CROKAGE: effective solution recommendation for programming tasks by leveraging crowd knowledge
Bibliographic record
Abstract
Agradecimentos Agradeço...A Deus, por minha vida e pela minha saúde.Aos meus pais Wanderley e Romilda pelo amor incondicional.Sem o apoio deles desde meus primeiros momentos de vida eu não teria traçado essa trajetória e não teria chegado até aqui.Ao meu orientador Marcelo Maia, por me guiar pelo caminho certo durante essa jornada, gastando comigo incontáveis horas de instruções e esclarecimentos.Aos meus colegas de laboratório Carlos Eduardo e Klerisson, pelo apoio e colaboração nos trabalhos.Aos meus ex-chefes de trabalho que me permitiram dedicar ao doutorado, e sem cujas permissões eu não teria conseguido: professores Ernando Reis, Valder Steffen, Odorico Coelho e Darizon Alves.Ao meu atual chefe, professor Helder Eterno, que me autorizou 2 anos de afastamento integral para dedicação exclusiva ao doutorado, me permitindo inclusive ir estudar no exterior.Minha gratidão será Eterna.Ao meu novo colega de laboratório do Canadá: Masud Rahman, que atuou como meu co-orientador durante meus trabalhos na Universidade de Saskatchewan e cujo papel foi fundamental para o sucesso de minhas publicações.Ao professor Chanchal Roy que me possibilitou 1 ano de pesquisa e aprendizado na Universidade de Saskatchewan.E por Ąm à Universidade Federal de Uberlândia, que me formou, me deu um mestrado, um trabalho e agora está me dando um doutorado.Me sinto em eterna dívida com essa instituição que considero minha minha segunda casa. ResumoDesenvolvedores frequentemente buscam por exemplos de código na internet para suas tarefas de programação.Infelizmente, eles enfrentam três grandes problemas.Primeiro, eles normalmente precisam ler e analisar diversos resultados das ferramentas de busca até obterem uma solução satisfatória.Segundo, a busca é prejudicada devido a uma lacuna léxica entre a consulta (descrição da tarefa) e a informação associada à solução (ex.exemplo de código).Terceiro, a solução recuperada pode não ser compreensível, como por exemplo, apenas um trecho de código sem uma explicação sucinta.Para tratar esses três problemas, propomos CROKAGE (Gerador de Respostas de Conhecimento da Multidão), uma ferramenta que recebe a descrição de uma tarefa de programação em linguagem natural e fornece uma solução compreensível para a tarefa, isto é, uma solução que contém não somente exemplos de código relevantes, mas também suas explicações sucintas escritas por desenvolvedores.Primeiramente, o conhecimento da multidão presente no Stack OverĆow é utilizado para recuperar respostas candidatas para a tarefa de programação.Em seguida, um mecanismo de relevância composto de múltiplos fatores é usado para mitigar o problema da lacuna léxica e selecionar as respostas com melhor qualidade relacionadas à tarefa.Finalmente, ocorre um processamento de linguagem natural nas respostas de melhor qualidade para entregar as soluções de programação contendo os exemplos de código acompanhados de suas explicações, ao contrário dos estudos anteriores.CROKAGE foi avaliada e comparada com sete outras abordagens-base, incluindo o estado da arte.CROKAGE superou as sete outras no fornecimento de soluções relevantes para 902 tarefas de programação.Além disso, um estudo com 24 tarefas de programação e 29 desenvolvedores, conĄrmando a superioridade de CROKAGE sobre o estado da arte em termos de relevância dos exemplos de código sugeridos, benefício das explicações do código e da qualidade geral da solução (código + explicação).
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.002 | 0.012 |
| Meta-epidemiology (narrow) | 0.004 | 0.001 |
| Meta-epidemiology (broad) | 0.002 | 0.002 |
| Bibliometrics | 0.008 | 0.003 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.002 | 0.004 |
| Open science | 0.004 | 0.004 |
| Research integrity | 0.003 | 0.002 |
| Insufficient payload (model declined to judge) | 0.006 | 0.004 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".