論文の概要: An empirical study on declined proposals: why are these proposals declined?

• arxiv url: http://arxiv.org/abs/2510.06984v1
• Date: Wed, 08 Oct 2025 13:09:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-09 16:41:20.504921
• Title: An empirical study on declined proposals: why are these proposals declined?
• Title（参考訳）: 辞退提案に関する実証的研究:なぜ辞退したのか?
• Authors: Masanari Kondo, Mahmoud Alfadel, Shane McIntosh, Yasutaka Kamei, Naoyasu Ubayashi,
• Abstract要約: 本研究では,Go言語における提案の特徴と結果について検討する。 提案は受け入れられるよりも拒否されることが多く、解決には通常1ヶ月以上かかります。 重複、限られたユースケース、プロジェクト原則違反など、提案が下降する9つの主要な理由を特定します。
• 参考スコア（独自算出の注目度）: 5.8828883295344925
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Design-level decisions in open-source software (OSS) projects are often made through structured mechanisms such as proposals, which require substantial community discussion and review. Despite their importance, the proposal process is resource-intensive and often leads to contributor frustration, especially when proposals are declined without clear feedback. Yet, the reasons behind proposal rejection remain poorly understood, limiting opportunities to streamline the process or guide contributors effectively. This study investigates the characteristics and outcomes of proposals in the Go programming language to understand why proposals are declined and how such outcomes might be anticipated. We conduct a mixed-method empirical study on 1,091 proposals submitted to the Go project. We quantify proposal outcomes, build a taxonomy of decline reasons, and evaluate large language models (LLMs) for predicting these outcomes. We find that proposals are more often declined than accepted, and resolution typically takes over a month. Only 14.7% of declined proposals are ever resubmitted. Through qualitative coding, we identify nine key reasons for proposal decline, such as duplication, limited use cases, or violations of project principles. This taxonomy can help contributors address issues in advance, e.g., checking for existing alternatives can reduce redundancy. We also demonstrate that GPT-based models can predict decline decisions early in the discussion (F1 score = 0.71 with partial comments), offering a practical tool for prioritizing review effort. Our findings reveal inefficiencies in the proposal process and highlight actionable opportunities for improving both contributor experience and reviewer workload by enabling early triage and guiding contributors to strengthen their proposals using a structured understanding of past decline reasons.
• Abstract（参考訳）: オープンソースソフトウェア(OSS)プロジェクトにおける設計レベルの決定は、しばしば、コミュニティの議論とレビューを必要とする提案のような構造化されたメカニズムによって行われる。 その重要性にもかかわらず、提案プロセスはリソース集約的であり、特に明確なフィードバックなしに提案が拒否された場合、しばしばコントリビュータのフラストレーションにつながる。 しかし、提案の拒絶の背景にある理由はよく理解されておらず、プロセスの合理化やコントリビュータの指導を効果的に行う機会を制限している。 本研究では,Go言語における提案の特徴と成果について検討し,なぜ提案が下降したのか,どのように成果が期待できるのかを考察する。 我々は,Goプロジェクトに提出された1,091の提案について,混合手法による実証的研究を行った。 我々は,提案結果の定量化,減少原因分類の構築,これらの結果を予測するための大規模言語モデル (LLM) の評価を行う。 提案は受け入れられるよりも拒否されることが多く、解決には通常1ヶ月以上かかります。 辞退した提案のうち14.7%のみが再提出された。 定性的なコーディングを通じて、重複、限られたユースケース、プロジェクト原則違反など、提案が下降する9つの重要な理由を特定します。 この分類は、コントリビュータが事前に問題に対処するのに役立つ。 また、GPTベースのモデルは、議論の初期段階で下降決定を予測できることを示し(F1スコアは部分的なコメントで0.71)、レビュー作業の優先順位付けのための実用的なツールを提供する。 本研究は,提案プロセスの非効率性を明らかにするとともに,コントリビュータの早期トリアージとコントリビュータの指導により,過去の衰退理由を構造化した理解を用いて提案の強化を図ることにより,コントリビュータエクスペリエンスとレビュアーの作業量を改善するための実行可能な機会を明らかにする。

関連論文リスト

• Lost at the Beginning of Reasoning [82.18834329384514]
  第1の推論ステップが最終予測に不当に大きな影響を与えることを示す。 本稿では、報酬モデルを利用して高品質な第1推論ステップを特定し、維持する効率的なサンプリング戦略を提案する。 モデル自己補正能力を体系的に評価するために、意図的に欠陥のある第1の推論ステップで構築された新しいベンチマークを導入する。
  論文  参考訳（メタデータ） (2025-06-27T09:53:57Z)
• $\text{R}^2\text{ec}$: Towards Large Recommender Models with Reasoning [50.291998724376654]
  我々は,本質的な推論機能を備えた統合された大規模レコメンデータモデルであるnameを提案する。 RecPOは、単一のポリシー更新で推論とレコメンデーションの両方の機能を同時に最適化する、対応する強化学習フレームワークである。 さまざまなベースラインを持つ3つのデータセットの実験では、Hit@5で68.67%、NDCG@20で45.21%の相対的な改善が見られた。
  論文  参考訳（メタデータ） (2025-05-22T17:55:43Z)
• Trade-offs in Large Reasoning Models: An Empirical Analysis of Deliberative and Adaptive Reasoning over Foundational Capabilities [101.77467538102924]
  近年のLRM(Large Reasoning Models)の進歩は、特殊推論タスクにおいて顕著な性能を示している。 議論的推論能力の獲得は, LRMの基礎的能力を大幅に低下させることを示す。 適応推論(Zero-Thinking, Less-Thinking, Summary-Thinking)がこれらの欠点を効果的に軽減できることを示します。
  論文  参考訳（メタデータ） (2025-03-23T08:18:51Z)
• Learning Planning-based Reasoning by Trajectories Collection and Process Reward Synthesizing [61.98556945939045]
  収集された軌道上でのDPO(Direct Preference Optimization)を通して計画に基づく推論を学習するフレームワークを提案する。 論理的推論ベンチマークの挑戦的な結果から,学習フレームワークの有効性が示された。
  論文  参考訳（メタデータ） (2024-02-01T15:18:33Z)
• Probabilistically Robust Recourse: Navigating the Trade-offs between Costs and Robustness in Algorithmic Recourse [34.39887495671287]
  本稿では,達成された(反感)と所望のリコース無効率とのギャップを同時に最小化する目的関数を提案する。 我々は,任意のインスタンスに対応するリコース無効化率を特徴付けるために,新しい理論的結果を開発した。 複数の実世界のデータセットを用いた実験により,提案手法の有効性が示された。
  論文  参考訳（メタデータ） (2022-03-13T21:39:24Z)
• ProposalCLIP: Unsupervised Open-Category Object Proposal Generation via Exploiting CLIP Cues [49.88590455664064]
  ProposalCLIPはアノテーションなしでさまざまなオブジェクトカテゴリの提案を予測できる。 提案CLIPはまた、教師なしオブジェクト検出のような下流タスクの利点を示す。
  論文  参考訳（メタデータ） (2022-01-18T01:51:35Z)
• Adaptive Proposal Generation Network for Temporal Sentence Localization in Videos [58.83440885457272]
  ビデオ(TSLV)における時間文ローカライゼーションの問題に対処する。 従来のメソッドは、事前に定義されたセグメントの提案でターゲットセグメントをローカライズするトップダウンフレームワークに従っている。 本稿では,効率を向上しつつセグメントレベルの相互作用を維持するための適応提案生成ネットワーク(APGN)を提案する。
  論文  参考訳（メタデータ） (2021-09-14T02:02:36Z)
• Towards Robust and Reliable Algorithmic Recourse [11.887537452826624]
  モデルシフトに堅牢なリコースを見つけるための敵対的トレーニングを活用する新しいフレームワークであるRObust Algorithmic Recourse(ROAR)を提案します。 また,モデルシフトにロバストなリコースの構築の重要性を強調する詳細な理論解析を行う。
  論文  参考訳（メタデータ） (2021-02-26T17:38:52Z)

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。