論文の概要: Negativity in Self-Admitted Technical Debt: How Sentiment Influences Prioritization

• arxiv url: http://arxiv.org/abs/2501.01068v1
• Date: Thu, 02 Jan 2025 05:33:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-05 17:16:04.263381
• Title: Negativity in Self-Admitted Technical Debt: How Sentiment Influences Prioritization
• Title（参考訳）: 自己充足型技術的負債における負性:感性が優先順位付けにどのように影響するか
• Authors: Nathan Cassee, Neil Ernst, Nicole Novielli, Alexander Serebrenik,
• Abstract要約: SATD(Self-Admitted Technical Debt)は、ソフトウェアシステムに存在する技術的負債の自己申告書である。 ソフトウェアシステムにおけるSATDの記述の約4分の1は、何らかの否定的感情や否定的な感情を表現している。 我々の研究は、開発者がSATDにおいて、特定のTDのインスタンスがどの程度緊急に対処されるべきかを決定するために、どのように積極的にネガティビティを利用するかを示している。
• 参考スコア（独自算出の注目度）: 50.07057212504773
• License:
• Abstract: Self-Admitted Technical Debt, or SATD, is a self-admission of technical debt present in a software system. To effectively manage SATD, developers need to estimate its priority and assess the effort required to fix the described technical debt. About a quarter of descriptions of SATD in software systems express some form of negativity or negative emotions when describing technical debt. In this paper, we report on an experiment conducted with 59 respondents to study whether negativity expressed in the description of SATD \textbf{actually} affects the prioritization of SATD. The respondents are a mix of professional developers and students, and in the experiment, we asked participants to prioritize four vignettes: two expressing negativity and two expressing neutral sentiment. To ensure realism, vignettes were based on existing SATD. We find that negativity causes between one-third and half of developers to prioritize SATD, in which negativity is expressed as having more priority. Developers affected by negativity when prioritizing SATD are twice as likely to increase their estimation of urgency and 1.5 times as likely to increase their estimation of importance and effort for SATD compared to the likelihood of decreasing these prioritization scores. Our findings show how developers actively use negativity in SATD to determine how urgently a particular instance of TD should be addressed. However, our study also describes a gap in the actions and belief of developers. Even if 33% to 50% use negativity to prioritize SATD, 67% of developers believe that using negativity as a proxy for priority is unacceptable. Therefore, we would not recommend using negativity as a proxy for priority. However, we also recognize that developers might unavoidably express negativity when describing technical debt.
• Abstract（参考訳）: SATD(Self-Admitted Technical Debt)は、ソフトウェアシステムに存在する技術的負債の自己申告書である。 SATDを効果的に管理するには、開発者は優先順位を推定し、記述された技術的負債を修正するのに必要な労力を評価する必要がある。 ソフトウェアシステムにおけるSATDの記述の約4分の1は、技術的負債を記述する際に、何らかの否定的あるいは否定的な感情を表現している。 本稿では,59名の回答者を対象に,SATDの表現に表される負性がSATDの優先順位付けに影響を及ぼすかどうかを調査した。 回答者はプロの開発者と学生の混在であり、実験では、参加者に4つのウィグレットを優先順位付けするように求めた。 リアリズムを保証するため、ヴィグネットは既存のSATDをベースとしていた。 その結果,開発者の3分の1ないし半分がSATDを優先し,負性の方が優先的に表現されることが判明した。 SATDの優先順位付け時の負性に影響を受ける開発者は、これらの優先順位付けスコアを減少させる可能性と比較して、緊急度の推定が2倍になり、SATDの重要度や労力が1.5倍増加する可能性が高い。 以上の結果から,開発者がSATDの否定性を積極的に利用して,TDの特定のインスタンスがどの程度緊急に対処すべきかを判断する方法が示唆された。 しかし、我々の研究は開発者の行動と信念のギャップについても説明している。 33%から50%がSATDの優先順位付けにネガティビティを使用しているとしても、開発者の67%は、プライオリティのプロキシとしてネガティビティを使用することは受け入れがたいと考えている。 したがって、優先順位のプロキシとしてネガティビティを使うことは推奨しません。 しかし、技術的負債を説明する際に、必然的に否定性を表現できる可能性があることも認識しています。

関連論文リスト

• IHEval: Evaluating Language Models on Following the Instruction Hierarchy [67.33509094445104]
  命令階層は、システムメッセージからユーザメッセージ、会話履歴、ツール出力への優先順位を定めている。 その重要性にもかかわらず、このトピックは限定的な注目を集めており、命令階層に従うモデルの能力を評価するための包括的なベンチマークが欠如している。 IHEvalは、異なる優先順位の命令が一致または矛盾するケースをカバーする、新しいベンチマークです。
  論文  参考訳（メタデータ） (2025-02-12T19:35:28Z)
• Evidence is All We Need: Do Self-Admitted Technical Debts Impact Method-Level Maintenance? [1.0377683220196874]
  Self-Admitted Technical Debt (SATD)は、開発者がソースコードのコメントを通じて技術的負債を明示的に認める現象である。 本稿では,SATDがソフトウェア保守の様々な面に与える影響を,方法論レベルで実証的に検討することを目的とする。
  論文  参考訳（メタデータ） (2024-11-21T01:21:35Z)
• An Exploratory Study of the Relationship between SATD and Other Software Development Activities [13.026170714454071]
  Self-Admitted Technical Debt (SATD)は、開発者が負債を思い出させるためにコードをドキュメント化する、特定のタイプのTechnical Debtである。 これまでの研究では、SATDの様々な側面を探求してきた。 本研究ではSATDの削除と追加とバグ修正,新機能の追加,テストなどの活動との関係について検討する。
  論文  参考訳（メタデータ） (2024-04-02T13:45:42Z)
• Automatically Estimating the Effort Required to Repay Self-Admitted Technical Debt [1.8208834479445897]
  Self-Admitted Technical Debt (SATD)は、ソフトウェアアーティファクト内の開発者が文書化する技術的負債の特定の形式である。 包括的データセットを用いてSATD返済作業を自動的に推定する新しい手法を提案する。 本研究の結果から,SATD はコード/設計,要件,テスト負債といった様々なレベルの返済作業を必要とし,非SATD 項目と比較して高い労力を要することが明らかとなった。
  論文  参考訳（メタデータ） (2023-09-12T07:40:18Z)
• Making Large Language Models Better Reasoners with Alignment [57.82176656663245]
  推論(Reasoning)とは、証拠を使って結論に達する認知過程である。 近年の研究では、思考の連鎖(COT)推論プロセスによるデータ上の微調整LDMは、その推論能力を著しく向上させることができることが示されている。 テキストアライメントファインチューニング(AFT)パラダイムを3ステップで導入する。
  論文  参考訳（メタデータ） (2023-09-05T11:32:48Z)
• Towards Automatically Addressing Self-Admitted Technical Debt: How Far Are We? [17.128428286986573]
  本稿では,ニューラルベース生成モデルによって技術的負債を自動的に返済できる範囲を実験的に検討する。 595のオープンソースプロジェクトから5,039件の自己申告技術的負債(SATD)の削除日程を抽出することから始めます。 このデータセットを用いて、7つの異なる生成ディープラーニング(DL)モデル構成を実験する。
  論文  参考訳（メタデータ） (2023-08-17T12:27:32Z)
• Depression detection in social media posts using affective and social norm features [84.12658971655253]
  ソーシャルメディア投稿からの抑うつ検出のための奥深いアーキテクチャを提案する。 我々は、後期融合方式を用いて、ポストとワードの敬称と道徳的特徴をアーキテクチャに組み込んだ。 提案された機能を含めると、両方の設定で最先端の結果が得られます。
  論文  参考訳（メタデータ） (2023-03-24T21:26:27Z)
• On the Robustness of ChatGPT: An Adversarial and Out-of-distribution Perspective [67.98821225810204]
  本研究は,ChatGPTの頑健性について,敵対的視点とアウト・オブ・ディストリビューションの観点から評価する。 その結果,ほとんどの対人・OOD分類・翻訳作業において一貫した優位性を示した。 ChatGPTは対話関連テキストの理解において驚くべきパフォーマンスを示す。
  論文  参考訳（メタデータ） (2023-02-22T11:01:20Z)
• Analyzing the Intensity of Complaints on Social Media [55.140613801802886]
  テキストからの苦情の強度を測定する計算言語学における最初の研究について述べる。 私たちは中国のソーシャルメディアプラットフォームであるWeiboからの苦情に関する3,103件の投稿を含む最初の中国のデータセットを作成しました。 平均二乗誤差が0.11となる計算モデルにより,苦情強度を正確に推定できることを示す。
  論文  参考訳（メタデータ） (2022-04-20T10:15:44Z)
• DebtFree: Minimizing Labeling Cost in Self-Admitted Technical Debt Identification using Semi-Supervised Learning [31.13621632964345]
  DebtFreeはSATDを識別するための教師なし学習に基づく2モードフレームワークである。 10のソフトウェアプロジェクトに関する我々の実験は、両方のモデルが最先端の自動化および半自動化モデルよりも統計的に有意な改善をもたらすことを示している。
  論文  参考訳（メタデータ） (2022-01-25T19:21:24Z)

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。