論文の概要: Breaking New Ground in Software Defect Prediction: Introducing Practical and Actionable Metrics with Superior Predictive Power for Enhanced Decision-Making
- arxiv url: http://arxiv.org/abs/2508.04408v1
- Date: Wed, 06 Aug 2025 12:52:13 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-08-07 20:09:22.723635
- Title: Breaking New Ground in Software Defect Prediction: Introducing Practical and Actionable Metrics with Superior Predictive Power for Enhanced Decision-Making
- Title（参考訳）: ソフトウェア欠陥予測の新しい土台を打破する - 意思決定の強化のために、上述の予測力で実践的で実行可能なメトリクスを導入する
- Authors: Carlos Andrés Ramírez Cataño, Makoto Itoh,
- Abstract要約: 本稿では,開発者のコーディング習慣に基づいて,メソッドレベルでのソフトウェア欠陥の自動予測について検討する。
本稿では,ヒューマンエラーフレームワークを用いた欠陥発生型ソフトウェア手法の予測手法を提案する。
- 参考スコア（独自算出の注目度）: 0.8287206589886879
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Software defect prediction using code metrics has been extensively researched over the past five decades. However, prediction harnessing non-software metrics is under-researched. Considering that the root cause of software defects is often attributed to human error, human factors theory might offer key forecasting metrics for actionable insights. This paper explores automated software defect prediction at the method level based on the developers' coding habits. First, we propose a framework for deciding the metrics to conduct predictions. Next, we compare the performance of our metrics to that of the code and commit history metrics shown by research to achieve the highest performance to date. Finally, we analyze the prediction importance of each metric. As a result of our analyses of twenty-one critical infrastructure large-scale open-source software projects, we have presented: (1) a human error-based framework with metrics useful for defect prediction at method level; (2) models using our proposed metrics achieve better average prediction performance than the state-of-the-art code metrics and history measures; (3) the prediction importance of all metrics distributes differently with each of the novel metrics having better average importance than code and history metrics; (4) the novel metrics dramatically enhance the explainability, practicality, and actionability of software defect prediction models, significantly advancing the field. We present a systematic approach to forecasting defect-prone software methods via a human error framework. This work empowers practitioners to act on predictions, empirically demonstrating how developer coding habits contribute to defects in software systems.
- Abstract（参考訳）: コードメトリクスを使用したソフトウェアの欠陥予測は、過去50年間にわたって広範囲に研究されてきた。
しかし、ソフトウェア以外のメトリクスを利用した予測は、あまり研究されていない。
ソフトウェア欠陥の根本原因がしばしばヒューマンエラーによるものであることを考えると、ヒューマンファクター理論は実行可能な洞察のために重要な予測指標を提供するかもしれない。
本稿では,開発者のコーディング習慣に基づいて,メソッドレベルでのソフトウェア欠陥の自動予測について検討する。
まず,予測を行うメトリクスを決定するためのフレームワークを提案する。
次に、我々のメトリクスのパフォーマンスをコードのパフォーマンスと比較し、研究によって示された履歴メトリクスをコミットして、これまでで最高のパフォーマンスを達成する。
最後に,各指標の予測重要度を分析した。
その結果,(1)欠陥予測に有用な指標を備えたヒューマンエラーベースのフレームワーク,(2)提案したメトリクスを用いたモデルにより,最先端のコードメトリクスや履歴測定値よりも平均予測性能が向上する,(3)コードや履歴測定値よりも平均的重要性が向上する,(4)ソフトウェア欠陥予測モデルの説明可能性,実用性,動作性を大幅に向上させる,といった新たな指標が得られた。
本稿では,ヒューマンエラーフレームワークを用いた欠陥発生型ソフトウェア手法の予測手法を提案する。
この作業は,開発者のコーディング習慣がソフトウェアシステムの欠陥にどのように貢献するかを実証的に示すことによって,実践者に予測の行動を促すものだ。
関連論文リスト
- Position: All Current Generative Fidelity and Diversity Metrics are Flawed [58.815519650465774]
現在のジェネレーティブの忠実度と多様性の指標がすべて欠陥があることを示します。
私たちの目標は、モデルではなく、メトリクスの開発により多くの労力を費やすように研究コミュニティを説得することにあります。
論文 参考訳（メタデータ） (2025-05-28T15:10:33Z) - Object Oriented-Based Metrics to Predict Fault Proneness in Software Design [1.194799054956877]
オブジェクト指向ソフトウェアメトリクスと,その欠陥発生要因との関係を考察する。
調査によると、オブジェクト指向のメトリクスは、ソフトウェア欠陥の傾向の予測に確かに適している。
論文 参考訳（メタデータ） (2025-04-11T03:29:15Z) - Predicting post-release defects with knowledge units (KUs) of programming languages: an empirical study [25.96111422428881]
欠陥予測はソフトウェアエンジニアリングにおいて重要な役割を担い、開発者は欠陥が原因のコードを識別し、ソフトウェアの品質を改善することができる。
このギャップに対処するため,ソフトウェアシステムの解析と欠陥予測のための新しい機能セットとして,プログラミング言語の知識単位(KU)を導入する。
KUは、あるプログラミング言語の1つ以上のビルディングブロックによって提供される重要な機能の集合である。
論文 参考訳（メタデータ） (2024-12-03T23:22:06Z) - Learning-Augmented Algorithms with Explicit Predictors [67.02156211760415]
アルゴリズム設計の最近の進歩は、過去のデータと現在のデータから得られた機械学習モデルによる予測の活用方法を示している。
この文脈における以前の研究は、予測器が過去のデータに基づいて事前訓練され、ブラックボックスとして使用されるパラダイムに焦点を当てていた。
本研究では,予測器を解き,アルゴリズムの課題の中で生じる学習問題を統合する。
論文 参考訳（メタデータ） (2024-03-12T08:40:21Z) - Method-Level Bug Severity Prediction using Source Code Metrics and LLMs [0.628122931748758]
本稿では,ソースコードのメトリクス,大言語モデル(LLM)を用いたソースコード表現,およびバグ重大度ラベルの予測におけるそれらの組み合わせについて検討する。
以上の結果から,決定木モデルとランダムフォレストモデルは,いくつかの評価指標に関して,他のモデルよりも優れていたことが示唆された。
CodeBERTの微調整により、いくつかの評価指標の29%-140%の範囲でバグの重大度予測が大幅に改善される。
論文 参考訳（メタデータ） (2023-09-06T14:38:07Z) - Defect Prediction Using Stylistic Metrics [2.286041284499166]
本稿では,プロジェクト内およびプロジェクト内欠陥予測におけるスタイリスティックな指標の影響を分析することを目的とする。
実験は5つの人気のあるオープンソースプロジェクトの14のリリースで実施されている。
論文 参考訳（メタデータ） (2022-06-22T10:11:05Z) - Non-Clairvoyant Scheduling with Predictions Revisited [77.86290991564829]
非論理的スケジューリングでは、優先度不明な処理条件でジョブをスケジューリングするためのオンライン戦略を見つけることが課題である。
我々はこのよく研究された問題を、アルゴリズム設計に(信頼できない)予測を統合する、最近人気の高い学習強化された設定で再検討する。
これらの予測には所望の特性があり, 高い性能保証を有するアルゴリズムと同様に, 自然な誤差測定が可能であることを示す。
論文 参考訳（メタデータ） (2022-02-21T13:18:11Z) - Learning Predictions for Algorithms with Predictions [49.341241064279714]
予測器を学習するアルゴリズムに対して,一般的な設計手法を導入する。
オンライン学習の手法を応用して、敵のインスタンスに対して学習し、堅牢性と一貫性のあるトレードオフを調整し、新しい統計的保証を得る。
両部マッチング,ページマイグレーション,スキーレンタル,ジョブスケジューリングの手法を解析することにより,学習アルゴリズムの導出におけるアプローチの有効性を実証する。
論文 参考訳（メタデータ） (2022-02-18T17:25:43Z) - Robustification of Online Graph Exploration Methods [59.50307752165016]
我々は、古典的で有名なオンライングラフ探索問題の学習強化版について研究する。
本稿では,予測をよく知られたNearest Neighbor(NN)アルゴリズムに自然に統合するアルゴリズムを提案する。
論文 参考訳（メタデータ） (2021-12-10T10:02:31Z) - 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) - Counterfactual Predictions under Runtime Confounding [74.90756694584839]
本研究は, 過去のデータからすべての関連要因を抽出した環境で, 事実予測タスクについて検討する。
本稿では,この環境下での対実予測モデル学習のための2次ロバスト手法を提案する。
論文 参考訳（メタデータ） (2020-06-30T15:49:05Z)
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。