A heuristic for estimating the impact of lingering defects: can debt analogy be used as a metric?
Notice bibliographique
Résumé
Background: Due to tight scheduling and limited budget, it may not be possible to resolve all the existing bugs in a current release of a software product. The accumulation of the deferred bugs in the issue tracking system are obligations (liabilities) of the software team similar to financial analogy of 'debt'. Defect debt is known as latent defects which are not resolved in the current release. Aim: In order to manage the defect debt, software managers need to be aware of the amount of debt (principal) as well as the price of the credit (interest) in their system. There are no studies in the literature to measure the principal or interest of defect debt. In this study, we propose a novel approach to identify the interest of defect debt. Methodology: We developed a heuristic to specify the interest based on three metrics: PageRank index, customer feedback and bug fixing duration. In order to investigate the feasibility of our heuristic, we employ it to two datasets that are extracted from both open source and commercial software products. We validate the heuristic using two metrics: the severity/priority of bugs, and the duration of bug fixing time. Result: The results show that 24% and 18% of the deferred bugs are high and medium impact bugs in project 1 and project 2, respectively.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,067 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,003 | 0,006 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,003 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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 tête enseignante, 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 ».