May, 2023

了解对于拉取式开发的失效机器人的有益性：20 个大型开源项目的实证研究

PDF
TL;DR回顾 20 个大型热门开源项目的经验研究发现，虽然 Stale bot 用于处理未解决的 Pull Requests 可以提高项目的效率，但过于依赖 Stale bot 可能导致贡献者减少和社区参与度下降。
pull requestsstale botinactive prsempirical studycommunity engagement
发现论文，激发创造
  • BotHawk：开源软件项目中的机器人检测方法

    这项研究调查了开源软件项目中机器人行为，发现了四种类型的机器人账户，并创建了 BotHawk 模型，能够更准确地检测开源软件项目中的机器人，取得了显著的性能优势，达到了 0.947 的 AUC 和 0.89 的 F1-Score。此外，研究还发现粉丝数量、仓库数量和标签是识别账户类型最相关的特征。

    Jul, 2023

  • 如何评估 GitHub 开源项目的维护水平，了解维护活动程度

    通过数据驱动的方法和机器学习模型，本文研究了 GitHub 项目的维护活动水平，揭示了 16% 的项目在一年内未得到维护，并指出 Objective-C 项目具有较低的维护活动水平，软件工具则是维护活动最高的项目类型。这项研究为开发者选择开源项目提供了帮助。

    Mar, 2020

  • StalemateBreaker: 一种主动引入内容的自动人机对话方法

    本文提出一种名为 StalemateBreaker 的人机对话系统，利用内容引入方法和重排序算法来打破话题僵局，实验结果表明其性能优于目前最先进的人机对话系统。

    Apr, 2016

  • 预测维护者和贡献者在拉取请求中的首次响应延迟

    我们提出了一种基于机器学习的方法来预测在 Pull Request 提交后维护人员首次响应的延迟以及从维护人员获得首次响应后贡献者的首次响应延迟。我们使用 20 个大型热门开源项目的数据集进行特征提取，并使用七种分类器评估最佳模型。通过我们的研究，我们发现在一周的早期提交的 PR，包含平均或略高于平均的提交数量以及简洁的描述更容易获得维护人员更快的首次响应。同样地，从维护人员那获得首次响应早期在一周内且包含平均或略高于平均的提交数量的 PR 更容易获得贡献者更快的首次响应。此外，在项目中具有较高接受率和及时响应历史的贡献者很可能能够更快地获得和提供首次响应。

    Nov, 2023

  • 开源机器学习项目中实际缺陷的比较分析 -- 一篇注册报告

    研究了机器学习系统和传统软件系统之间的问题报告需求和解决过程的差异，并通过 GitHub 上的应用机器学习项目中的真实问题报告，探究了机器学习问题和非机器学习问题的解决时间和代码修改量等方面的差异。

    Sep, 2022

  • AI-Based 编码辅助在实践中的应用：现状、观点和未来发展

    AI 助手在软件工程中的使用情况对开发者的需求和改进方向具有重要影响。

    Jun, 2024

  • 源代码评审人员推荐的大规模研究

    本文通过在 Github 和 Gerrit 代码仓库中挖掘数据进行大规模实验比较两种主要的代码审查员推荐算法 (RevFinder 和基于朴素贝叶斯的方法) 的性能，以确定最佳的代码审查员。我们发现：1）没有一个模型适用于所有项目；2）不同的代码仓库会对推荐结果产生影响；3）利用 Gerrit 中可用的子项目信息可以改善推荐结果。

    Jun, 2018

  • 基于跨项目和技术经验的 GitHub 代码审查者推荐

    本文提出了一种考虑到开发者特定技术专业性的代码审查者推荐技术，该技术利用外部库经验等关联历史，可提供高达 85%-92% 的准确性，86% 的精度和 79%-81% 的召回率，为代码审查提供高效帮助。

    Jul, 2018

  • MaintainoMATE：一种智能自动化维护活动的 GitHub 应用

    MaintainoMATE 是一个统一的框架，能够自动对问题报告进行分类并将其分配给具有相关专业知识的开发人员，通过学习上下文信息来提高软件质量和降低维护成本。

    Aug, 2023

  • 了解 AI 编程助手的可用性

    通过对 410 名开发者进行调查，本研究深入剖析了开发者使用 AI 编程助手的动机、显著的使用场景以及面临的主要可用性挑战，并提出了设计与使用此类工具的建议。

    Mar, 2023