Identifying Community-Supported Technologies and Software Developments Concepts by K-means Clustering
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Working on technologies that have community sup-port is one of the most important factors in software development. Software developers often face difficulties during software devel-opment, and community support from other software developers help them significantly. This paper presents an approach based on K-mean clustering technique to identify the level of community support for software technologies and development concepts using Stack Overflow discussion forums. To test the approach, a case study was performed by gathering data from SO and preparing a dataset that contains over a million of Java developers’ questions. Then, K-mean clustering was applied to identify the community support levels. The goal is to find the best features that group community-supported software technologies and development concepts and identify the number of groups to determine the community support levels. Statistical error, clustering and classi-fication evaluation metrics were applied. The results indicate that the best features to formulate community supported technologies and development concept levels are Failure Rate and Wait Time. The results show that the approach identifies two groups of community supported and development concept levels based on the best silhouette index value of 97%. According to the results the majority of Java technologies and development concepts are labeled with less community supported technologies and development concepts (Cluster 2). Random Forest classifier was applied to indirectly evaluate the approach to detect the identified community support class. The result shows that RF classifier presents a good performance and shows high accuracy value of 99.49% which indicates that the identified groups improve the performance of the classifier. The approach can be utilized to assist software developers and researchers in utilizing the SO platform in developing SO-based recommendation systems.
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.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 découle