論文の概要: Automatic techniques for issue report classification: A systematic mapping study
- arxiv url: http://arxiv.org/abs/2505.01469v1
- Date: Fri, 02 May 2025 09:44:25 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-05-06 18:49:35.136352
- Title: Automatic techniques for issue report classification: A systematic mapping study
- Title（参考訳）: 課題報告分類のための自動手法:系統地図研究
- Authors: Muhammad Laiq, Felix Dobslaw,
- Abstract要約: 本研究の目的は,課題報告の分類における自動手法の利用について概観することである。
研究結果は,従来の機械学習やディープラーニングに基づく手法,より高度な大規模言語モデルなど,既存の文献が課題レポートの分類に様々な手法を適用していることを示唆している。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Several studies have evaluated automatic techniques for classifying software issue reports to assist practitioners in effectively assigning relevant resources based on the type of issue. Currently, no comprehensive overview of this area has been published. A comprehensive overview will help identify future research directions and provide an extensive collection of potentially relevant existing solutions. This study aims to provide a comprehensive overview of the use of automatic techniques to classify issue reports. We conducted a systematic mapping study and identified 46 studies on the topic. The study results indicate that the existing literature applies various techniques for classifying issue reports, including traditional machine learning and deep learning-based techniques and more advanced large language models. Furthermore, we observe that these studies (a) lack the involvement of practitioners, (b) do not consider other potentially relevant adoption factors beyond prediction accuracy, such as the explainability, scalability, and generalizability of the techniques, and (c) mainly rely on archival data from open-source repositories only. Therefore, future research should focus on real industrial evaluations, consider other potentially relevant adoption factors, and actively involve practitioners.
- Abstract（参考訳）: いくつかの研究は、ソフトウェアイシューレポートの自動分類技術を評価し、イシューの種類に基づいて関連するリソースを効果的に割り当てる実践者を支援する。
現在、この領域の総合的な概要は公表されていない。
包括的な概要は、将来の研究の方向性を特定し、潜在的に関連する既存のソリューションの広範なコレクションを提供するのに役立つだろう。
本研究の目的は,課題報告の分類における自動手法の利用について概観することである。
本研究は,系統地図調査を行い,46の項目を同定した。
研究結果は,従来の機械学習やディープラーニングに基づく手法,より高度な大規模言語モデルなど,既存の文献が課題レポートの分類に様々な手法を適用していることを示唆している。
さらに、これらの研究は、
(a)実践者の関与が欠如している。
(b)技術の説明可能性、拡張性、一般化可能性など、予測精度以上の潜在的な適用要因を考慮しない。
(c) 主にオープンソースリポジトリのアーカイブデータに依存しています。
したがって、今後の研究は、実際の産業評価に焦点をあて、他の潜在的な採用要因を考慮し、積極的に実践者を巻き込むべきである。
関連論文リスト
- A Systematic Literature Review on Detecting Software Vulnerabilities with Large Language Models [2.518519330408713]
ソフトウェア工学における大規模言語モデル(LLM)は、ソフトウェア脆弱性検出への関心を喚起している。
この分野の急速な発展は、断片化された研究の風景を生み出した。
この断片化は、最先端技術の明確な概要を得るのを困難にし、研究を有意義に比較し分類する。
論文 参考訳（メタデータ） (2025-07-30T13:17:16Z) - SyROCCo: Enhancing Systematic Reviews using Machine Learning [6.805429133535976]
本稿では,システムレビュープロセスのナビゲートを支援する機械学習技術について検討する。
データ抽出やエビデンスマッピングといったレビューのその後の段階へのML技術の適用は、その初期段階にある。
論文 参考訳（メタデータ） (2024-06-24T11:04:43Z) - Ontology Embedding: A Survey of Methods, Applications and Resources [54.3453925775069]
オンロジはドメインの知識とメタデータを表現するために広く使われている。
直接支援できる論理的推論は、学習、近似、予測において非常に限られています。
1つの簡単な解決策は、統計分析と機械学習を統合することである。
論文 参考訳（メタデータ） (2024-06-16T14:49:19Z) - Machine Unlearning: A Survey [56.79152190680552]
プライバシ、ユーザビリティ、および/または忘れられる権利のために、特定のサンプルに関する情報をマシンアンラーニングと呼ばれるモデルから削除する必要がある特別なニーズが生まれている。
この新興技術は、その革新と実用性により、学者と産業の両方から大きな関心を集めている。
この複雑なトピックを分析したり、さまざまなシナリオで既存の未学習ソリューションの実現可能性を比較したりした研究はない。
この調査は、未学習のテクニックに関する卓越した問題と、新しい研究機会のための実現可能な方向性を強調して締めくくった。
論文 参考訳（メタデータ） (2023-06-06T10:18:36Z) - Knowledge-enhanced Neural Machine Reasoning: A Review [67.51157900655207]
既存の知識強化手法を2つの主要なカテゴリと4つのサブカテゴリに分類する新しい分類法を導入する。
我々は、現在のアプリケーションドメインを解明し、将来的な研究の展望について洞察を提供する。
論文 参考訳（メタデータ） (2023-02-04T04:54:30Z) - Navigating the reporting guideline environment for computational
pathology: A review [0.685316573653194]
本研究の目的は、計算病理学に携わる研究者が利用できる資源と報告ガイドラインを強調することである。
有用なリソースやガイダンスを簡単に識別するための要約を作成するために、アイテムがコンパイルされた。
病理AI研究に適用可能な70以上のリソースが特定された。
論文 参考訳（メタデータ） (2023-01-03T23:17:51Z) - Investigating Fairness Disparities in Peer Review: A Language Model
Enhanced Approach [77.61131357420201]
我々は、大規模言語モデル(LM)の助けを借りて、ピアレビューにおける公平性格差の徹底した厳密な研究を行う。
我々は、2017年から現在までのICLR(International Conference on Learning Representations)カンファレンスで、包括的なリレーショナルデータベースを収集、組み立て、維持しています。
我々は、著作者性別、地理、著作者、機関的名声など、興味のある複数の保護属性に対する公平性の違いを仮定し、研究する。
論文 参考訳（メタデータ） (2022-11-07T16:19:42Z) - A Survey on Machine Learning Techniques for Source Code Analysis [14.129976741300029]
ソースコード解析に応用された機械学習の領域における現在の知識を要約することを目的としている。
そこで本研究では,2002年から2021年にかけて,広範囲にわたる文献検索を行い,初等研究364点を同定した。
論文 参考訳（メタデータ） (2021-10-18T20:13:38Z) - Deep Learning Schema-based Event Extraction: Literature Review and
Current Trends [60.29289298349322]
ディープラーニングに基づくイベント抽出技術が研究ホットスポットとなっている。
本稿では,ディープラーニングモデルに焦点をあて,最先端のアプローチを見直し,そのギャップを埋める。
論文 参考訳（メタデータ） (2021-07-05T16:32:45Z) - A Survey on Text Classification: From Shallow to Deep Learning [83.47804123133719]
過去10年は、ディープラーニングが前例のない成功を収めたために、この分野の研究が急増している。
本稿では,1961年から2021年までの最先端のアプローチを見直し,そのギャップを埋める。
特徴抽出と分類に使用されるテキストとモデルに基づいて,テキスト分類のための分類を作成する。
論文 参考訳（メタデータ） (2020-08-02T00:09:03Z)
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。