Comparing Developer Attraction and Turnover in OSS vs. OSS4SG Projects: An MSR Study
Notice bibliographique
Résumé
Open source for social good (OSS4SG) projects are projects whose overarching goal focuses on solving a societal issue and driving positive change. Despite the societal importance of such projects and their alignment with the open-source ideology at its very core, there is a clear lack of understanding of the unique characteristics and operational dynamics of OSS4SG projects. In this work, we use Mining Software Repository (MSR) techniques to empirically investigate the community dynamics and project characteristics of OSS4SG projects compared to OSS projects. We leveraged the GitHub API and GraphQL to mine a dataset of 290 projects (199 OSS4SG, 91 OSS) and answer our main research questions: RQ1: How stable are OSS4SG compared to OSS in terms of newcomers and leavers? RQ2: To what extent do turnover and retention of contributors change over time for OSS vs OSS4SG? Namely, we studied and compared the rates at which contributors joined and left OSS and OSS4SG projects at different stages of life (early, mid, late). We classified projects as attractive (high join rate and low leave rate), unattractive (low join rate and high leave rate), stable (low join rate and low leave rate), and unstable (high join rate and high leave rate). Our results show that the majority of OSS4SG projects (60%) are stable, while the majority of OSS projects (74%) are unstable. Our results also show that OSS4SG retains more of their contributors and has less turnover. Looking at the join and leave rates for projects across different life stages, we found that the difference is significant when all stages of life and considered together. However, the difference is far less significant in the late stage of the project's lifespan, indicating that, as they mature, OSS becomes more similar to OSS4SG in terms of community dynamics.
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 | 0,005 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,003 | 0,005 |
| Science ouverte | 0,001 | 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 ».