結果にどのように影響するかを理解することを目的としている。
私たちの結果は、異なるコンテキストタイプと設定が一般的にテストに重大な影響を与えることを示しています。
論文 参考訳（メタデータ） (2024-08-12T12:36:06Z) - Defining Expertise: Applications to Treatment Effect Estimation [58.7977683502207]
専門知識(特にドメインの意思決定者が持つであろう専門知識の種類)は、治療効果の推定方法の設計と選択において有益である、と我々は主張する。
予測的および予測的2種類の専門知識を定義し,(i)ドメインにおける顕著な専門知識のタイプが治療効果推定における異なる手法の性能に大きく影響し,(ii)データセットに存在する専門知識のタイプを予測することが可能であることを実証的に示す。
論文 参考訳（メタデータ） (2024-03-01T17:30:49Z) - Hazards in Deep Learning Testing: Prevalence, Impact and Recommendations [17.824339932321788]
実験結果に有意な影響を及ぼす可能性のある10種類の経験的評価危険因子を同定した。
以上の結果から,10件のハザードが実験結果の無効化につながる可能性が示唆された。
危険を緩和する可能性を持つ10の優れた経験的実践のポイントセットを提案する。
論文 参考訳（メタデータ） (2023-09-11T11:05:34Z) - A Pretrainer's Guide to Training Data: Measuring the Effects of Data
Age, Domain Coverage, Quality, & Toxicity [84.6421260559093]
この研究は、テキスト事前学習に関する文書化されていない直観を検証、定量化、公開するための最大の実験である。
以上の結果から,トレーニングデータをフィルタリングする一大ソリューションが存在しないことが示唆された。
論文 参考訳（メタデータ） (2023-05-22T15:57:53Z) - Which Experiences Are Influential for Your Agent? Policy Iteration with
Turn-over Dropout [15.856188608650228]
本稿では,ターンオーバードロップアウトを利用して,経験の影響を効率的に推定する政策イテレーションとしてPI+ToDを提案する。
We demonstrate the efficiency of PI+ToD with experiment in MuJoCo environment。
論文 参考訳（メタデータ） (2023-01-26T15:13:04Z) - Fair Effect Attribution in Parallel Online Experiments [57.13281584606437]
A/Bテストは、オンラインサービスで導入された変更の影響を確実に特定する目的で役立ちます。
オンラインプラットフォームでは,ユーザトラフィックをランダムに分割して多数の同時実験を行うのが一般的である。
異なるグループ間の完全なランダム化にもかかわらず、同時実験は互いに相互作用し、平均的な集団の結果に負の影響をもたらす。
論文 参考訳（メタデータ） (2022-10-15T17:15:51Z) - What's the Harm? Sharp Bounds on the Fraction Negatively Affected by
Treatment [58.442274475425144]
我々は,これらの関数がどの程度の速さで学習されたかに関わらず,効率の良い頑健な推論アルゴリズムを開発した。
シミュレーション研究および失業者のキャリアカウンセリングのケーススタディにおいて,本手法を実証する。
論文 参考訳（メタデータ） (2022-05-20T17:36:33Z) - Black Magic in Deep Learning: How Human Skill Impacts Network Training [24.802914836352738]
経験の異なる31名の被験者を対象に,初回調査を行った。
その結果,参加者の経験と最終成績との間には強い正の相関が認められた。
論文 参考訳（メタデータ） (2020-08-13T15:56:14Z) - Learning "What-if" Explanations for Sequential Decision-Making [92.8311073739295]
実世界の意思決定の解釈可能なパラメータ化を実証行動に基づいて構築することが不可欠である。
そこで我々は,「何」の結果に対する嗜好の観点から,報酬関数をモデル化し,専門家による意思決定の学習的説明を提案する。
本研究は,行動の正確かつ解釈可能な記述を回復する上で,実効的逆強化学習手法であるバッチの有効性を強調した。
論文 参考訳（メタデータ） (2020-07-02T14:24:17Z)
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。