REDUSE - Will it Work on My Machine?\\A Study on Reproducibility Smells in Ansible Scripts
Notice bibliographique
Résumé
A study on reproducibility smells This study, first, identifies such programming practicesthat we refer to as reproducibility smells by conducting a comprehensive multi-vocal review. We implement a tool viz. REDUSE to identify reproducibility smells in Ansible scripts. Furthermore, we carry out an empirical study to reveal the proliferation of reproducibility smells in open-source projects and explore correlation and co-occurrence relationships among them. This tool detects programming practices, referred to as productivity smells, in Ansible scripts that can lead to reproducibility issues. What is this tool? This is a detection tool, designed to detect reproducibility smells in a pattern based mode.You can provide your ansible script in .yml format and get a .csv output containing task name, task number, smell name, reason of having the smell on the task. Content Replication Package Manual validation : This folder contains the repositories used for manual validation of the tool. In each folder, for each script we have `manual.csv`(smells detected by reviewers) file and `cleaned.csv`(smells detected by tool) file. MLR : This folder contains all the files regarding multi-vocal literature review. Reproducibility smell examples : This file contains the code for the example scenarios mentioned in the category in the paper. Qualitative analysis sheet : This file contains the github issues analysis from the projects extracted for empirical study from 'ansible galaxy'. Souce codes:**`src`**:- **`extraction`**: - **`extracted_repos`**: This folder contains text files. Each text file contains the links extracted from 9 categories of the ansible galaxy top 100 of the most-downloaded repositories after applying criteria check on the github repository. - **`script`**: - **`criteria_check.py`**: This script applies criterias on the github links. 5 stars, 50 commits, last commit not older than 1 year ago. - **`link_extractor.py`**: This script extracts github links from the given url. used for extracting the projects from the ansible galaxy. - **`script_extractor.py`**: This script gets a github link and extracts the .yml files of the repository. - **`output`**: This folder contains all the detection results on the scripts. - **`detector.py`**: - This scripts contains the main logic of the tool. - It gets the path to the ansible script file and parse it. - using parsed tasks it detects the smells for each task.- **`parser.py`**: - This scripts parses a given ansible script and returns a dictionary containing the tasks of the script.- **`smell_detection.py`**: - This scripts consists of the smell detection functions. each function is trying to detect one smell according to the rules specified and provides a message.- **`results.py`**: - This script creates 2 csv files in 2 formats as output. **`test`**:- **`testScripts`**: This folder contains the original ansible scripts from the ansible galaxy and ansible-oci-collection.- **`unit_test`**: This folder contains the unit-tests for the smell_detection functions.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,045 | 0,239 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,002 | 0,002 |
| Communication savante | 0,006 | 0,007 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 0,002 |
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 source (Gemma direct ou Codex distillé), 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 ».