On Using Active Learning and Self-Training when Mining Performance Discussions on Stack Overflow
RISE SICS AB(瑞典信息技术研究院);Lund University(隆德大学)
丰富的数据是机器学习成功的关键。然而,监督学习需要注释的数据,这些数据通常很难获得。在资源有限的分类任务中,主动学习(AL)承诺将注释者引导到为分类器带来最大价值的示例。AL可以成功地与自我训练相结合,即,用分类器最确定的未标记示例扩展训练集。我们报告我们的经验,使用AL在一个系统的方式训练SVM分类器的堆栈溢出职位讨论软件组件的性能。我们表明,被认为是最有价值的分类器的训练样本也是最难为人类注释。尽管仔细演变的注释标准,我们报告低评分员之间的协议,但我们也提出了缓解策略。最后,基于一个注释者的工作,我们表明,自训练可以提高分类精度。最后,我们讨论了未来的文本矿工渴望使用AL和自我训练的含义。
2017-04-26 cs.CL cs.HC cs.LG
More Effective Software Repository Mining
背景:公共Git软件仓库的数据采掘和分析是一个不断发展的研究领域。用于调查单个项目或一组项目的研究工具已经得到改进,但不清楚在这种“方便样本”上获得的结果是否具有普遍性。目的:本文旨在阐明所面临的困难,研究人员谁想要确定他们的研究结果的普遍性,通过引入一个接口,解决了与获得代表性样本的问题。结果:为了做到这一点,我们探讨了如何利用代码系统的世界,使软件存储库的采样和分析更容易。具体来说,我们为挖掘软件库研究人员提供了一个资源,旨在简化数据采样和检索工作流程,并通过此提高数据的有效性和完整性。结论:该系统有可能为研究人员提供一个资源,大大减轻了数据检索的难度,并解决了许多目前存在的问题与数据采样。
2020-08-17 cs.SE
Mining Q&A Platforms for Empirical Evidence on Quantum Software Programming
本研究分析了Stack Exchange平台上6,935篇量子软件编程讨论帖,通过主题建模和定性分析识别出20个讨论主题、9个支持框架及四大核心挑战,为量子软件生态系统的未来研究、工具开发和教育提供了实证见解。
2025-03-07 cs.SE
Mining Architecture Tactics and Quality Attributes Knowledge in Stack Overflow
内容:架构策略(AT)是架构构建块,为解决质量属性(QA)问题提供通用架构解决方案。挖掘和分析QA-AT知识可以帮助软件架构社区更好地理解架构设计。然而,手动捕获和挖掘这些知识是劳动密集型和困难的。目的:使用堆栈溢出(SO)作为我们的源代码,我们的主要目标是有效地挖掘这些知识;并从相关讨论中了解开发人员如何使用AT来解决QA问题。方法:我们采用半自动的基于字典的挖掘方法来提取问答-AT职位在SO。通过挖掘出的QA-AT帖子,我们确定了AT和QA之间的关系。结果:我们的方法使我们能够有效地挖掘QA-AT知识,F值为0.865,性能为82.2%。使用这种挖掘方法,我们能够发现架构的QA和AT的同义词设计师使用,从中我们发现开发人员如何应用AT来解决质量要求。结论:我们在这项工作中做了两个贡献:第一,我们展示了一个半自动的方法来挖掘AT和QA从SO职位;第二,我们确定了鲜为人知的设计之间的关系QA和AT和分组的架构设计考虑,以帮助架构师做出架构策略设计决策。
2021-05-17 cs.SE
Insights into Software Development Approaches: Mining Q&A Repositories
本研究通过主题建模与定性分析结合的混合方法,挖掘三大问答论坛的13903篇开发者帖子,识别出15个软件开发方法高频主题、49项实践挑战及难点主题上升趋势,为从业者提供参考以提升软件质量。
2023-05-02 cs.SE
Better Software Analytics via "DUO": Data Mining Algorithms Using/Used-by Optimizers
本文认为,一个新的领域的实证软件工程的研究和实践正在出现:数据采掘使用/使用优化器的实证研究或DUO。例如,数据挖掘器可以生成由优化器探索的模型。此外,优化器可以建议如何最好地调整数据挖掘机的控制参数。这种综合方法就像一个探员靠在分析师的肩膀上,建议“接下来问这个问题”或“忽略那个问题,它与你的目标无关”。此外,这些代理可以帮助我们构建“更好”的预测模型,其中“更好”可以是更高的预测准确性或更快的建模时间(这反过来又可以探索更广泛的选择)。我们还警告说,仅仅使用数据挖掘机的论文时代即将结束。从未优化的数据挖掘器中获得的结果可以很快被反驳,只需应用优化器来生成不同的(并且性能更好的)模型。因此,我们的结论是,对于软件分析来说,使用DUO将数据采掘和优化结合起来是可能的、有用的和必要的。
2019-12-13 cs.SE
Retrieving and mining professional experience of software practice from grey literature: an exploratory review
背景资料:检索和挖掘从业人员的自我报告,他们的专业经验的软件实践可以提供有价值的证据进行研究。然而,我们不知道在这一领域进行的任何现有的研究审查。目的:回顾和分类以前的研究,并确定深入的挑战时,检索和挖掘从业人员的自我报告,他们的经验,软件实践的研究所面临的。方法:我们进行了一个探索性的审查,以确定和分类42篇文章。我们分析了这些文章的选择,以了解采矿专业经验的挑战。结果:我们只找到了一篇直接相关的文章。即使如此,本文关注的是软件专业人员的情感体验,而不是软件实践中发生的行为和事件的专业报告。我们讨论的挑战涉及:专业经验的普遍性;定义、模型和理论;数据的稀疏性;话语分析的单位;注释者协议;算法性能的评估;以及缺乏复制。结论:在这一领域似乎没有进行直接相关的先前研究。我们讨论了在二级研究中报告阴性结果的价值。有一系列的研究机会,但也有相当大的挑战。我们制定了一套指导性的问题,在这一领域的进一步研究。
2020-09-30 cs.SE
Profiling Software Developers with Process Mining and N-Gram Language Models
内容:剖析开发人员是一项挑战,因为许多因素,如他们的技能,经验,开发环境和行为,可能会影响详细的分析和连贯的解释交付。目的:我们的目标是通过挖掘软件开发过程来分析软件开发人员。为此,我们进行了一个受控实验,在Python编程竞赛的领域中,一组开发人员具有相同的定义良好的需求规范集和定义良好的sprint时间表。事件收集自PyCharm IDE和Mooshak自动陪审团,其中受试者签入他们的代码。方法:我们使用n-gram语言模型和文本挖掘来描述开发人员的配置文件,并使用过程挖掘算法来发现他们的整体工作流程,并提取相应的度量以供进一步评估。结果如下:研究结果表明,我们可以清楚地与一个连贯的理由大多数开发人员的特点,并区分最高性能的更具挑战性的行为。这种方法可能最终导致创建一个软件开发过程气味的目录。结论:开发人员的个人资料为软件项目经理提供了一个线索,选择适当的任务,他/她应该被分配。随着低代码和无代码平台的使用越来越多,其中编码是从上层抽象层自动生成的,挖掘开发人员在开发平台中的行为是一种很有前途的方法,不仅可以早期检测行为,还可以评估项目复杂性和模型工作量。
2021-01-17 cs.SE
A Framework for Using LLMs for Repository Mining Studies in Empirical Software Engineering
本研究基于两项软件仓库挖掘研究的经验,提出名为PRIMES的LLM仓库挖掘研究框架,含提示词优化检查清单与结果追踪机制,可提升相关研究的可靠性与可复现性,并指出未来需解决幻觉等挑战。
2024-12-12 cs.SE
Design and implementation for automated network troubleshooting using data mining
鉴于依赖移动网络的用户数量和这些网络的重要性,对移动网络进行高效和有效的监测至关重要。本文的目的是提出一个监测方案的移动网络的基础上使用规则和决策树数据采掘分类器,以提高故障检测和处理。我们的目标是优化规则,提高异常检测。此外,监测计划,依赖于贝叶斯分类器也实施了故障隔离和定位的目的。本文中描述的数据采掘技术旨在允许系统被训练以实际学习网络故障规则。测试结果表明,这些规则对于改进网络故障排除非常有效。
2015-05-30 cs.NI cs.SE
A Taxonomy for Mining and Classifying Privacy Requirements in Issue Reports
背景:在使用软件应用程序和系统的过程中收集用户活动的数字和物理踪迹。随着软件变得无处不在,保护用户隐私已成为挑战。随着用户隐私意识的提高以及隐私法规和政策的出现,迫切需要实现增强个人数据处理保护的软件系统。然而,现有的数据保护和隐私法规提供了高层次的关键原则,使得软件工程师很难设计和实现隐私感知系统。目的:在本文中,我们开发了一个分类,提供了一套全面的隐私要求的基础上,四个完善的个人数据保护法规和隐私框架,一般数据保护条例(GDPR),ISO/IEC 29100,泰国个人数据保护法(泰国PDPA)和亚太经济合作组织(APEC)隐私框架。研究方法:这些需求被提取、提炼和分类(使用基于目标的需求分析方法)到一个可以用来映射问题报告的级别。我们还对两个大型开源软件项目(Google Chrome和Moodle)如何通过挖掘其问题报告来解决我们分类中的隐私要求进行了研究。结果:本文讨论了如何收集的问题进行分类,并提出了我们的研究所产生的结果和见解。结论:在问题报告中挖掘和分类隐私需求可以帮助组织通过识别尚未在其软件项目中解决的隐私需求来了解其合规性状态。该分类法还可以根据所识别的隐私要求追溯到软件项目未遵守的法规、标准和框架。
2023-02-06 cs.SE
Integrating Large Language Models in Software Engineering Education: A Pilot Study through GitHub Repositories Mining
本研究通过挖掘400个GitHub项目开展试点,实证验证了SE教育中LLM应用的激励与阻碍因素分类体系,为构建负责任融入的综合框架奠定基础。
2025-09-05 cs.SE
Mining for Cost Awareness in the Infrastructure as Code Artifacts of Cloud-based Applications: an Exploratory Study
本研究通过挖掘云应用的开源仓库,实证发现开发者不仅关注部署成本,还采取多种措施降低成本,并提出了未来研究方向。
2024-04-11 cs.SE
Should I Get Involved? On the Privacy Perils of Mining Software Repositories for Research Participants
挖掘软件存储库(MSR)是一种基于证据的方法,它将数据交叉链接,以揭示有关软件系统的可操作信息。软件工程中的实证研究经常利用MSR技术,因为它们允许研究人员揭示软件开发中的问题和缺陷,以便分析导致这些问题和缺陷的不同因素。因此,依靠关于被挖掘的存储库和源的细粒度信息(例如,服务器名称和贡献者的身份)对于MSR研究的可重复性和透明度至关重要。然而,这也可能对参与者的隐私造成威胁,因为他们的身份可能与有缺陷/次优的编程实践(例如,代码气味、不正确的文档),反之亦然。此外,这可以扩展到密切的合作者和社区成员,从而导致“因关联而有罪”。这份立场文件旨在开始讨论间接参与MSR调查,关于共享非汇总数据的“隐私与效用”的二分法,以及其对参与者参与的隐私限制和道德考虑的影响。
2022-02-24 cs.IR cs.SE
Does the Tool Matter? Exploring Some Causes of Threats to Validity in Mining Software Repositories
本研究通过对比两种工具分析十个大型软件项目,发现即使简单指标也可能相差500%,差异源于细微技术细节,并总结成因以帮助避免常见陷阱,提示工具中心研究结论的效度受限。
2025-01-25 cs.SE
"Communication Is a Scarce Resource!'': A Summary of CHASE'22 Conference Discussions
工作背景:软件工程经常将项目参与者之间的沟通视为解决软件开发中各种问题的工具。目的:制定与CHASE相关领域的研究问题。方法:五位与会者在2022年5月23日举行的第15届软件工程合作与人文方面国际会议(CHASE 2022)的现场讨论。结果如下:在工业SE项目中,沟通不仅仅是一种应用工具或技术,而且还是一种资源,如果缺乏这种资源,就会威胁到项目的成功。这种情况可能发生在需要做出决策的人(特别是关于需求,预算或优先级)经常无法获得时。将沟通视为一种稀缺资源可能有助于理解这种情况的关键困难。结论:我们呼吁关注利益相关者稀缺的通信资源的分配和管理的研究,作为分析软件工程项目的镜头。
2022-06-30 cs.SE
PUMiner: Mining Security Posts from Developer Question and Answer Websites with PU Learning
School of Computer Science, The University of Adelaide(阿德莱德大学计算机学院);Cyber Security Cooperative Research Centre(网络安全合作研究中心)
安全性在软件开发中越来越受到关注。开发人员问答(Q&A)网站提供了大量的安全讨论。现有的研究使用人类定义的规则来挖掘安全讨论,但这些工作仍然遗漏了许多帖子,这可能导致对问答网站上报告的安全实践的分析不完整。传统的监督机器学习方法可以自动化挖掘过程;然而,所需的否定(非安全)类太昂贵而无法获得。我们提出了一个新的学习框架,PUMiner,自动挖掘安全的问答网站的职位。PUMiner构建了一个上下文感知的嵌入模型来提取帖子的特征,然后开发了一个两阶段的PU模型来使用标记的Positive和Unlabeled帖子识别安全内容。我们对Stack Overflow上超过1,720万条帖子和Security StackExchange上的52,611条帖子进行了PUMiner评估。我们表明,PUMiner是有效的,在所有模型配置中的验证性能至少为0.85。此外,PUMiner的Matthews相关系数(MCC)分别比一类SVM,正相似性过滤和一阶段PU模型高0.906,0.534和0.084点。PUMiner在字符串匹配完全失败的情况下也表现良好,MCC为0.745。即使当标记的正面帖子与未标记的帖子的比例仅为1:100时,PUMiner仍然实现了0.65的强大MCC,比完全监督学习好160%。使用PUMiner,我们在Q&A网站上为从业者和研究人员提供最大和最新的安全内容。
2020-03-08 cs.IR cs.LG cs.SE
Dealing with SonarQube Cloud: Initial Results from a Mining Software Repository Study
本文通过挖掘软件仓库研究GitHub项目对SCA工具SonarQube Cloud的使用与定制情况,发现多数项目正确连接但存在配置问题,提出将质量门配置与软件结果关联的研究方向。
2025-08-26 cs.SE