論文の概要: Bug Priority Change Prediction: An Exploratory Study on Apache Software
- arxiv url: http://arxiv.org/abs/2512.09216v1
- Date: Wed, 10 Dec 2025 00:59:51 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-12-11 15:14:53.355298
- Title: Bug Priority Change Prediction: An Exploratory Study on Apache Software
- Title（参考訳）: バグ優先度変更予測: Apacheソフトウェアに関する調査研究
- Authors: Guangzong Cai, Zengyang Li, Peng Liang, Ran Mo, Hui Liu, Yutao Ma,
- Abstract要約: 本稿では,バグ修正の進化的特徴とクラス不均衡処理戦略に基づく2段階バグレポート優先度変更予測手法を提案する。
提案手法の性能を評価するため,32の非自明なApacheプロジェクトから構築したバグデータセットを用いて実験を行った。
- 参考スコア（独自算出の注目度）: 7.264561489832595
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Bug fixing is a critical activity in the software development process. In issue tracking systems such as JIRA, each bug report is assigned a priority level to indicate the urgency and importance level of the bug. The priority may change during the bug fixing process, indicating that the urgency and importance level of the bug will change with the bug fixing. However, manually evaluating priority changes for bugs is a tedious process that heavily relies on the subjective judgment of developers and project managers, leading to incorrect priority changes and thus hindering timely bug fixes. Given the lack of research on bug priority change prediction, we propose a novel two-phase bug report priority change prediction method based on bug fixing evolution features and class imbalance handling strategy. Specifically, we divided the bug lifecycle into two phases: bug reporting and bug fixing, and constructed bug priority change prediction models for each phase. To evaluate the performance of our method, we conducted experiments on a bug dataset constructed from 32 non-trivial Apache projects. The experimental results show that our proposed bug fixing evolution features and the adopted class imbalance handling strategy can effectively improve the performance of prediction models. The F1-score of the prediction model constructed for the bug reporting phase reached 0.798, while the F1-weighted and F1-macro of the prediction model constructed for the bug fixing phase were 0.712 and 0.613, respectively. Furthermore, we explored the cross-project applicability of our prediction models and their performance at different priority levels. The findings indicate large variations in model performance across different projects, although the overall scores remain decent. Meanwhile, the predictive performance across various priority levels remained relatively consistently high.
- Abstract（参考訳）: バグ修正はソフトウェア開発プロセスにおいて重要な活動です。
JIRAのようなイシュートラッキングシステムでは、各バグレポートには、バグの緊急度と重要度を示す優先度レベルが割り当てられている。
優先度はバグ修正プロセス中に変更され、バグの緊急度と重要度がバグ修正とともに変化することを示している。
しかしながら、バグに対する優先順位の変更を手動で評価するのは、開発者やプロジェクトマネージャの主観的な判断に大きく依存する面倒なプロセスです。
バグ優先度変更予測に関する研究の欠如を踏まえ,バグ修正の進化的特徴とクラス不均衡処理戦略に基づく2段階バグレポート優先度変更予測手法を提案する。
具体的には、バグライフサイクルをバグレポートとバグ修正の2つのフェーズに分割し、各フェーズにバグ優先度変更予測モデルを構築しました。
提案手法の性能を評価するため,32の非自明なApacheプロジェクトから構築したバグデータセットを用いて実験を行った。
実験結果から,提案するバグ修正進化機能と,導入したクラス不均衡ハンドリング戦略は,予測モデルの性能を効果的に向上できることが示された。
バグ報告フェーズで構築した予測モデルのF1スコアは0.798に達し,バグ修正フェーズで構築した予測モデルのF1重み付きとF1マクロはそれぞれ0.712と0.613であった。
さらに,予測モデルのプロジェクト間適用性と性能を,異なる優先度レベルで検討した。
この結果は、異なるプロジェクト間でのモデルパフォーマンスに大きなバリエーションを示しているが、全体のスコアはまともなままである。
一方、様々な優先度レベルの予測性能は比較的高いままであった。
関連論文リスト
- BugPilot: Complex Bug Generation for Efficient Learning of SWE Skills [59.003563837981886]
高品質なバグは、次世代の言語モデルベースソフトウェアエンジニアリング(SWE)エージェントをトレーニングする鍵となる。
難易度および多種多様なバグを合成する新しい方法を提案する。
論文 参考訳（メタデータ） (2025-10-22T17:58:56Z) - Refactoring $\neq$ Bug-Inducing: Improving Defect Prediction with Code Change Tactics Analysis [54.361900378970134]
Just-in-time defect prediction (JIT-DP) は、早期にソフトウェア欠陥を引き起こすコード変更の可能性を予測することを目的としている。
これまでの研究は、その頻度にもかかわらず、評価フェーズと方法論フェーズの両方でコードを無視してきた。
JIT-Defects4Jデータセットのラベリング精度を13.7%向上させるコードと伝播を分類するためのCode chAnge Tactics (CAT)解析を提案する。
論文 参考訳（メタデータ） (2025-07-25T23:29:25Z) - Bug Destiny Prediction in Large Open-Source Software Repositories through Sentiment Analysis and BERT Topic Modeling [3.481985817302898]
バグが解決する前に利用可能な機能を活用して、予測精度を高めます。
本手法は感情分析を取り入れ,感情性スコアと感情分類の両方を導出する。
結果は、感情分析がバグの最終的な結果の貴重な予測要因であることを示している。
論文 参考訳（メタデータ） (2025-04-22T15:18:14Z) - Bug Priority Change: An Empirical Study on Apache Projects [5.902703395502138]
各プロジェクトのバグの割合は、そのようなバグが報告された後に優先順位を変更した。
バグ修正プロセスに悪影響を及ぼす可能性があるバグ優先度変更の現象について、詳細な調査が行われていない。
その結果,(1)選択したプロジェクトのバグの8.3%が優先的な変更を受けており,(2)中央値の変更間隔は,ほとんどのプロジェクト(32件中28件)でわずか数日であり,半数(50.7%)がバグの処理前に発生していることがわかった。
論文 参考訳（メタデータ） (2024-03-08T05:10:57Z) - Using Developer Discussions to Guide Fixing Bugs in Software [51.00904399653609]
我々は,タスク実行前に利用可能であり,また自然発生しているバグレポートの議論を,開発者による追加情報の必要性を回避して利用することを提案する。
このような議論から派生したさまざまな自然言語コンテキストがバグ修正に役立ち、オラクルのバグ修正コミットに対応するコミットメッセージの使用よりもパフォーマンスの向上につながることを実証する。
論文 参考訳（メタデータ） (2022-11-11T16:37:33Z) - ADPTriage: Approximate Dynamic Programming for Bug Triage [0.0]
オンラインバグトリアージタスクのためのマルコフ決定プロセス(MDP)モデルを開発した。
私たちはADPTriageと呼ばれるADPベースのバグトリアージソリューションを提供しています。
以上の結果から, 代入精度と固定時間の観点から, ミオピックアプローチよりも有意な改善が見られた。
論文 参考訳（メタデータ） (2022-11-02T04:42:21Z) - An Empirical Study on Bug Severity Estimation using Source Code Metrics and Static Analysis [0.8621608193534838]
我々は、19のJavaオープンソースプロジェクトと異なる重度ラベルを持つ3,358のバグギーメソッドを調査した。
結果は、コードメトリクスがバグの多いコードを予測するのに有用であることを示しているが、バグの深刻度レベルを見積もることはできない。
当社の分類では、セキュリティバグがほとんどのケースで高い重大性を持っているのに対して、エッジ/バウンダリ障害は低い重大性を持っていることが示されています。
論文 参考訳（メタデータ） (2022-06-26T17:07:23Z) - DapStep: Deep Assignee Prediction for Stack Trace Error rePresentation [61.99379022383108]
本稿では,バグトリアージ問題を解決するための新しいディープラーニングモデルを提案する。
モデルは、注目された双方向のリカレントニューラルネットワークと畳み込みニューラルネットワークに基づいている。
ランキングの質を向上させるために,バージョン管理システムのアノテーションから追加情報を利用することを提案する。
論文 参考訳（メタデータ） (2022-01-14T00:16:57Z) - Predicting the Number of Reported Bugs in a Software Repository [0.0]
本研究では,Long Short Term Memory Neural Networks (LSTM), Auto-Regressive Integrated moving average (ARIMA), Random Forest Regressorの8種類の時系列予測モデルについて検討した。
異なる性能指標に基づいて、各モデルの長期予測の品質を分析します。
評価は、大規模なオープンソースソフトウェアアプリケーションであるMozilla上で行われる。
論文 参考訳（メタデータ） (2021-04-24T19:06:35Z) - Evaluating Prediction-Time Batch Normalization for Robustness under
Covariate Shift [81.74795324629712]
我々は予測時間バッチ正規化と呼び、共変量シフト時のモデル精度とキャリブレーションを大幅に改善する。
予測時間バッチ正規化は、既存の最先端アプローチに相補的な利点をもたらし、ロバスト性を向上させることを示します。
この手法は、事前トレーニングと併用して使用すると、さまざまな結果が得られるが、より自然なタイプのデータセットシフトでは、パフォーマンスが良くないようだ。
論文 参考訳（メタデータ） (2020-06-19T05:08:43Z)
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。