論文の概要: SentTrack: Sentiment-Driven Bottleneck Detection in GitHub Issue Repositories
- arxiv url: http://arxiv.org/abs/2606.11476v1
- Date: Tue, 09 Jun 2026 22:12:41 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-18 14:54:59.804447
- Title: SentTrack: Sentiment-Driven Bottleneck Detection in GitHub Issue Repositories
- Title（参考訳）: SentTrack: GitHub Issue Repositoriesにおけるセンチメント駆動型ブートネック検出
- Authors: Xinyu Hu, Ali Behbahani, Daniel Moon, Yaren Dogan, Nasir U. Eisty,
- Abstract要約: SentTrackは、GitHubのイシューディスカッションから社会技術的ボトルネックを検出するためのフレームワークである。
これは約9000のイシュースレッドにわたるAvaloniaUIオープンソースリポジトリに適用される。
- 参考スコア（独自算出の注目度）: 4.18477469430107
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Software engineering teams increasingly depend on GitHub issue threads to coordinate work, report bugs, and negotiate technical decisions, yet most repository health tools focus on code metrics and ignore the conversational dynamics that drive or stall development. This paper presents SentTrack, a dual-lens framework for detecting socio-technical bottlenecks from GitHub issue discussions. Applied to the AvaloniaUI open-source repository across approximately 9,000 issue threads, the framework addresses three questions: how to automate workflow-inefficiency detection from real-time conversational data, whether sentiment signals can surface risk earlier than traditional label-based methods, and how to isolate human narrative from machine-generated noise in mixed-media issue text. SentTrack combines two complementary pipelines. A horizontal pipeline translates raw issue reports into clean summaries using a large language model, extracts mid-level concern phrases, and clusters them through UMAP and HDBSCAN, producing 613 semantic clusters from the first 3,608 issues processed. A vertical pipeline applies the ABCDE collaborative interaction framework to classify each comment and infer thread-level outcomes. Across the full corpus, 49\% of threads ended in stagnation and only 13\% reached resolution, with the resolution gap identified as the dominant bottleneck signal. A weighted scoring engine that combines negativity, stagnation, resolution gap, and thread length gives maintainers an interpretable prioritization tool for high-friction discussions before they stall development.
- Abstract（参考訳）: ソフトウェアエンジニアリングチームは、作業をコーディネートし、バグを報告し、技術的な決定を交渉するために、GitHubのイシュースレッドにますます依存している。
本稿では、GitHubのイシューディスカッションから社会技術的ボトルネックを検出するためのデュアルレンズフレームワークであるSentTrackについて述べる。
約9000のイシュースレッドにわたるAvaloniaUIオープンソースリポジトリに適用されたこのフレームワークは、リアルタイムの会話データからワークフロー非効率検出を自動化する方法、感情信号が従来のラベルベースの方法よりも早くリスクを表面化するかどうか、ミックスメディアイシューテキストのマシン生成ノイズからヒューマンナラティブを分離する方法の3つの質問に対処する。
SentTrackは2つの補完パイプラインを組み合わせる。
水平パイプラインは、大きな言語モデルを使用して生のイシューレポートをクリーンな要約に翻訳し、中レベルの関心フレーズを抽出し、UMAPおよびHDBSCANを介してクラスタ化し、最初の3,608イシューから613のセマンティッククラスタを生成する。
垂直パイプラインはABCDE協調インタラクションフレームワークを適用し、各コメントを分類し、スレッドレベルの結果を推測する。
完全なコーパス全体では、49 %のスレッドが停滞し、わずか 13 % の解像度しか得られなかった。
重み付けされたスコアリングエンジンは、ネガティビティ、停滞、分解ギャップ、スレッド長を組み合わせたもので、メンテナは開発を中断する前に、ハイフリクション議論のための解釈可能な優先順位付けツールを提供する。
関連論文リスト
- From Threads to Trajectories: A Multi-LLM Pipeline for Community Knowledge Extraction from GitHub Issue Discussions [5.590965631053725]
SWE-MIMIC-Benchは生のGitHubディスカッションから生成された課題トラジェクトリデータセットである。
単純な要約とは異なり、このパイプラインはクローズドソース LLM のグループを使用して、きめ細かいタスクを実行する。
我々は,SWE-Bench-Pro,SWE-Bench-Multilingual,SWE-Bench-Verifiedデータセットから抽出した実世界のGitHub問題800件について評価を行った。
論文 参考訳（メタデータ） (2026-04-28T17:21:46Z) - SinkTrack: Attention Sink based Context Anchoring for Large Language Models [57.87121346197518]
大型言語モデル (LLM) は幻覚やコンテキストの忘れに悩まされる。
SinkTrackはBOS>を情報アンカーとして扱い、キーコンテキストの機能をその表現に注入する。
SinkTrackはトレーニング不要で、プラグイン&プレイで、無視可能な推論オーバーヘッドを導入している。
論文 参考訳（メタデータ） (2026-04-11T04:49:11Z) - Toxicity Ahead: Forecasting Conversational Derailment on GitHub [9.862809084820304]
オープンソースソフトウェア(OSS)コミュニティにおける有害な相互作用は、コントリビュータの関与を減らし、プロジェクトの持続可能性を脅かす。
よりスケーラブルなアプローチをサポートするために、GitHubの議論から159個の脱線した有毒スレッドと207個の非有毒スレッドのデータセットをキュレートした。
2段階のプロンプトパイプラインを使用して,GitHub上で会話の脱線を予測する,LLM(Large Language Model)ベースのフレームワークを提案する。
論文 参考訳（メタデータ） (2025-12-17T02:45:12Z) - Think in Parallel, Answer as One: Logit Averaging for Open-Ended Reasoning [102.13989674248116]
ThinkMergeは、トレーニング不要でプラグ&プレイのデコード戦略だ。
並列推論トレースをKで実行し、同期点における次のTokenロジットを平均化し、単一のコヒーレントな出力を生成する。
論文 参考訳（メタデータ） (2025-12-02T15:35:31Z) - TeaRAG: A Token-Efficient Agentic Retrieval-Augmented Generation Framework [62.66056331998838]
TeaRAGは、検索内容と推論ステップの両方を圧縮できるトークン効率のエージェントRAGフレームワークである。
報奨関数は,過剰な推論ステップをペナルティ化しながら,知識マッチング機構によって知識満足度を評価する。
論文 参考訳（メタデータ） (2025-11-07T16:08:34Z) - SwingArena: Competitive Programming Arena for Long-context GitHub Issue Solving [90.32201622392137]
We present SwingArena, a competitive evaluation framework for Large Language Models (LLMs)。
従来の静的ベンチマークとは異なり、SwingArenaはLLMをイテレーションとして組み合わせて、テストケースを作成し、継続的インテグレーション(CI)パイプラインを通じてパッチを検証するパッチとレビュアーを生成することで、ソフトウェアのコラボレーションプロセスをモデル化する。
論文 参考訳（メタデータ） (2025-05-29T18:28:02Z) - 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) - Looking for related discussions on GitHub Discussions [18.688096673390586]
GitHub Discussionsは、プラットフォーム上にホストされているユーザとコミュニティのメンバー間の共同ディスカッションを促進するための、ネイティブフォーラムである。
GitHub DiscussionsはPCQAフォーラムに似ているが、このような環境が直面しているのと同じような課題に直面している。
重複した投稿は、同じコンテンツ(そして正確なコピーかもしれない)を持っているが、ほぼ重複して、同様のトピックや情報を共有する。
本稿では,Sentence-BERT事前学習モデル,RD-Detectorに基づくアプローチを提案する。
論文 参考訳（メタデータ） (2022-06-23T20:41:33Z) - Integrating end-to-end neural and clustering-based diarization: Getting
the best of both worlds [71.36164750147827]
クラスタリングに基づくアプローチでは、xベクトルのような話者埋め込みをクラスタリングすることで、話者ラベルを音声領域に割り当てる。
EEND(End-to-end Neural Diarization)は、ニューラルネットワークを使用してダイアリゼーションラベルを直接予測する。
重なり合う音声と、任意の数の話者を含む長い録音のために、単純だが効果的なハイブリッドダイアリゼーションフレームワークを提案する。
論文 参考訳（メタデータ） (2020-10-26T06:33:02Z)
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。