論文の概要: Towards an Interpretable Analysis for Estimating the Resolution Time of Software Issues

• arxiv url: http://arxiv.org/abs/2505.01108v1
• Date: Fri, 02 May 2025 08:38:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-05 17:21:19.968644
• Title: Towards an Interpretable Analysis for Estimating the Resolution Time of Software Issues
• Title（参考訳）: ソフトウェア課題の解決時間推定のための解釈可能な分析に向けて
• Authors: Dimitrios-Nikitas Nastos, Themistoklis Diamantopoulos, Davide Tosi, Martina Tropeano, Andreas L. Symeonidis,
• Abstract要約: プロジェクトごとに問題を修正するのに必要な実際の労力を抽出する問題監視システムを構築します。 提案手法では,トピックモデリングを用いて問題セマンティクスを抽出し,メタデータを解釈可能な解像度時間解析に活用する。
• 参考スコア（独自算出の注目度）: 1.4039240369201997
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Lately, software development has become a predominantly online process, as more teams host and monitor their projects remotely. Sophisticated approaches employ issue tracking systems like Jira, predicting the time required to resolve issues and effectively assigning and prioritizing project tasks. Several methods have been developed to address this challenge, widely known as bug-fix time prediction, yet they exhibit significant limitations. Most consider only textual issue data and/or use techniques that overlook the semantics and metadata of issues (e.g., priority or assignee expertise). Many also fail to distinguish actual development effort from administrative delays, including assignment and review phases, leading to estimates that do not reflect the true effort needed. In this work, we build an issue monitoring system that extracts the actual effort required to fix issues on a per-project basis. Our approach employs topic modeling to capture issue semantics and leverages metadata (components, labels, priority, issue type, assignees) for interpretable resolution time analysis. Final predictions are generated by an aggregated model, enabling contributors to make informed decisions. Evaluation across multiple projects shows the system can effectively estimate resolution time and provide valuable insights.
• Abstract（参考訳）: 最近は、より多くのチームがリモートでプロジェクトをホストし、監視するため、ソフトウェア開発が主にオンラインプロセスになっている。 高度化されたアプローチでは、Jiraのようなイシュートラッキングシステムを採用し、問題を解決するのに必要な時間を予測し、プロジェクトのタスクを効果的に割り当て、優先順位付けする。 この課題に対処するために、バグ修正時間予測(英語版)として知られるいくつかの方法が開発されているが、それらには重大な制限がある。 ほとんどの場合、テキスト発行データと/または問題のセマンティクスやメタデータ(例えば、優先順位付けや専門知識の割り当てなど)を見渡すテクニックのみを考慮する。 多くの人は、実際の開発作業と、割り当てやレビューフェーズを含む管理上の遅延を区別することができず、必要な真の労力を反映しない見積もりにつながります。 本研究では,プロジェクトごとの問題解決に要する実際の労力を抽出する問題監視システムを構築する。 提案手法ではトピックモデリングを用いて問題セマンティクスを抽出し,メタデータ(コンポーネント,ラベル,優先度,課題タイプ,代入者)を解釈可能な解像度時間解析に活用する。 最終的な予測は集約されたモデルによって生成され、コントリビュータが情報的な決定をすることができる。 複数のプロジェクトに対する評価は、システムが効果的に解決時間を見積もり、貴重な洞察を提供することができることを示している。

関連論文リスト

• Tempo: Helping Data Scientists and Domain Experts Collaboratively Specify Predictive Modeling Tasks [14.099791384467274]
  我々は、データサイエンティストとドメインエキスパートがモデル仕様について協力するのを支援する対話型システムであるTempoを開発した。 データサイエンティストは、事前処理の選択についてより透明性の高い仕様を迅速にプロトタイプできる。 ドメインエキスパートは、モデルが期待通りに振る舞うことを検証するために、データサブグループ内のパフォーマンスを評価することができる。
  論文  参考訳（メタデータ） (2025-02-14T19:44:37Z)
• Context is Key: A Benchmark for Forecasting with Essential Textual Information [87.3175915185287]
  コンテキスト is Key" (CiK) は、数値データを多種多様なテキストコンテキストと組み合わせた予測ベンチマークである。 我々は,統計モデル,時系列基礎モデル,LLMに基づく予測モデルなど,さまざまなアプローチを評価する。 提案手法は,提案するベンチマークにおいて,他の試験手法よりも優れる簡易かつ効果的なLCMプロンプト法である。
  論文  参考訳（メタデータ） (2024-10-24T17:56:08Z)
• Deep Learning-Based Object Pose Estimation: A Comprehensive Survey [73.74933379151419]
  ディープラーニングに基づくオブジェクトポーズ推定の最近の進歩について論じる。 また、複数の入力データモダリティ、出力ポーズの自由度、オブジェクト特性、下流タスクについても調査した。
  論文  参考訳（メタデータ） (2024-05-13T14:44:22Z)
• Building Safe and Reliable AI systems for Safety Critical Tasks with Vision-Language Processing [1.2183405753834557]
  現在のAIアルゴリズムでは、障害検出の一般的な原因を特定できない。 予測の質を定量化するためには、追加のテクニックが必要である。 この論文は、分類、画像キャプション、視覚質問応答といったタスクのための視覚言語データ処理に焦点を当てる。
  論文  参考訳（メタデータ） (2023-08-06T18:05:59Z)
• 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)
• Automatic Feasibility Study via Data Quality Analysis for ML: A Case-Study on Label Noise [21.491392581672198]
  我々はSnoopyを紹介し、データサイエンティストと機械学習エンジニアが体系的で理論的に確立された実現可能性研究を行うのを支援することを目的としている。 我々は、基礎となるタスクの既約誤差を推定し、この問題にアプローチする。 エンド・ツー・エンドの実験では、ユーザーがかなりのラベリング時間と金銭的努力を節約できることを示す。
  論文  参考訳（メタデータ） (2020-10-16T14:21:19Z)

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。