論文の概要: Automatic Assistance to Reduce Information Overload during Software Issue Report Understanding
- arxiv url: http://arxiv.org/abs/2611.07109v1
- Date: Wed, 04 Nov 2026 20:24:38 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-06 21:50:50.444417
- Title: Automatic Assistance to Reduce Information Overload during Software Issue Report Understanding
- Title（参考訳）: ソフトウェア問題レポート理解における情報負荷低減のための自動支援
- Abstract要約: 開発者はイシューレポートのさまざまな情報に苦労する。
iSum ( Article sumr) は情報型の自動分類と要約を支援する。
問題理解とトレンド監視のために、開発者とプロジェクトマネージャの両方にとって有用であることが証明された。
- 参考スコア（独自算出の注目度）: 3.87117975104303
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Modern issue tracking systems are used to log an issue and track it from its inception to closure. Issue reports with diverse discussions from stakeholders can be large and verbose, making them challenging to analyze quickly. Our developer interviews revealed that they struggled with the diverse information in issue reports and demanded automated techniques to classify and summarize information. We designed a tool, iSum (issue summarizer), that helps with the automatic classification and summarization of information types discussed in issue reports. The summarizer offers two views: 1. Developer View takes an issue report as input and outputs visualized summaries of information in the report. 2. Manager View takes a suite of all issue reports under a given software project as inputs and shows the prevalence and trends of different information types across the reports. We evaluated iSum through three studies. 1. In an empirical study over two benchmarks, iSum offers, on average, 11-13% higher F1-scores than state-of-the-art baselines to detect information types. 2. We conducted a user study in task-based setup with 30 developers to determine iSum's effectiveness in issue exploration scenarios. Results showed increased productivity and accuracy with iSum compared to manual inspection. 3. We assessed iSum's feasibility for development and management tasks. It proved useful to both developers and project managers for issue comprehension and trend monitoring.
- Abstract（参考訳）: 現代のイシュートラッキングシステムは、イシューをログし、その開始からクロージャまで追跡するために使用される。
ステークホルダのさまざまな議論を伴うイシューレポートは大規模かつ冗長なものになり,迅速な分析が困難になる。
当社の開発者インタビューでは,イシューレポートのさまざまな情報に苦労していることが判明し,情報の分類と要約のための自動テクニックが要求された。
我々は,課題報告で議論されている情報型の自動分類と要約を支援するツールiSumを設計した。
要約には2つの見解がある。
1. 開発者ビューは、インプットとしてイシューレポートを受け取り、レポートに表示された情報の要約を出力する。
2. マネージャビューは、あるソフトウェアプロジェクトの下でのすべてのイシューレポートをインプットとして取り、レポート全体で異なる情報タイプの頻度と傾向を示す。
我々は3つの研究を通してiSumを評価した。
1. 2つのベンチマークに関する実証的研究において、iSumは平均11-13%のF1スコアを最先端のベースラインよりも高い値で提供し、情報タイプを検出する。
2) 課題探索シナリオにおけるiSumの有効性を判定するために, 30人の開発者がタスクベースの設定でユーザスタディを行った。
その結果、iSumは手動検査と比較して生産性と精度が向上した。
3) 開発・管理業務におけるiSumの実現可能性について検討した。
問題理解とトレンド監視のために、開発者とプロジェクトマネージャの両方にとって有用であることが証明された。
関連論文リスト
- DailyReport: An Open-ended Benchmark for Evaluating Search Agents on Daily Search Tasks [48.104380189276334]
DailyReportは、検索エージェントを日々の検索タスクで評価するための、オープンなベンチマークである。
150のオープンエンドタスクと3,546の関連するルーリックを含んでいる。
ユーザの好みのスコアとともに,各次元の高度に解釈可能なスコアを導出する。
論文 参考訳（メタデータ） (2026-06-11T03:59:07Z) - AIDABench: AI Data Analytics Benchmark [62.45908988324612]
AIDABenchは、複雑なデータ分析タスクのAIシステムをエンドツーエンドで評価するためのベンチマークである。
AIDABenchは、質問応答、データビジュアライゼーション、ファイル生成という3つのコア機能ディメンションにまたがる600以上の多様なドキュメント分析タスクを含んでいる。
AIDABenchの11の最先端モデルを評価し、プロプライエタリ(Claude Sonnet 4.5、Gemini 3 Pro Previewなど)とオープンソース(Qwen3-Max-2026-01-23-Thinkingなど)の両方を対象とする。
論文 参考訳（メタデータ） (2026-02-27T08:58:05Z) - GISA: A Benchmark for General Information-Seeking Assistant [102.30831921333755]
GISAは汎用情報検索アシスタントのベンチマークであり、373の人為的なクエリで構成されている。
深い推論と広範囲な情報集約を統合タスクに統合し、暗記に抵抗するために定期的に更新された回答を含むライブサブセットを含む。
主要なLCMと商用検索製品の実験では、最高のパフォーマンスモデルでさえ19.30%の正確なマッチスコアしか達成していないことが示されている。
論文 参考訳（メタデータ） (2026-02-09T11:44:15Z) - Can MLLMs Guide Me Home? A Benchmark Study on Fine-Grained Visual Reasoning from Transit Maps [56.76175383189738]
MLLMの詳細な視覚的理解と空間的推論能力を評価するためのベンチマークであるReasonMapを紹介する。
ReasonMapには、13か国30都市からの高解像度のトランジットマップが含まれており、2つの質問タイプと3つのテンプレートにまたがる1008の質問応答ペアが含まれている。
基本および推論変種を含む15種類のMLLMの包括的評価は、直感的パターンを示す。
論文 参考訳（メタデータ） (2025-05-24T12:33:52Z) - An Empirical Study on the Classification of Bug Reports with Machine Learning [1.1499574149885023]
課題報告の分類処理において,異なる要因(プロジェクト言語,報告内容など)がモデルの性能に与える影響について検討する。
Support Vector Machine, Logistic Regression, Random Forestは課題レポートの分類に有効である。
不均一なプロジェクトに基づくモデルは、トレーニング中に存在しないプロジェクトからのレポートを分類することができる。
論文 参考訳（メタデータ） (2025-03-01T23:19:56Z) - An Evaluation Framework for Attributed Information Retrieval using Large Language Models [5.216296688442701]
本稿では,属性情報検索の評価とベンチマークを行うフレームワークを提案する。
属性付き情報探索データセットであるHAGRIDを用いた実験では、さまざまなシナリオが回答の正しさと帰属性に与える影響が示されている。
論文 参考訳（メタデータ） (2024-09-12T12:57:08Z) - Disentangling Instructive Information from Ranked Multiple Candidates for Multi-Document Scientific Summarization [13.953968282622121]
本稿では,要約候補を多文書科学要約に紹介する。
ドキュメントセットのグローバル情報と、要約候補からのガイダンスを使用して、デコードプロセスのガイドを行う。
我々は,自動評価と人的評価による顕著な性能改善を観察する。
論文 参考訳（メタデータ） (2024-04-16T09:33:07Z) - MaintainoMATE: A GitHub App for Intelligent Automation of Maintenance
Activities [3.2228025627337864]
ソフトウェア開発プロジェクトは、バグ報告や強化要求といったメンテナンスタスクの追跡の中心にある問題追跡システムに依存している。
問題レポートの処理は極めて重要であり、問題レポートに入力されたテキストを徹底的にスキャンする必要があるため、労働集約的な作業となる。
各カテゴリのイシューレポートを自動的に分類し,関連する専門知識を持つ開発者にイシューレポートを割り当てることのできる,MaintainoMATEという統合フレームワークを提案する。
論文 参考訳（メタデータ） (2023-08-31T05:15:42Z) - S3M: Siamese Stack (Trace) Similarity Measure [55.58269472099399]
本稿では、深層学習に基づくスタックトレースの類似性を計算する最初のアプローチであるS3Mを紹介します。
BiLSTMエンコーダと、類似性を計算するための完全接続型分類器をベースとしている。
私たちの実験は、オープンソースデータとプライベートなJetBrainsデータセットの両方において、最先端のアプローチの優位性を示しています。
論文 参考訳（メタデータ） (2021-03-18T21:10:41Z)
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。