論文の概要: Understanding Maintenance and Support in a Community-Driven Scientific Workflow Ecosystem: A Cross-Space Study of Galaxy
- arxiv url: http://arxiv.org/abs/2609.25587v1
- Date: Tue, 22 Sep 2026 02:32:54 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-23 18:04:04.181583
- Title: Understanding Maintenance and Support in a Community-Driven Scientific Workflow Ecosystem: A Cross-Space Study of Galaxy
- Title（参考訳）: コミュニティ駆動型科学ワークフローエコシステムにおけるメンテナンスとサポートの理解:Galaxyのクロススペース研究
- Abstract要約: 我々は、11,762のGitHubイシュー、52,203のプルリクエスト、および6,235のコミュニティフォーラムの議論を使って、Galaxyに関する大規模な実証的研究を行います。
我々は,保守とサポートに関する懸念を特徴づけ,解決の成果と解決時間に関連する要因を調べ,これらの空間にまたがるメンテナンスアーティファクト間の明示的および候補的関係について検討する。
- 参考スコア（独自算出の注目度）: 3.9933521189187693
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Galaxy is a widely used, community-driven scientific workflow system whose sustainability depends on continuous maintenance across its software, tools, workflows, infrastructure, documentation, and user-support ecosystem. However, maintenance knowledge in Galaxy is distributed across development and community-support spaces, making it difficult to understand what is maintained, how maintenance artifacts are resolved, and how user-facing concerns connect to repository-level development. We conduct a large-scale empirical study of Galaxy using 11,762 GitHub issues, 52,203 pull requests, and 6,235 Community Forum discussions. We characterize maintenance and support concerns, examine factors associated with resolution outcomes and resolution time, and investigate explicit and candidate connections among maintenance artifacts across these spaces. Using BERTopic modeling, we identify nine issue topics, 14 pull-request topics, and 14 forum topics, revealing a maintenance landscape spanning workflow execution, data management, tools and dependencies, infrastructure, testing, scientific resources, documentation, and user support. Resolution analyses show that coordination, diagnostic, contributor, automation, and engagement characteristics exhibit different associations with whether artifacts are resolved and how quickly resolution occurs. We further find limited explicit traceability between development and support spaces: 97.77\% of 16,426 resolved explicit relationships occur within GitHub, while only 294 connect GitHub artifacts with Community Forum discussions, despite additional semantic and technical relatedness across these spaces. Together, these findings characterize Galaxy maintenance as a distributed ecosystem-level process and identify opportunities to improve diagnostic reporting, lifecycle-aware triage, cross-space traceability, and the reuse of community-support knowledge.
- Abstract（参考訳）: Galaxyは広く使われている、コミュニティ主導の科学ワークフローシステムであり、持続可能性はそのソフトウェア、ツール、ワークフロー、インフラストラクチャ、ドキュメント、ユーザサポートエコシステム全体にわたる継続的メンテナンスに依存している。
しかし、Galaxyのメンテナンスに関する知識は、開発やコミュニティが支援する空間に分散しており、何が保守されているのか、どのように保守の成果物が解決されるのか、そしてユーザーが直面する関心事がどのようにリポジトリレベルの開発に結びつくのかを理解するのが難しい。
我々は、11,762のGitHubイシュー、52,203のプルリクエスト、および6,235のコミュニティフォーラムの議論を使って、Galaxyに関する大規模な実証的研究を行います。
我々は,保守とサポートに関する懸念を特徴づけ,解決の成果と解決時間に関連する要因を調べ,これらの空間にまたがるメンテナンスアーティファクト間の明示的および候補的関係について検討する。
BERTopicモデリングを使用して、ワークフローの実行、データ管理、ツールと依存関係、インフラストラクチャ、テスト、科学リソース、ドキュメント、ユーザサポートにまたがるメンテナンスの状況を明らかにするため、9つの課題トピック、14のプルリクエストトピック、14のフォーラムトピックを特定します。
レゾリューション分析は、コーディネーション、診断、コントリビューション、自動化、エンゲージメントの特徴が、アーティファクトが解決されたか、そしてどのように素早く解決されたかと、異なる関連性を示すことを示している。
97.77\%の16,426が解決した明確な関係はGitHub内で発生し、294がGitHubアーティファクトとコミュニティフォーラムの議論を結び付けた。
これらの知見は、Galaxyのメンテナンスを分散エコシステムレベルのプロセスとして特徴付け、診断レポート、ライフサイクル認識トリアージ、空間横断トレーサビリティ、コミュニティ支援知識の再利用を改善する機会を特定している。
関連論文リスト
- What Makes Good Agentic Data? An ACE Lens on Data Generation for LLM Agents [81.23160457293714]
LLMエージェントは、外部環境とのインタラクションの方法を学ぶために、生成されるインタラクションデータにますます依存している。
既存の作業は多くのエージェントドメインにまたがっているが、ドメイン中心の組織と不均一な評価はしばしば共通生成機構を曖昧にしている。
この研究は、この分野のための2段階のフレームワークを開発する。
論文 参考訳（メタデータ） (2026-08-27T15:43:50Z) - Understanding Developer Pain Points in Federated Learning: Insights from Stack Overflow and GitHub [3.9933521189187693]
フェデレートラーニング(FL)は、生データを集中せずに協調的なモデルトレーニングを可能にする。
92のFL関連プロジェクトからの495のStack Overflowポストと9,116のGitHubイシューとプルリクエストを分析します。
論文 参考訳（メタデータ） (2026-07-21T23:06:00Z) - Maintenance and Support in Community-Driven Scientific Pipeline Ecosystems: A Cross-Platform Empirical Study of nf-core [3.9933521189187693]
本稿では,Nextflowパイプラインの大規模エコシステムであるnf-coreのメンテナンスとサポートに関するクロスプラットフォームな実証的研究について述べる。
15,760のGitHub問題,35,411のGitHubプルリクエスト,および895のSeqera Community Forumに関する議論を分析して,メンテナンスとサポートに関する懸念点について検討する。
論文 参考訳（メタデータ） (2026-07-12T17:05:07Z) - Insights from GitHub Community on the Matter Standard: Developer Perspectives and Challenges [1.1881602304497278]
本稿では,Project CHIP GitHubレポジトリから13,000件以上の問題を調査する。
トピックモデリングと質的分析を用いて、4つの繰り返し発生する関心領域を同定する。
論文 参考訳（メタデータ） (2026-07-01T21:46:17Z) - RepoMirage: Probing Repository Context Reasoning in Code Agents with Perturbations [51.43574078961796]
本稿では,SWE-Bench Verified上に構築された2段階評価スイートRepoMirageを紹介する。
RepoMirage-Perturbは、リポジトリレベルの摂動を保存する3つのタイプのセマンティクスを適用している。
RepoAnchorは、下流の問題解決からリポジトリの探索を分離する構造第一のプロトタイプワークフローである。
論文 参考訳（メタデータ） (2026-05-25T06:26:43Z) - Can Current Agents Close the Discovery-to-Application Gap? A Case Study in Minecraft [70.0241202837925]
我々はMinecraftベースのベンチマークであるSciCrafterを紹介した。
GPT-5.2, Gemini-3-Pro, Claude-Opus-4.5などのフロンティアモデルを汎用コードエージェントの足場下で評価した。
我々の分析によると、一般的な知識応用能力は依然として全てのモデルで最大のギャップであり続けているが、フロンティアモデルでは、知識ギャップの識別が大きなハードルになりつつある。
論文 参考訳（メタデータ） (2026-04-27T16:58:04Z) - GenAI for Systems: Recurring Challenges and Design Principles from Software to Silicon [62.2138479061386]
ジェネレーティブAIは、コンピュータシステムの設計、最適化、構築方法を変えようとしているが、ソフトウェア、アーキテクチャ、チップデザインコミュニティの間で研究は断片化されている。
本稿では、ハードウェア設計空間探索からRTL合成、物理レイアウト、検証に至るまで、コード生成と分散ランタイムから生成モデルがどのように適用されているかを検討する。
論文 参考訳（メタデータ） (2026-02-16T22:45:33Z) - UltraHorizon: Benchmarking Agent Capabilities in Ultra Long-Horizon Scenarios [63.67884284105684]
textbfUltraHorizonは、複雑な現実世界の課題に不可欠な基礎的能力を測定する新しいベンチマークである。
エージェントは、隠されたルールを反復的に発見しなければならない、長期にわたる発見タスクで設計されている。
実験の結果, LLM-agents はこれらの設定において常に不利な成績を示し, ヒトは高いスコアを得ることができた。
論文 参考訳（メタデータ） (2025-09-26T02:04:00Z) - Issue Tracking Ecosystems: Context and Best Practices [0.0]
GitHubとJiraは、問題管理を通じてソフトウェアエンジニアリング(SE)組織をサポートする一般的なツールです。
課題追跡生態系 (ITE) は、中央ITSと関連するSEアーティファクト、利害関係者、プロセスの集合である。
私は、複雑さと多様性に関するこれらの疑問に対処しながら、より広いレベルでITTを理解するという挑戦を受けています。
論文 参考訳（メタデータ） (2025-07-09T09:57:13Z) - Alibaba LingmaAgent: Improving Automated Issue Resolution via Comprehensive Repository Exploration [64.19431011897515]
本稿では,問題解決のためにソフトウェアリポジトリ全体を包括的に理解し,活用するために設計された,新しいソフトウェアエンジニアリング手法であるAlibaba LingmaAgentを提案する。
提案手法では,重要なリポジトリ情報を知識グラフに凝縮し,複雑さを低減し,モンテカルロ木探索に基づく戦略を採用する。
Alibaba Cloudの製品展開と評価において、LingmaAgentは、開発エンジニアが直面した社内問題の16.9%を自動で解決し、手作業による介入で43.3%の問題を解決した。
論文 参考訳（メタデータ） (2024-06-03T15:20:06Z) - An Empirical Study of Challenges in Machine Learning Asset Management [15.07444988262748]
既存の研究にもかかわらず、モデルバージョニングやデータトレーサビリティ、コラボレーションといった運用上の課題には、大きな知識ギャップが残っている。
本研究の目的は,開発者フォーラムやプラットフォームから15,065件の投稿を分析し,このギャップに対処することである。
ソフトウェア依存性、モデルデプロイメント、モデルトレーニングが最も議論されている16のマクロトピックにグループ化された、資産管理の課題に関連する133のトピックを明らかにしました。
論文 参考訳（メタデータ） (2024-02-25T05:05:52Z)
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。