論文の概要: What Drives Issue Resolution Speed? An Empirical Study of Scientific Workflow Systems on GitHub
- arxiv url: http://arxiv.org/abs/2512.18852v1
- Date: Sun, 21 Dec 2025 18:41:27 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-12-23 18:54:32.528563
- Title: What Drives Issue Resolution Speed? An Empirical Study of Scientific Workflow Systems on GitHub
- Title（参考訳）: 課題解決のスピードを駆動するものは何か? GitHubにおける科学ワークフローシステムの実証的研究
- Authors: Khairul Alam, Banani Roy,
- Abstract要約: 科学的システム(SWS)は再現可能でスケーラブルで自動化された科学分析を可能にする上で重要な役割を担っている。
本稿では、GitHubがホストするSWSプロジェクトの集合体における課題管理と解決に関する実証的研究について述べる。
- 参考スコア（独自算出の注目度）: 4.902956965439
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Scientific Workflow Systems (SWSs) play a vital role in enabling reproducible, scalable, and automated scientific analysis. Like other open-source software, these systems depend on active maintenance and community engagement to remain reliable and sustainable. However, despite the importance of timely issue resolution for software quality and community trust, little is known about what drives issue resolution speed within SWSs. This paper presents an empirical study of issue management and resolution across a collection of GitHub-hosted SWS projects. We analyze 21,116 issues to investigate how project characteristics, issue metadata, and contributor interactions affect time-to-close. Specifically, we address two research questions: (1) how issues are managed and addressed in SWSs, and (2) how issue and contributor features relate to issue resolution speed. We find that 68.91% of issues are closed, with half of them resolved within 18.09 days. Our results show that although SWS projects follow structured issue management practices, the issue resolution speed varies considerably across systems. Factors such as labeling and assigning issues are associated with faster issue resolution. Based on our findings, we make recommendations for developers to better manage SWS repository issues and improve their quality.
- Abstract（参考訳）: 科学的ワークフローシステム(SWS)は、再現可能でスケーラブルで自動化された科学分析を可能にする上で重要な役割を担っている。
他のオープンソースソフトウェアと同様に、これらのシステムは信頼性と持続性を維持するために、アクティブなメンテナンスとコミュニティの関与に依存している。
しかし、ソフトウェアの品質とコミュニティの信頼に対するタイムリーな問題解決の重要性にもかかわらず、SWSにおける課題解決のスピードを駆動する要因についてはほとんど分かっていない。
本稿では、GitHubがホストするSWSプロジェクトの集合体における課題管理と解決に関する実証的研究について述べる。
21,116の課題を分析し,プロジェクトの特徴,メタデータの発行,コントリビュータとのインタラクションが時間と閉鎖に与える影響について検討する。
具体的には,(1)SWSにおける課題の管理と対処方法,(2)課題とコントリビュータの機能が課題解決の速度にどのように関係しているか,という2つの研究課題に対処する。
68.91%の問題は解決され、半数は18.09日以内に解決された。
その結果,SWSプロジェクトは構造化された課題管理の実践に従っているものの,課題解決の速度はシステムによって大きく異なることがわかった。
ラベル付けや問題の割り当てといった要因は、より高速なイシュー解決と関連している。
我々の発見に基づき、SWSリポジトリの問題をよりよく管理し、品質を改善するよう開発者に推奨します。
関連論文リスト
- Barbarians at the Gate: How AI is Upending Systems Research [58.95406995634148]
システム研究は、新しいパフォーマンス指向アルゴリズムの設計と評価に長年注力してきたが、AI駆動のソリューション発見には特に適している、と私たちは主張する。
このアプローチをAI駆動システム研究(ADRS)と呼び、ソリューションを反復的に生成し、評価し、洗練する。
我々の研究結果は、AI時代のシステム研究の実践に急激な適応の必要性と破壊的な可能性を浮き彫りにしている。
論文 参考訳（メタデータ） (2025-10-07T17:49:24Z) - Issue Tracking Ecosystems: Context and Best Practices [0.0]
GitHubとJiraは、問題管理を通じてソフトウェアエンジニアリング(SE)組織をサポートする一般的なツールです。
課題追跡生態系 (ITE) は、中央ITSと関連するSEアーティファクト、利害関係者、プロセスの集合である。
私は、複雑さと多様性に関するこれらの疑問に対処しながら、より広いレベルでITTを理解するという挑戦を受けています。
論文 参考訳（メタデータ） (2025-07-09T09:57:13Z) - Towards an Interpretable Analysis for Estimating the Resolution Time of Software Issues [1.4039240369201997]
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。
論文 参考訳（メタデータ） (2025-05-02T08:38:59Z) - SWE-Fixer: Training Open-Source LLMs for Effective and Efficient GitHub Issue Resolution [56.9361004704428]
大規模言語モデル(LLM)は、様々な複雑なタスクにまたがる顕著な習熟度を示している。
SWE-Fixerは、GitHubの問題を効果的かつ効率的に解決するために設計された、新しいオープンソースフレームワークである。
我々は,SWE-Bench LiteとVerifiedベンチマークに対するアプローチを評価し,オープンソースモデル間の競合性能を実現する。
論文 参考訳（メタデータ） (2025-01-09T07:54:24Z) - An Empirical Investigation on the Challenges in Scientific Workflow Systems Development [6.920993703034064]
この記事では、Stack Overflow(SO)とGitHubにおける開発者と研究者のインタラクションについて検討する。
問題を分析することで、13のトピック(例えば、エラーとバグ修正、ドキュメント、依存性)を特定し、データ構造と操作が最も難しいことを発見した。
また、データ構造や操作、タスク管理、ワークフロースケジューリングといった、SOとGitHubの共通するトピックも見つけました。
論文 参考訳（メタデータ） (2024-11-16T21:14:11Z) - Lingma SWE-GPT: An Open Development-Process-Centric Language Model for Automated Software Improvement [62.94719119451089]
Lingma SWE-GPTシリーズは、現実世界のコード提出活動から学び、シミュレーションする。
Lingma SWE-GPT 72BはGitHubの30.20%の問題を解決する。
論文 参考訳（メタデータ） (2024-11-01T14:27:16Z) - SWE-bench Multimodal: Do AI Systems Generalize to Visual Software Domains? [64.34184587727334]
視覚的ユーザ向けJavaScriptソフトウェアにおけるバグ修正機能に基づいて,システム評価を行うSWE-bench Multimodalを提案する。
SWE-bench Mは、Webインターフェース設計、ダイアグラム、データ視覚化、シンタックスハイライト、インタラクティブマッピングに使用される17のJavaScriptライブラリから収集された617のタスクインスタンスを特徴とする。
分析の結果,SWE-benchシステムはSWE-bench Mと競合し,視覚的問題解決や言語間の一般化に限界があることが判明した。
論文 参考訳（メタデータ） (2024-10-04T18:48:58Z) - Alibaba LingmaAgent: Improving Automated Issue Resolution via Comprehensive Repository Exploration [64.19431011897515]
本稿では,問題解決のためにソフトウェアリポジトリ全体を包括的に理解し,活用するために設計された,新しいソフトウェアエンジニアリング手法であるAlibaba LingmaAgentを提案する。
提案手法では,重要なリポジトリ情報を知識グラフに凝縮し,複雑さを低減し,モンテカルロ木探索に基づく戦略を採用する。
Alibaba Cloudの製品展開と評価において、LingmaAgentは、開発エンジニアが直面した社内問題の16.9%を自動で解決し、手作業による介入で43.3%の問題を解決した。
論文 参考訳（メタデータ） (2024-06-03T15:20:06Z) - Software issues report for bug fixing process: An empirical study of
machine-learning libraries [0.0]
6つの機械学習ライブラリにおけるバグ修正プロセスにおける課題解決の有効性について検討した。
マシンラーニングライブラリで最も一般的な問題カテゴリは、バグ、ドキュメント、最適化、クラッシュ、拡張、新機能要求、ビルド/CI、サポート、パフォーマンスである。
本研究は,効率的な課題追跡プロセス,効果的なコミュニケーション,コラボレーションが,機械学習ライブラリの課題解決やバグ修正プロセスの効果的な解決に不可欠である,と結論付けている。
論文 参考訳（メタデータ） (2023-12-10T21:33:19Z)
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。