論文の概要: G-Issue: Analyzing Lifetime and Evolution of Issue-related Artifacts from Open Source Repositories
- arxiv url: http://arxiv.org/abs/2606.21837v1
- Date: Sat, 20 Jun 2026 02:08:52 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-26 02:50:09.962901
- Title: G-Issue: Analyzing Lifetime and Evolution of Issue-related Artifacts from Open Source Repositories
- Title（参考訳）: G-Issue:オープンソースリポジトリからの課題関連アーティファクトのライフサイクル分析と進化
- Authors: Sayed Mohsin Reza, Saif Uddin Mahmud, Omar Badreddin,
- Abstract要約: 本稿では,課題関連アーティファクトマイニングツールG-Issueと最先端ツールの性能について検討する。
結果は、課題の寿命と進化に基づいて課題を優先順位付けできることを示している。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Software developers or contributors report issues related to bugs, errors, and missing documentation during community-based software development. These issues are treated as feedback and are crucial to enhancing software new features, documentation, and quality. If software issues are not being addressed with a correct developer, software quality degrades and is unable to use in the end. Hence, it is essential to analyze the software issue-related artifacts to understand the behavior of the software. This paper investigates the performance of the proposed issue-related artifacts mining tool G-Issue with other state-of-the-art tools. We also investigate issue lifetime and evolution of issues over time among well-known and maintained repositories. The results show that G-Issue is faster in mining issue-related artifacts but takes more memory than general Python API during mining issue mining. The results depict that we can prioritize issues based on issue lifetime and evolution. Such results may provide a new horizon about issues that can help in issue management, developer assignment, and quality management. G-Issue URL: https://www.smreza.com/projects/modelmine/issues.php
- Abstract（参考訳）: ソフトウェア開発者やコントリビュータは、コミュニティベースのソフトウェア開発において、バグやエラー、ドキュメントの欠如に関連する問題を報告します。
これらの問題はフィードバックとして扱われ、ソフトウェア新機能、ドキュメント、品質の強化に不可欠です。
ソフトウェア問題が正しい開発者によって対処されない場合、ソフトウェアの品質は低下し、最終的には使用できない。
したがって、ソフトウェアの振る舞いを理解するためには、ソフトウェア問題に関連するアーティファクトを分析することが不可欠である。
本稿では,課題関連アーティファクトマイニングツールG-Issueと最先端ツールの性能について検討する。
また、よく知られた、保守されたリポジトリの中で、課題の寿命と時間の経過とともに進化について調べる。
その結果、G-Issueは問題関連アーティファクトのマイニングでは高速だが、マイニングでは一般的なPython APIよりもメモリを消費することがわかった。
結果は、課題の寿命と進化に基づいて課題を優先順位付けできることを示している。
このような結果は、イシュー管理、ディベロッパの割り当て、品質管理に役立つ問題に関する新たな視点を提供するかもしれません。
G-Issue URL: https://www.smreza.com/projects/modelmine/ Issues.php
関連論文リスト
- GREPO: A Benchmark for Graph Neural Networks on Repository-Level Bug Localization [50.009407518866965]
リポジトリレベルのバグローカライゼーションは、ソフトウェアエンジニアリングの重要な課題です。
GNNは、複雑なリポジトリ全体の依存関係をモデル化できるため、有望な代替手段を提供する。
GREPOは、リポジトリスケールのバグローカライゼーションタスクのための最初のGNNベンチマークである。
論文 参考訳（メタデータ） (2026-02-14T23:22:15Z) - Classifying Issues in Open-source GitHub Repositories [0.0]
GitHubは、オープンソースコミュニティでもっとも広く使われているソフトウェアメンテナンスプラットフォームである。
開発者は困難に直面しながら、GitHubで問題を時々報告する。
GitHubリポジトリのほとんどは、問題の定期的なラベル付けを保持していない。
論文 参考訳（メタデータ） (2025-07-25T06:20:54Z) - 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) - Mining Software Repositories for Expert Recommendation [3.481985817302898]
我々は,大規模なオープンソースソフトウェアプロジェクトの開発者に対して,バグ割り当ての自動化アプローチを提案する。
このようにして、我々は、新しく報告された問題に割り当てられる特定の分野において、適切なレベルの専門知識を持つ最高の開発者を見つける責任を持つ、人間のバグトリアージを支援します。
論文 参考訳（メタデータ） (2025-04-23T01:41:08Z) - SPRINT: An Assistant for Issue Report Management [1.9451328614697958]
Sprintは、最先端のディープラーニング技術を使用して、イシュー管理タスクを合理化するGitHubアプリケーションである。
Sprintは、新しく報告された問題に似た既存の問題を特定し、問題の深刻度を予測し、問題の解決に修正を必要とする可能性のあるコードファイルを提案する。
スプリントは正確で、有用で、有用であり、問題レポートを管理する開発者を支援する効果の証拠を提供する。
論文 参考訳（メタデータ） (2025-02-06T15:29:35Z) - MAGIS: LLM-Based Multi-Agent Framework for GitHub Issue Resolution [47.850418420195304]
大規模言語モデル(LLM)はコード生成において有望であるが、GitHubの問題を解決する上で困難に直面している。
ソフトウェア進化のためにカスタマイズされた4つのエージェントからなる、GitHub Issue Resolution, MAGISのための新しいMulti-Agentフレームワークを提案する。
論文 参考訳（メタデータ） (2024-03-26T17:57:57Z) - SWE-bench: Can Language Models Resolve Real-World GitHub Issues? [80.52201658231895]
SWE-benchは、実際のGitHub問題から引き出された2,294ドルのソフトウェアエンジニアリング問題と、人気のあるPythonリポジトリ12ドルのプルリクエストで構成される評価フレームワークである。
我々は、最先端のプロプライエタリモデルと微調整モデルSWE-Llamaの両方が、最も単純な問題だけを解決できることを示します。
論文 参考訳（メタデータ） (2023-10-10T16:47:29Z) - GiveMeLabeledIssues: An Open Source Issue Recommendation System [9.312780130838952]
開発者はしばしば、オープンソースソフトウェア(OSS)プロジェクトのイシュートラッキングシステムをナビゲートして、適切なタスクを見つけるのに苦労します。
本稿では,プロジェクトリポジトリをマイニングし,課題を解決に必要なスキルに基づいてラベル付けするツールを提案する。
GiveMeLabeledIssuesは開発者のスキルとタスクのマッチングを容易にし、プロジェクトのメンテナの負担を軽減する。
論文 参考訳（メタデータ） (2023-03-23T16:39:31Z) - 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) - Predicting Issue Types on GitHub [8.791809365994682]
Ticket Taggerは、機械学習技術による課題のタイトルと説明を分析するGitHubアプリである。
私たちは、約30,000のGitHubイシューに対して、ツールの予測パフォーマンスを実証的に評価しました。
論文 参考訳（メタデータ） (2021-07-21T08:14:48Z)
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。