Evaluation of a black‐box estimation tool: A case study
Notice bibliographique
Résumé
Abstract For the past 30 years, various estimation models and tools have been developed to help managers perform estimation tasks. Some of these estimation tools date from the late 1970s, and have been progressively modernized by their vendors in terms of tools' user interfaces and new functions to facilitate not only project estimation but also detailed project planning. For organizations interested in using such estimation tools, it is crucial to know about their predictive performance. However, it is not an industry practice for the vendors to document the performance of these commercial estimation tools; estimation tool builders have not provided information on the performance of their models with respect to their own initial data repositories, nor on subsequent versions. Basically, such estimation tools are often black boxes with undocumented performance properties. Various researchers have attempted to analyze the performance of such black‐box estimation tools within the constraints of research data sets that were fairly small compared to the larger ones as claimed by tool vendors. The research presented here revisits this issue, this time with a much larger data set from the International Software Benchmarking Standards Group (ISBSG). This new study is presented in three steps. First, the data set is analyzed by the programming language and corresponding subsamples are identified, including identification of obvious outliers with respect to effort and size. Second, estimation models are built directly from such samples, in a white‐box fashion, with and without outliers. Third, a commercial software estimation tool widely distributed throughout the world is tested against the same set of samples. In summary, for the majority of samples available, the black‐box tool fares fairly poorly. Lessons learned are of two types: prospective tool users should demand that tool vendors benchmark their black‐box tool against publicly available repositories; and the interval of confidence of the output provided by their tool, as well as the basis for such output (e.g. in terms of both the number of observations and currentness of such data), must be documented. Copyright © 2007 John Wiley & Sons, Ltd.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,020 | 0,061 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,003 | 0,004 |
| Science ouverte | 0,004 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».