論文の概要: Group versus Individual Review Requests: Tradeoffs in Speed and Quality at Mozilla Firefox

• arxiv url: http://arxiv.org/abs/2601.01514v1
• Date: Sun, 04 Jan 2026 12:46:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-06 16:25:22.458728
• Title: Group versus Individual Review Requests: Tradeoffs in Speed and Quality at Mozilla Firefox
• Title（参考訳）: グループ対個人のレビュー要求: Mozilla Firefoxの速度と品質のトレードオフ
• Authors: Matej Kucera, Marco Castelluccio, Daniel Feitosa, Ayushi Rastogi,
• Abstract要約: 本研究は,グループレビュー要求と個人レビュー要求がベロシティと品質に及ぼす影響について検討する。 Mozilla Firefoxプロジェクトの約66,000のリビジョンを調査した。 レビュー品質を改善したグループレビューでは、レビューベロシティと無視可能な関連性を持ちながら、レグレッションの少ないことが特徴だった。
• 参考スコア（独自算出の注目度）: 3.990241123013486
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The speed at which code changes are integrated into the software codebase, also referred to as code review velocity, is a prevalent industry metric for improved throughput and developer satisfaction. While prior studies have explored factors influencing review velocity, the role of the review assignment process, particularly the `group review request', is unclear. In group review requests, available on platforms like Phabricator, GitHub, and Bitbucket, a code change is assigned to a reviewer group, allowing any member to review it, unlike individual review assignments to specific reviewers. Drawing parallels with shared task queues in Management Sciences, this study examines the effects of group versus individual review requests on velocity and quality. We investigate approximately 66,000 revisions in the Mozilla Firefox project, combining statistical modeling with practitioner views from a focus group discussion. Our study associates group reviews with improved review quality, characterized by fewer regressions, while having a negligible association with review velocity. Additional perceived benefits include balanced work distribution and training opportunities for new reviewers.
• Abstract（参考訳）: コード変更がソフトウェアコードベースに統合される速度(コードレビューベロシティとも呼ばれる)は、スループットと開発者の満足度を改善するための業界における一般的な指標です。 先行研究はレビューのベロシティに影響を与える要因を検討したが、レビューの割り当てプロセス、特に「グループレビュー要求」の役割は明らかになっていない。 Phabricator、GitHub、Bitbucketなどのプラットフォームで利用可能なグループレビューリクエストでは、コード変更がレビュアグループに割り当てられ、特定のレビュアに対する個々のレビュー代行とは異なり、任意のメンバがレビューすることができる。 本研究は、管理科学におけるタスクキューの共有と平行して、グループ対個人レビュー要求がベロシティと品質に与える影響について検討する。 Mozilla Firefoxプロジェクトの約66,000のリビジョンを調査し、統計モデリングと実践者の視点を組み合わせたフォーカスグループディスカッションを行った。 本研究は,レビューベロシティと無視できる相関を保ちながら,回帰率の低下を特徴とするレビュー品質の向上とグループレビューの関連性について検討した。 追加のメリットとして、バランスの取れた作業の配布と、新たなレビュアーのためのトレーニングの機会がある。

関連論文リスト

• LazyReview A Dataset for Uncovering Lazy Thinking in NLP Peer Reviews [74.87393214734114]
  この研究は、微粒な遅延思考カテゴリで注釈付けされたピアレビュー文のデータセットであるLazyReviewを紹介している。 大規模言語モデル(LLM)は、ゼロショット設定でこれらのインスタンスを検出するのに苦労する。 命令ベースのデータセットの微調整により、パフォーマンスが10～20ポイント向上する。
  論文  参考訳（メタデータ） (2025-04-15T10:07:33Z)
• Identifying Aspects in Peer Reviews [59.02879434536289]
  我々は、ピアレビューのコーパスからアスペクトを抽出するデータ駆動スキーマを開発した。 我々は、アスペクトを付加したピアレビューのデータセットを導入し、コミュニティレベルのレビュー分析にどのように使用できるかを示す。
  論文  参考訳（メタデータ） (2025-04-09T14:14:42Z)
• Deep Learning-based Code Reviews: A Paradigm Shift or a Double-Edged Sword? [14.970843824847956]
  私たちは、自動生成されたコードレビューのサポートなしで、異なるプログラムをレビューする29人の専門家による制御された実験を実行しました。 本研究は,LLMが自動認識する問題の大部分をレビュアが有効とみなし,自動化されたレビューを出発点として利用できることが,彼らの行動に強く影響していることを示す。 しかし、自動化されたレビューから始まったレビュアーは、完全な手作業のプロセスと比較して、より高重度な問題を特定できない一方で、より多くの低重度な問題を特定した。
  論文  参考訳（メタデータ） (2024-11-18T09:24:01Z)
• Analytical and Empirical Study of Herding Effects in Recommendation Systems [72.6693986712978]
  評価アグリゲーションルールとショートリストされた代表レビューを用いて製品評価を管理する方法について検討する。 本稿では,Amazon と TripAdvisor の収束速度を向上させるために,適切な信頼度評価アグリゲーションルールが有効であることを示す。
  論文  参考訳（メタデータ） (2024-08-20T14:29:23Z)
• Factoring Expertise, Workload, and Turnover into Code Review Recommendation [4.492444446637857]
  コードレビューが知識を自然に広めることで、ファイルのターンオーバーのリスクが軽減されることを示す。 我々は、レビュー中の専門知識のレベルへの影響を理解するために、新しいレコメンデーターを開発する。 レビュー中に専門知識をグローバルに増加させ、+3%、ワークロードの集中度を12%減らし、ファイルのリスクを28%減らすことができます。
  論文  参考訳（メタデータ） (2023-12-28T18:58:06Z)
• Improving Code Reviewer Recommendation: Accuracy, Latency, Workload, and Bystanders [6.301093158004018]
  文献でよく使われている特徴に基づいた新しいレコメンデーターを開発した。 2022年春の82k差分におけるA/Bテストでは、新しい推奨値の方が正確で、レイテンシが低かった。 2023年春に12.5kの著者を対象にA/B試験を行い,推奨個人を指定した場合の差分処理に要する時間を大幅に削減した。
  論文  参考訳（メタデータ） (2023-12-28T17:55:13Z)

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。