論文の概要: An Empirical Study on Logging Evolution On Stack Overflow: Trends, Topics, and Challenges

• arxiv url: http://arxiv.org/abs/2606.00118v1
• Date: Wed, 27 May 2026 19:42:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-09 18:56:42.480138
• Title: An Empirical Study on Logging Evolution On Stack Overflow: Trends, Topics, and Challenges
• Title（参考訳）: スタックオーバーフローにおけるロギング進化に関する実証的研究:トレンド,トピック,課題
• Authors: Patrick Loic Foalem, Andre Nguimbous, Foutse Khomh, Heng Li, Ettore Merlo,
• Abstract要約: 本稿では,開発者のQ&AプラットフォームであるStack Overflow(SO)の216,094ポストのデータセットに基づいて,ロギングにおけるトレンド,トピック,課題の詳細な分析を行う。
• 参考スコア（独自算出の注目度）: 7.085961807062631
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Context: Logging is a crucial practice in software engineering, aiding developers in debugging applications when errors occur. While existing research has explored logging challenges from an academic perspective through literature reviews and source code analysis, a comprehensive study from the practitioners' perspective remains lacking. Objective: This paper aims to bridge this knowledge gap by presenting an in-depth analysis of trends, topics, and challenges in logging based on a dataset of 216,094 posts from Stack Overflow (SO), a popular Q\&A platform for developers. Method: We analyzed longitudinal trends by examining metadata related to users, questions, and tags associated with logging discussions. To identify prevalent discussion topics, we employed a Large Language Model (LLM)--based classification approach, based on a manually validated ground-truth sample. Topic popularity was assessed through average scores and views, while difficulty was measured using three community-driven metrics: the proportion of questions without accepted answers, the proportion of unanswered questions, and the median time to receive an accepted answer. Results: Our analysis identifies 11 distinct topics, with the top three (General Logging Practices, Error Handling and Debugging, and Logging Levels and Output) accounting for over 70\% of all logging-related discussions. Notably, Logging in Containerized Environments emerged as the most difficult topic: 64.9\% of its questions lack an accepted answer, and its median resolution time is among the highest. These findings highlight enduring practitioner struggles with logging in Docker or other containerized environments and the integration of logging pipelines into orchestrators such as Kubernetes and cloud environments. Conclusion: This study sheds light on the practical challenges of logging and provides actionable insights for developers, framework vendors, researchers, and educators.
• Abstract（参考訳）: コンテキスト: ロギングはソフトウェアエンジニアリングにおいて重要なプラクティスであり、エラーが発生した時にアプリケーションのデバッグを支援する。 既存の研究では、文献レビューやソースコード分析を通じて、学術的な視点からロギングの課題を探求してきたが、実践者の視点による包括的な研究は依然として不足している。 目的:本論文は,Stack Overflow(SO)の216,094件のデータセットに基づいたロギングにおけるトレンド,トピック,課題を詳細に分析することで,この知識ギャップを埋めることを目的としている。 方法: ロギング議論に関連するユーザ, 質問, タグに関連するメタデータを調査し, 縦断的傾向を分析した。 そこで本研究では,大規模言語モデルに基づく分類手法を,手動で検証した地下構造標本に基づいて用いた。 トピックの人気は平均得点と視聴率で評価され、コミュニティ主導の3つの指標(回答なし質問の割合、回答なし質問の割合、回答なし質問の中央値)を用いて難易度を測定した。 結果: 私たちの分析では11のトピックが特定されており、上位3つ(ジェネラルロギングプラクティス、エラー処理とデバッグ、ロギングレベルとアウトプット)が、ロギング関連のすべての議論の70%以上を占めています。 特に、コンテナ環境でのロギングは最も難しいトピックとして浮上した:64.9%の質問には受け入れられていない回答がなく、その中央値の解決時間は最も高い。 これらの調査結果は、Dockerなどのコンテナ環境でのロギングと、Kubernetesやクラウド環境などのオーケストレータへのロギングパイプラインの統合に、永続的な実践者が苦労していることを強調している。 結論: この研究はロギングの実践的な課題に光を当て、開発者、フレームワークベンダー、研究者、教育者に対して実行可能な洞察を提供する。

関連論文リスト

• Benchmarking Deep Search over Heterogeneous Enterprise Data [73.55304268238474]
  検索強化生成(RAG)の形式を評価するための新しいベンチマークを提案する。 RAGは、多種多様な、しかし関連するソースに対して、ソースを意識したマルチホップ推論を必要とする。 製品計画、開発、サポートステージをまたいだビジネスをシミュレートする合成データパイプラインを使用して構築します。
  論文  参考訳（メタデータ） (2025-06-29T08:34:59Z)
• Exploring Challenges in Test Mocking: Developer Questions and Insights from StackOverflow [0.0]
  FLOW技術におけるMockingに関する25,302の質問を分析した。 トピックモデリングにLatent Dirichlet Allocationを使用しました。 我々は,各カテゴリーの年次および相対確率を分析し,モック関連議論の進化を解明した。
  論文  参考訳（メタデータ） (2025-05-13T07:23:49Z)
• Retrieval-Augmented Generation with Conflicting Evidence [57.66282463340297]
  大規模言語モデル (LLM) エージェントは、応答の事実性を改善するために、検索強化世代 (RAG) をますます採用している。 実際には、これらのシステムは曖昧なユーザクエリを処理し、複数のソースからの情報に衝突する可能性がある。 RAMDocs(Retrieval with Ambiguity and Misinformation in Documents)は,ユーザクエリのエビデンスを矛盾させるような,複雑で現実的なシナリオをシミュレートする新しいデータセットである。
  論文  参考訳（メタデータ） (2025-04-17T16:46:11Z)
• Beyond Final Code: A Process-Oriented Error Analysis of Software Development Agents in Real-World GitHub Scenarios [31.749442120603774]
  問題解決フェーズにおけるPythonの実行エラーは、低解像度率と推論オーバーヘッドの増加と相関している。 私たちは、ModuleNotFoundErrorやTypeErrorのような最も一般的なエラーを特定し、OSErrorやデータベース関連の問題のような特に困難なエラーを強調しました。
  論文  参考訳（メタデータ） (2025-03-16T06:24:51Z)
• Deep Learning-Based Object Pose Estimation: A Comprehensive Survey [73.74933379151419]
  ディープラーニングに基づくオブジェクトポーズ推定の最近の進歩について論じる。 また、複数の入力データモダリティ、出力ポーズの自由度、オブジェクト特性、下流タスクについても調査した。
  論文  参考訳（メタデータ） (2024-05-13T14:44:22Z)
• Competency Problems: On Finding and Removing Artifacts in Language Data [50.09608320112584]
  複雑な言語理解タスクでは、すべての単純な特徴相関が突発的であると論じる。 人間バイアスを考慮したコンピテンシー問題に対するデータ作成の難しさを理論的に分析します。
  論文  参考訳（メタデータ） (2021-04-17T21:34:10Z)

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。