論文の概要: When CONTRIBUTING Files Fall Short: Revising OSS Contribution Guidelines with Repository Evidence

• arxiv url: http://arxiv.org/abs/2610.21316v1
• Date: Thu, 15 Oct 2026 06:05:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-16 19:13:16.210289
• Title: When CONTRIBUTING Files Fall Short: Revising OSS Contribution Guidelines with Repository Evidence
• Title（参考訳）: リポジトリのエビデンスによるOSSコントリビューションガイドラインの改訂
• Abstract要約: ContribAlignは、カテゴリ誘導エビデンス統合を通じて、ConTRIBUINGファイルを自動修正するフレームワークである。 質的な分析により、6つの貢献カテゴリにわたる30のきめ細かいガイダンスの分類が得られる。 検出された競合をフィルタリングし、大きな言語モデルを使用してカテゴリレベルのリビジョンを生成する。
• 参考スコア（独自算出の注目度）: 9.849209539934032
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Contribution guidelines help newcomers participate in open-source software projects, yet often contain incomplete or outdated information. Existing studies characterize newcomers' information needs and documentation gaps, but revising these guidelines requires recovering and validating project-specific knowledge from scattered sources. We present ContribAlign, a framework for automatically revising CONTRIBUTING files through category-guided evidence integration. A qualitative analysis yields a taxonomy of 30 fine-grained guidance types across six contribution categories. ContribAlign uses a classifier to diagnose coverage of the six categories in the original guidance, then uses the taxonomy to collect and organize project-specific evidence. It filters detected conflicts and uses a large language model to generate category-level revisions. The classifier achieves a weighted F1 score of 0.764, improving on the existing classifier by 0.156, while the verifier detects factual conflicts with 97.3% precision and 91.5% estimated recall. Human evaluation shows that ContribAlign achieves the highest overall quality among the original guidelines and three baselines, with significant improvements in usefulness, beginner-friendliness, and completeness. These results suggest that ContribAlign can help maintain more accurate and useful contribution guidelines.
• Abstract（参考訳）: コントリビューションガイドラインは、新参者がオープンソースプロジェクトに参加するのに役立つが、不完全な情報や時代遅れの情報を含んでいることが多い。 既存の研究は、新参者の情報ニーズとドキュメントのギャップを特徴づけているが、これらのガイドラインを改訂するには、散在するソースからプロジェクト固有の知識を回復し、検証する必要がある。 ContribAlignは、カテゴリ誘導型エビデンス統合を通じて、ContriBUINGファイルを自動修正するフレームワークである。 質的な分析により、6つの貢献カテゴリにわたる30のきめ細かいガイダンスの分類が得られる。 ContribAlignは、分類器を使用して、当初のガイダンスで6つのカテゴリのカバレッジを診断し、次に分類を使用してプロジェクト固有の証拠を収集し、整理する。 検出された競合をフィルタリングし、大きな言語モデルを使用してカテゴリレベルのリビジョンを生成する。 分類器は重み付きF1スコア0.764を達成し、既存の分類器を0.156改善し、検証器は97.3%の精度と91.5%のリコールで事実の衝突を検出する。 人間による評価では、ContribAlignは、最初のガイドラインと3つのベースラインの中で最高の全体的な品質を達成し、有用性、初心者フレンドリ性、完全性を大幅に改善している。 これらの結果は、ContribAlignがより正確で有用なコントリビューションガイドラインを維持するのに役立つことを示唆している。

関連論文リスト

• Diagnosing Fine-Grained Inconsistency Classification in Financial Disclosure Text [3.2712318205295907]
  財務情報開示には、数値的なクレーム、時間的ステートメント、エンティティ参照、ポリシーのコミットメント、そして質的に異なる方法で衝突する可能性のあるリスク記述が含まれる。 我々はこの問題をきめ細かい矛盾として研究する。 微調整された300Mエンコーダの精度は61.9%、ロラ適応型Qwen3.5-9Bモデルでは61.5%、GPT適応型生成モデルでは61.3%である。
  論文  参考訳（メタデータ） (2026-07-29T01:03:53Z)
• Novelty-Aware Agentic Retrieval: Comparing Research Contributions Through Structured Multi-Step Reasoning [0.0]
  ノベルティ・アウェア・リサーチ・エージェント(英: Novelty-Aware Research Agent)は、エージェント検索システムのプロトタイプである。 RAGパイプライン上の多段階推論を6つのタイプドコントラクトコンポーネントを通じて階層化する。 論文毎のコントリビューション記録、紙レベルのオーバーラップ、問題xメソッドギャップマトリックスなど、構造化された比較アーティファクトを生成する。
  論文  参考訳（メタデータ） (2026-06-20T17:04:02Z)
• DocRetriever: A Plug-and-Play Framework for Multimodal Document Retrieval with Comprehensive Benchmark [48.84943754804533]
  マルチモーダル文書には、テーブル、フィギュア、レイアウトなど、さまざまな要素が含まれている。 現在のアプローチでは、高精度の検索を実現するために、高密度の視覚埋め込みモデルと教師付きリランカを組み合わせるのが一般的である。 本稿では,レイアウトを意識したスパース埋め込み技術による視覚検索を支援するプラグイン・アンド・プレイフレームワークDocRetrieverを提案する。
  論文  参考訳（メタデータ） (2026-05-28T14:50:53Z)
• LLM-based Schema-Guided Extraction and Validation of Missing-Person Intelligence from Heterogeneous Data Sources [0.7734726150561088]
  行方不明者や子どもの安全に関する調査は、構造化フォーム、掲示板スタイルのポスター、物語ウェブプロファイルなど、異種ケース文書に依存している。 レイアウト、用語、データ品質の変化は、急激なトリアージ、大規模分析、探索計画を妨げる。 本稿では、AIによる解析および正規化パイプラインであるGuardian Packを紹介し、マルチソース調査文書を統一されたスキーマ準拠の表現に変換する。
  論文  参考訳（メタデータ） (2026-04-08T01:35:56Z)
• RIFT: A RubrIc Failure Mode Taxonomy and Automated Diagnostics [15.131840310228712]
  RIFT(英: RIFT)は、ルブリック合成と設計において、障害モードを体系的に特徴付ける分類法である。 RIFTは信頼性障害(Reliability Failures)、コンテンツ妥当性障害(Content Validity Failures)、連続妥当性障害(Consequential Validity Failures)の3つの高いカテゴリに分類される8つの障害モードで構成されている。
  論文  参考訳（メタデータ） (2026-04-01T20:34:43Z)
• DocReward: A Document Reward Model for Structuring and Stylizing [107.03974018371058]
  DocRewardはドキュメントの構造とスタイルに基づいてドキュメントを評価するドキュメント報酬モデルである。 ブラッドリー・テリーの損失を利用して文書を採点し、注釈付きランキングに矛盾する予測を罰する訓練を受けている。 GPT-5の37.7%の勝利率に比べて60.8%の勝利率を達成した。
  論文  参考訳（メタデータ） (2025-10-13T13:36:32Z)
• Are Large Language Models Good Classifiers? A Study on Edit Intent Classification in Scientific Document Revisions [62.12545440385489]
  大規模言語モデル(LLM)は、テキスト生成の大幅な進歩をもたらしたが、分類タスクの強化の可能性はまだ未検討である。 生成と符号化の両方のアプローチを含む分類のための微調整LDMを徹底的に研究するためのフレームワークを提案する。 我々はこのフレームワークを編集意図分類(EIC)においてインスタンス化する。
  論文  参考訳（メタデータ） (2024-10-02T20:48:28Z)
• Analyzing Dataset Annotation Quality Management in the Wild [63.07224587146207]
  最先端モデルのトレーニングと評価に使用される一般的なデータセットでさえ、誤ったアノテーションやバイアス、アーティファクトの量は無視できない。 データセット作成プロジェクトに関するプラクティスやガイドラインは存在するが、品質管理の実施方法に関する大規模な分析はまだ行われていない。
  論文  参考訳（メタデータ） (2023-07-16T21:22:40Z)
• Automating Document Classification with Distant Supervision to Increase the Efficiency of Systematic Reviews [18.33687903724145]
  体系的なレビューは高価で、時間的需要があり、労働集約的です。 文書のレビュー作業を大幅に削減するための自動文書分類アプローチを提案します。
  論文  参考訳（メタデータ） (2020-12-09T22:45:40Z)

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。