論文の概要: Expertise-Based Developer Assignment for Long-Term Software Components in Open-Source Projects
- arxiv url: http://arxiv.org/abs/2608.05919v1
- Date: Thu, 06 Aug 2026 11:44:19 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-07 15:25:20.895736
- Title: Expertise-Based Developer Assignment for Long-Term Software Components in Open-Source Projects
- Title（参考訳）: オープンソースプロジェクトにおける長期ソフトウェアコンポーネントのエキスパートベースの開発者アサインメント
- Abstract要約: 本稿では,これまでのGitコミットに基づいて開発者の専門知識をモデル化するWebアプリケーションを作成する。
システム速度は使用するバックエンドモデルによって異なるが、サーバ側のデータキャッシュにより、最悪のケース速度は9.86倍向上した。
- 参考スコア（独自算出の注目度）: 1.8967538025776642
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Open-source software development through GitHub has enabled countless software projects to be developed by developers from across the world. Assigning the right task to the right developer enables teams to work efficiently. Assigning a task which is not representative of a developer's expertise results in slower completion time and less maintainable code. Whilst much work has been done to automate this assignment for specific jobs, there is little work addressing the assignment of developers to expertise-specific long-term components of a new project. This paper produces a web application that models developers' expertise based on their previous Git commits and automatically assigns them to an optimal task within a new project. Testing showed that the system's speed varies depending on the back-end model used but server-side data caching improved worst-case speeds by a factor of 9.86. 72.4% of tasks had their target developer listed in the top 10, out of a possible 47.
- Abstract（参考訳）: GitHubによるオープンソースソフトウェア開発により、世界中の開発者が無数のソフトウェアプロジェクトを開発できるようになった。
適切なタスクを適切な開発者に割り当てることで、チームは効率的に作業できるようになる。
開発者の専門知識を代表していないタスクを割り当てると、完了時間が遅くなり、メンテナンスしにくいコードになります。
特定のジョブに対するこの割り当てを自動化するために多くの作業がなされていますが、新しいプロジェクトの専門性に特化した長期的なコンポーネントへの開発者の割り当てに対処する作業はほとんどありません。
本稿では,従来のGitコミットに基づいて開発者の専門知識をモデル化し,それを新しいプロジェクト内で最適なタスクに自動的に割り当てるWebアプリケーションを作成する。
テストの結果、システムの速度は使用するバックエンドモデルによって異なるが、サーバ側のデータキャッシュにより、最悪のケースの速度は9.86倍向上した。
72.4%のタスクが対象の開発者がトップ10にランクインしている。
関連論文リスト
- On the GitHub Actions Language: Usage, Evolution, and Workflow Reliability [44.257027748554606]
この記事では、GitHub Actions言語の採用と進化がワークフローの信頼性と保守性にどのように影響するかを実証的に検討する。
49K GitHubリポジトリから260Kを定量的に分析して、実際にどのように使用されているか、そして、その使用が2019年7月から2025年8月までどのように進化してきたかを理解する。
論文 参考訳（メタデータ） (2026-05-26T10:43:14Z) - RoadmapBench: Evaluating Long-Horizon Agentic Software Development Across Version Upgrades [32.04167306620878]
RoadmapBenchは、115の長い水平コーディングタスクのベンチマークで、実際のオープンソースバージョンをアップグレードします。
各タスクはエージェントをソースバージョンコードスナップショットに配置し、マルチターゲットのロードマップ命令を提供する。
最強のクロード=オプス-4.7でも39.1%のタスクしか解決していないのに対し、最も弱いイテレーションは5.2%しか達成していない。
論文 参考訳（メタデータ） (2026-05-15T11:00:33Z) - ProgramBench: Can Language Models Rebuild Programs From Scratch? [59.40748183470308]
ProgramBenchは、ソフトウェアエンジニアリングエージェントがソフトウェアをホリシックに開発する能力を測定する。
エンドツーエンドの動作テストはエージェント駆動ファジィによって生成される。
モデルは、人間が書いたコードと大きく異なるモノリシックでシングルファイルの実装を好む。
論文 参考訳（メタデータ） (2026-05-05T09:17:02Z) - ProjDevBench: Benchmarking AI Coding Agents on End-to-End Project Development [49.63491095660809]
ProjDevBenchはエンドツーエンドのベンチマークで、コーディングエージェントにプロジェクト要件を提供し、その結果のリポジトリを評価する。
概念指向タスクと実世界のアプリケーションシナリオの両方をカバーし、8つのカテゴリにまたがる20のプログラミング問題をキュレートします。
エージェントは基本的な機能を扱うが、複雑なシステム設計、時間最適化、リソース管理に苦労する。
論文 参考訳（メタデータ） (2026-02-02T05:17:23Z) - Agentic Much? Adoption of Coding Agents on GitHub [6.395990525268647]
GitHub上でのコーディングエージェントの採用に関する大規模な研究を初めて紹介する。
採用率は15.85%--22.60%と見積もられているが、これは数ヶ月前の技術では極めて高い。
コミットレベルでは、コーディングエージェントによって支援されるコミットは、人間の開発者によって書かれたコミットよりも大きいことが分かります。
論文 参考訳（メタデータ） (2026-01-26T10:28:10Z) - SWE-EVO: Benchmarking Coding Agents in Long-Horizon Software Evolution Scenarios [6.776894728701934]
AIコーディングエージェントの既存のベンチマークでは、バグの修正や小さな機能の実装など、独立した単一課題のタスクに重点を置いている。
SWE-EVO(SWE-EVO)は、長期的ソフトウェア進化課題におけるエージェントの評価を行うベンチマークである。
ツールには48の進化タスクが含まれており、エージェントは平均21ファイルにまたがる複数ステップの修正を行う必要がある。
論文 参考訳（メタデータ） (2025-12-20T19:08:15Z) - NL2Repo-Bench: Towards Long-Horizon Repository Generation Evaluation of Coding Agents [79.29376673236142]
既存のベンチマークは、完全なソフトウェアシステムを構築するのに必要な長期的能力の厳格な評価に失敗する。
符号化エージェントの長期リポジトリ生成能力を評価するために設計されたベンチマークであるNL2Repo Benchを提案する。
論文 参考訳（メタデータ） (2025-12-14T15:12:13Z) - Code with Me or for Me? How Increasing AI Automation Transforms Developer Workflows [60.04362496037186]
本研究は,コーディングエージェントと開発者インタラクションを制御した最初の研究である。
我々は,2つの主要な協調型およびエージェント型符号化アシスタントの評価を行った。
結果から,エージェントはコピロトを超える方法で開発者を支援することができることがわかった。
論文 参考訳（メタデータ） (2025-07-10T20:12:54Z) - Codev-Bench: How Do LLMs Understand Developer-Centric Code Completion? [60.84912551069379]
Code-Development Benchmark (Codev-Bench)は、細粒度で現実世界、リポジトリレベル、開発者中心の評価フレームワークです。
Codev-Agentは、リポジトリのクローリングを自動化し、実行環境を構築し、既存のユニットテストから動的呼び出しチェーンを抽出し、データ漏洩を避けるために新しいテストサンプルを生成するエージェントベースのシステムである。
論文 参考訳（メタデータ） (2024-10-02T09:11:10Z) - Transforming Software Development: Evaluating the Efficiency and Challenges of GitHub Copilot in Real-World Projects [0.0]
GitHub CopilotはAIによるコーディングアシスタントだ。
本研究では、GitHub Copilotを使用する際の効率向上、改善の領域、新たな課題について評価する。
論文 参考訳（メタデータ） (2024-06-25T19:51:21Z) - DevEval: Evaluating Code Generation in Practical Software Projects [52.16841274646796]
我々はDevEvalという名の新しいベンチマークを提案し、実践プロジェクトにおける開発者の経験と一致している。
DevEvalは、119の実用的なプロジェクトから2,690のサンプルを含む厳格なパイプラインを通じて収集される。
DevEvalの5つの人気のあるLCMを評価し、コード生成における実際の能力を明らかにする。
論文 参考訳（メタデータ） (2024-01-12T06:51:30Z)
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。