Evaluating the Effectiveness of Code2Vec for Bug Prediction When Considering That Not All Bugs Are the Same
Notice bibliographique
Résumé
Bug prediction is an area of research focused on predicting where in a software project \nfuture bugs will occur. The purpose of bug prediction models is to help companies spend \ntheir quality assurance resources more efficiently by prioritizing the testing of the most \ndefect prone entities. Most bug prediction models are only concerned with predicting \nwhether an entity has a bug, or how many bugs an entity will have, which implies that all \nbugs have the same importance. In reality, bugs can have vastly different origins, impacts, \npriorities, and costs; therefore, bug prediction models could potentially be improved if they \nwere able to give an indication of which bugs to prioritize based on an organization’s needs. \nThis paper evaluates a possible method for predicting bug attributes related to cost by \nanalyzing over 33,000 bugs from 11 different projects. If bug attributes related to cost can \nbe predicted, then bug prediction models can use the approach to improve the granularity of \ntheir results. The cost metrics in this study are bug priority, the experience of the developer \nwho fixed the bug, and the size of the bug fix. First, it is shown that bugs differ along each \ncost metric, and prioritizing buggy entities along each of these metrics will produce very \ndifferent results. We then evaluate two methods of predicting cost metrics: traditional deep \nlearning models, and semantic learning models. The results of the analysis found evidence \nthat traditional independent variables show potential as predictors of cost metrics. The \nsemantic learning model was not as successful, but may show more effectiveness in future \niterations.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| 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 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 ».