Predicting Tags for Learner Questions on Stack Overflow
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
Abstract Online question answering sites, such as Stack Overflow (SO), have become an important learning and support platform for computer-science learners and practitioners who are seeking help. Learners on SO are currently faced with the problem of unanswered questions, inhibiting their lifelong-learning efforts and contributing to delays in their software development process. The major reason for this problem is that most of the technical problems posted on SO are not seen by those who have the required expertise and knowledge to answer a specific question. This issue is often attributed to the use of inappropriate tags when posting questions. We developed a new method, BERT-CBA, to predict tags for answering user questions. BERT-CBA combines a convolutional network, BILSTM, and attention layers with BERT. In BERT-CBA, the convolutional layer extracts the local semantic features of an SO post, the BILSTM layer fuses the local semantic features and the word embeddings (contextual features) of an SO post, and the attention layer selects the important words from a post to identify the most appropriate tag labels. BERT-CBA outperformed four existing tag recommendation approaches by 2-73% as measured by F1@K=1-5. These findings suggest that BERT-CBA could be used to recommend appropriate tags to learners before they post their question which would increase their chances of getting answers.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 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 découle