論文の概要: Empirical Analysis of Pull Requests for Google Summer of Code

• arxiv url: http://arxiv.org/abs/2412.13120v2
• Date: Tue, 14 Jan 2025 18:55:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-15 13:26:34.003078
• Title: Empirical Analysis of Pull Requests for Google Summer of Code
• Title（参考訳）: Google Summer of Codeにおけるプルリクエストの実証分析
• Authors: Saheed Popoola,
• Abstract要約: Google Summer of Code(GSoC)は、学生や新しいコントリビュータと経験豊富なメンターとをマッチングして、オープンソースプロジェクトに取り組むグローバルイニシアチブである。 本研究では,GSoCプログラム中にインターンが生成したプルリクエストの実証分析を行った。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Internship and industry-affiliated capstone projects are popular ways to expose students to real world experiences and bridge the gap between academic training and industry requirements. However, these two approaches often require active industry collaboration, and many students struggle to find industry placements. Open-source contributions are a crucial alternative to gain real world experience, earn publicly verifiable contribution with real-world impact, and learn from experienced open-source contributors. The Google Summer of Code (GSoC) is a global initiative that matches students or new contributors with experienced mentors to work on open-source projects. The program aims to introduce the students to open-source development, help them gain valuable skills under the guidance of mentors, and hopefully encourage them to continue contributing to open-source projects. The realization of the program objectives will provide a continuous pool of talented new contributors necessary for maintaining open-source projects. This study presents an empirical analysis of pull requests created by interns during the GSoC program. We extracted and analyzed 17,232 pull requests from 2,456 interns across 1,937 open-source projects. The results show most tasks involve both code-intensive activities like adding new features and fixing bugs, as well as non-code tasks like updating documentation and restructuring the codebase. Feedback from reviewers covers code functionality and programming logic, testing coverage, error handling, code readability, and adherence to best practices. Finally, we discuss the implications of these results for software engineering education.
• Abstract（参考訳）: インターンシップと業界関連キャップストーンプロジェクトは、学生を現実世界の体験に公開し、学術的なトレーニングと業界要求のギャップを埋めるための一般的な方法である。 しかし、これらの2つのアプローチは、しばしば活発な産業協力を必要とし、多くの学生が産業配置を見つけるのに苦労している。 オープンソースコントリビューションは、現実のエクスペリエンスを獲得し、現実のインパクトに対して公に検証可能なコントリビューションを取得し、経験豊富なオープンソースコントリビュータから学ぶための、重要な代替手段である。 Google Summer of Code(GSoC)は、学生や新しいコントリビュータと経験豊富なメンターとをマッチングして、オープンソースプロジェクトに取り組むグローバルイニシアチブである。 このプログラムは、学生をオープンソース開発に紹介し、メンターの指導の下で貴重なスキルを得るのを助け、オープンソースプロジェクトへのコントリビューションを続けることを奨励することを目的としている。 プログラム目標の実現は、オープンソースプロジェクトを維持するために必要な、才能のある新しいコントリビュータの連続的なプールを提供する。 本研究では,GSoCプログラム中にインターンが生成したプルリクエストの実証分析を行った。 1,937のオープンソースプロジェクトで,2,456人のインターンから17,232件のプルリクエストを抽出,分析した。 その結果、ほとんどのタスクは、新しい機能の追加やバグの修正といったコード集約的なアクティビティと、ドキュメントの更新やコードベースの再構築といった非コードタスクに関係しています。 レビューからのフィードバックは、コード機能とプログラミングロジック、テストカバレッジ、エラー処理、コードの可読性、ベストプラクティスへの順守などをカバーする。 最後に,これらの結果がソフトウェア工学教育に与える影響について論じる。

関連論文リスト

• OpenCoder: The Open Cookbook for Top-Tier Code Large Language Models [70.72097493954067]
  コードのための大規模言語モデル(LLM)は、コード生成、推論タスク、エージェントシステムなど、さまざまな領域で必須になっている。 オープンアクセスのコード LLM はプロプライエタリなモデルの性能レベルに近づきつつあるが、高品質なコード LLM は依然として限られている。 トップクラスのコードLLMであるOpenCoderは、主要なモデルに匹敵するパフォーマンスを達成するだけでなく、研究コミュニティの"オープンクックブック"としても機能します。
  論文  参考訳（メタデータ） (2024-11-07T17:47:25Z)
• ResearchBot: Bridging the Gap between Academic Research and Practical Programming Communities [1.7825757481227438]
  このプロジェクトでは、学術と産業のギャップを埋めるためのツールであるResearchBotを導入する。 ResearchBotはモジュール的なアプローチを採用し、質問を理解し、クエリをキュレートして関連論文を取得し、論文内容を要約する。 ResearchBotの中核的な目的は、業界の専門家のための学術的知識へのアクセスを民主化することだ。
  論文  参考訳（メタデータ） (2024-07-02T20:17:13Z)
• Bridging Theory to Practice in Software Testing Teaching through Team-based Learning (TBL) and Open Source Software (OSS) Contribution [3.190574537106449]
  本稿では,理論と実践的経験を統合したソフトウェアテストコースの授業手法を提案する。 本報告では,大学院ソフトウェア工学科のソフトウェアテスティングコースを4学期連続で実施した経験について報告する。
  論文  参考訳（メタデータ） (2024-04-16T21:16:17Z)
• DevEval: Evaluating Code Generation in Practical Software Projects [52.16841274646796]
  我々はDevEvalという名の新しいベンチマークを提案し、実践プロジェクトにおける開発者の経験と一致している。 DevEvalは、119の実用的なプロジェクトから2,690のサンプルを含む厳格なパイプラインを通じて収集される。 DevEvalの5つの人気のあるLCMを評価し、コード生成における実際の能力を明らかにする。
  論文  参考訳（メタデータ） (2024-01-12T06:51:30Z)
• Experiential Co-Learning of Software-Developing Agents [83.34027623428096]
  大規模言語モデル(LLM)は、特にソフトウェア開発において、様々な領域に大きな変化をもたらした。 本稿では,新しいLLM学習フレームワークであるExperiential Co-Learningを紹介する。 実験では、このフレームワークにより、エージェントは、目に見えないソフトウェア開発タスクをより効果的に対処できることを示した。
  論文  参考訳（メタデータ） (2023-12-28T13:50:42Z)
• Students' Perspective on AI Code Completion: Benefits and Challenges [2.936007114555107]
  学生の視点から,AIコード補完のメリット,課題,期待について検討した。 その結果,AIコード補完は,正しい構文提案を提供することで,学生の生産性と効率を向上させることがわかった。 将来的には、AIコード補完は説明可能であり、教育プロセスを強化するための最高のコーディングプラクティスを提供するべきである。
  論文  参考訳（メタデータ） (2023-10-31T22:41:16Z)
• Collaborative, Code-Proximal Dynamic Software Visualization within Code Editors [55.57032418885258]
  本稿では,コードエディタに組み込むソフトウェアビジュアライゼーション手法の設計と実装について紹介する。 私たちのコントリビューションは、ソフトウェアシステムの実行時の動作の動的解析を使用するという点で、関連する作業と異なります。 私たちの視覚化アプローチは、一般的なリモートペアプログラミングツールを強化し、共有コード都市を利用することで協調的に使用できます。
  論文  参考訳（メタデータ） (2023-08-30T06:35:40Z)
• Code Recommendation for Open Source Software Developers [32.181023933552694]
  CODERは、オープンソースのソフトウェア開発者のための新しいグラフベースのコードレコメンデーションフレームワークである。 本フレームワークは,プロジェクト内,クロスプロジェクト,コールドスタートレコメンデーションなど,様々な実験環境下での優れた性能を実現する。
  論文  参考訳（メタデータ） (2022-10-15T16:40:36Z)
• "We do not appreciate being experimented on": Developer and Researcher Views on the Ethics of Experiments on Open-Source Projects [0.0]
  オープンソース開発者と経験的ソフトウェアエンジニアリング研究者の間で調査を行い、彼らがどのような行動を許容できると考えているのかを確認します。 結果から,オープンソース開発者は大部分が研究対象であり,透過的に実施されていることが分かる。 オープンソースレポジトリとプロジェクトは、アクセスガイドラインの研究に利用するために対処することが推奨されている。
  論文  参考訳（メタデータ） (2021-12-25T09:23:33Z)
• ProtoTransformer: A Meta-Learning Approach to Providing Student Feedback [54.142719510638614]
  本稿では,フィードバックを数発の分類として提供するという課題について考察する。 メタラーナーは、インストラクターによるいくつかの例から、新しいプログラミング質問に関する学生のコードにフィードバックを与えるように適応します。 本手法は,第1段階の大学が提供したプログラムコースにおいて,16,000名の学生試験ソリューションに対するフィードバックの提供に成功している。
  論文  参考訳（メタデータ） (2021-07-23T22:41:28Z)
• Dive into Deep Learning [119.30375933463156]
  この本はJupyterのノートブックでドラフトされており、説明図、数学、インタラクティブな例を自己完結型コードとシームレスに統合している。 私たちのゴールは、(i)誰でも自由に利用できるリソースを提供すること、(ii)応用機械学習科学者になるための出発点を提供するのに十分な技術的な深さを提供すること、(iii)実行可能なコードを含み、実際にどのように問題を解決するかを読者に示すこと、(iv)私たちとコミュニティの両方による迅速なアップデートを可能にすることです。
  論文  参考訳（メタデータ） (2021-06-21T18:19:46Z)

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。