論文の概要: "So Am I Dr. Frankenstein? Or Were You a Monster the Whole Time?": Mitigating Software Project Failure With Loss-Aversion-Aware Development Methodologies
- arxiv url: http://arxiv.org/abs/2410.20696v1
- Date: Mon, 28 Oct 2024 02:57:17 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-10-29 12:14:58.149537
- Title: "So Am I Dr. Frankenstein? Or Were You a Monster the Whole Time?": Mitigating Software Project Failure With Loss-Aversion-Aware Development Methodologies
- Title(参考訳): 「私はフランケンシュタイン博士か、それとも全時間モンスターか?」: ソフトウェアプロジェクトの失敗をロス・アバージョン・アウェアな開発手法で軽減する
- Authors: Junade Ali,
- Abstract要約: 英国と米国における600人のソフトウェアエンジニアの経験について、プロジェクト成功の経験について調査している。
経験的評価では、開発の開始前に明確な要件を保証するようなアプローチは、損失回避率が最低で、プロジェクトの成功率が97%に相関している。
- 参考スコア(独自算出の注目度): 0.3626013617212666
- License:
- Abstract: Case studies have shown that software disasters snowball from technical issues to catastrophes through humans covering up problems rather than addressing them and empirical research has found the psychological safety of software engineers to discuss and address problems to be foundational to improving project success. However, the failure to do so can be attributed to psychological factors like loss aversion. We conduct a large-scale study of the experiences of 600 software engineers in the UK and USA on project success experiences. Empirical evaluation finds that approaches like ensuring clear requirements before the start of development, when loss aversion is at its lowest, correlated to 97\% higher project success. The freedom of software engineers to discuss and address problems correlates with 87\% higher success rates. The findings support the development of software development methodologies with a greater focus on human factors in preventing failure.
- Abstract(参考訳): ケーススタディでは、ソフトウェアが技術的問題から人による破滅まで雪だるまに対処するのではなく、問題を覆い隠すという破滅が示されており、経験的な研究により、ソフトウェア技術者が議論し、プロジェクトの成功を改善するための基礎となる問題に対処する際の心理的安全性が明らかになった。
しかし、そのような失敗は、損失回避のような心理的要因に起因する可能性がある。
我々は,英国と米国における600人のソフトウェアエンジニアの経験を大規模に調査し,プロジェクト成功の経験について考察する。
経験的評価では、開発開始前の明確な要件の確保のようなアプローチは、損失回避率が最低で、プロジェクトの成功率が99%に相関している。
ソフトウェアエンジニアが問題について議論し、対処する自由は、87 %の成功率と相関する。
この発見は、ヒューマンファクターに重点を置き、失敗を防ぐソフトウェア開発方法論の開発を支援する。
関連論文リスト
- Seeker: Towards Exception Safety Code Generation with Intermediate Language Agents Framework [58.36391985790157]
現実世界のソフトウェア開発では、不適切な例外処理がコードの堅牢性と信頼性に重大な影響を与えます。
コードにおける例外処理を改善するために,大規模言語モデル (LLM) の利用について検討する。
例外処理のエキスパート開発者戦略に触発されたマルチエージェントフレームワークであるSeekerを提案する。
論文 参考訳(メタデータ) (2024-12-16T12:35:29Z) - Lingma SWE-GPT: An Open Development-Process-Centric Language Model for Automated Software Improvement [62.94719119451089]
Lingma SWE-GPTシリーズは、現実世界のコード提出活動から学び、シミュレーションする。
Lingma SWE-GPT 72BはGitHubの30.20%の問題を解決する。
論文 参考訳(メタデータ) (2024-11-01T14:27:16Z) - Causal Reasoning in Software Quality Assurance: A Systematic Review [11.887059800587672]
本研究は、SQAの因果推論に関する科学的文献の体系的なレビューを提供する。
障害のローカライゼーションは、特にWebサービス/マイクロサービスドメインにおいて、因果推論をより活用するアクティビティである。
アプリケーションを好むツールは急速に現れており、そのほとんどが2021年以降です。
論文 参考訳(メタデータ) (2024-08-30T10:34:11Z) - Learning From Lessons Learned: Preliminary Findings From a Study of
Learning From Failure [3.045851438458641]
組織はシステム障害を分析し、学習する。
学んだことに基づいて、システムの技術的部分と人的部分の両方を共同開発する。
確立されたプロセスとツールのサポートにもかかわらず、失敗から学んだことを取り入れ、社会技術システムの信頼性を向上することは容易ではない。
論文 参考訳(メタデータ) (2024-02-14T19:29:04Z) - Competition-Level Problems are Effective LLM Evaluators [121.15880285283116]
本稿では,Codeforcesにおける最近のプログラミング問題の解決において,大規模言語モデル(LLM)の推論能力を評価することを目的とする。
まず,問題の発生時間,難易度,遭遇したエラーの種類など,様々な側面を考慮して,GPT-4の望ましくないゼロショット性能を総合的に評価する。
驚くべきことに、GPT-4のTheThoughtivedのパフォーマンスは、2021年9月以降、あらゆる困難と種類の問題に対して一貫して問題が減少するような崖を経験している。
論文 参考訳(メタデータ) (2023-12-04T18:58:57Z) - Embedded Software Development with Digital Twins: Specific Requirements
for Small and Medium-Sized Enterprises [55.57032418885258]
デジタル双生児は、コスト効率の良いソフトウェア開発とメンテナンス戦略の可能性を秘めている。
私たちは中小企業に現在の開発プロセスについてインタビューした。
最初の結果は、リアルタイムの要求が、これまでは、Software-in-the-Loop開発アプローチを妨げていることを示している。
論文 参考訳(メタデータ) (2023-09-17T08:56:36Z) - Comparing Software Developers with ChatGPT: An Empirical Investigation [0.0]
本稿では,ChatGPTのようなソフトウェア技術者やAIシステムのパフォーマンスを,さまざまな評価指標で比較した実証的研究を行う。
この論文は、さまざまな評価基準を考慮して、ソフトウェアエンジニアとAIベースのソリューションの包括的な比較が、人間と機械のコラボレーションを促進する上で重要であることを示唆している。
論文 参考訳(メタデータ) (2023-05-19T17:25:54Z) - Why is the winner the best? [78.74409216961632]
IEEE I SBI 2021 と MICCAI 2021 の範囲で実施した80のコンペすべてを対象に,マルチセンターで実施した。
勝者となるソリューションとしては、マルチタスク学習(63%)、マルチステージパイプライン(61%)、拡大(100%)、画像前処理(97%)、データキュレーション(79%)、後処理(66%)などがある。
高ランクのチームでは、メソッド設計におけるメトリクスの反映と、障害ケースの分析と処理に焦点を当てた2つの中核的な開発戦略が目立った。
論文 参考訳(メタデータ) (2023-03-30T21:41:42Z) - SUPERNOVA: Automating Test Selection and Defect Prevention in AAA Video
Games Using Risk Based Testing and Machine Learning [62.997667081978825]
従来の手法では、成長するソフトウェアシステムではスケールできないため、ビデオゲームのテストはますます難しいタスクになります。
自動化ハブとして機能しながら,テスト選択と欠陥防止を行うシステム SUPERNOVA を提案する。
この直接的な影響は、未公表のスポーツゲームタイトルの55%以上のテスト時間を減らすことが観察されている。
論文 参考訳(メタデータ) (2022-03-10T00:47:46Z) - Machine Learning Techniques for Software Quality Assurance: A Survey [5.33024001730262]
我々は,障害予測とテストケース優先順位付けの両方における様々なアプローチについて考察する。
近年,障害予測のためのディープラーニングアルゴリズムは,プログラムのセマンティクスと障害予測機能とのギャップを埋めるのに役立つ。
論文 参考訳(メタデータ) (2021-04-29T00:37:27Z) - The Unpopularity of the Software Tester Role among Software
Practitioners: A Case Study [10.028628621669293]
この作業は、テストのキャリアを引き継ぎ、維持するソフトウェア実践者のモチベーション/モチベーションを理解しようとするものです。
キューバのソフトウェアインスティチュート(insti-tutes)のソフトウェア実践者104名を対象に調査を行った。
個人はPros(アドバンテージまたはモチーフ)とCons(デアドバンテージまたはデモチベータ)にソフトウェアテストのキャリアとそれを行う機会を尋ねられた。
論文 参考訳(メタデータ) (2020-07-16T14:52:36Z)
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。