Identifying and Detecting Inaccurate Stack Traces in Bug Reports
Notice bibliographique
Résumé
Bug reports contain a combination of structured and unstructured information, with the stack trace being one of the most important structured pieces of information. However, stack traces that do not contain accurate fault location information can lead to significant delays in software maintenance. This work examines eight projects from two open-source software communities to understand how to identify and detect inaccurate stack traces in bug reports. Using our approach to detecting inaccurate stack traces, we found that accurate fault location information is found roughly $33 \%$ of the time in the top frame, ${5 0 \%}$ in the Top-3 frames, ${7 5 \%}$ in the Top-5 frames and that the information accuracy does not significantly improve beyond this point. Next, we found that roughly $33 \%$ of stack traces can be considered inaccurate using the Top-5 stack trace frames. Third, NPEs commonly occur in inaccurate stack traces, and project-specific exceptions occur too infrequently to likely be useful in identifying inaccurate stack traces. Finally, the best machine learning classifier to identify inaccurate stack traces in a project’s bug reports uses a linear regression algorithm trained using the filename, method name and exception name from the top frame of a stack trace. Depending on the project, this classifier has a ${7 8 - 9 8 \%}$ accuracy, ${6 0 - 9 4 \%}$ precision, and $16-97 \%$ recall.
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 | 0,000 | 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 | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| 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 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 ».