Prediction of Developer Participation in Issues of Open Source Projects

Schwerz, Andre Luis; Liberato, Rafael; Wiese, Igor; Steinmacher, Igor; Gerosa, Marco Aurélio; Ferreira, João Eduardo

doi:10.1109/sbsc.2012.27

Cited by 3 publications

(1 citation statement)

References 10 publications

Supporting

Mentioning

Contrasting

Order By: Relevance

“…An original implementation of speculative execution (as Hadoop-Naive) [5] is examined in Hadoop-0.20 to enhance performance. However, this strategy cannot work well in heterogeneous MapReduce systems.…”

Section: Introductionmentioning

confidence: 99%

Novel heuristic speculative execution strategies in heterogeneous distributed environments

Huang

Zhang

et al. 2016

Computers & Electrical Engineering

View full text Add to dashboard Cite

Section: Introductionmentioning

confidence: 99%

Novel heuristic speculative execution strategies in heterogeneous distributed environments

Huang

Zhang

et al. 2016

Computers & Electrical Engineering

View full text Add to dashboard Cite

Matching Skills, Past Collaboration, and Limited Competition: Modeling When Open-Source Projects Attract Contributors

Fang,

Herbsleb,

Vasilescu

2023

Proceedings of the 31st ACM Joint European Software Engineering Conference and Symposium on the Foundations of Software Enginee

View full text Add to dashboard Cite

Historical Analysis of Message Contents to Recommend Issues to Open Source Software Contributors

Steinmacher

Wiese

Schwerz

et al. 2014

RESI

Self Cite

View full text Add to dashboard Cite

Os desenvolvedores de projetos de software livre distribuídos utilizam ferramentas de acompanhamento de pendências para coordenar o seu trabalho. Essas ferramentas armazenam informações importantes, mantendo registro de decisões importantes e soluções para bugs. Decidir sobre que pendências são as mais adequadas para se contribuir pode ser difícil, uma vez que a elevada quantidade de dados aumenta a pressão sobre os desenvolvedores. Este artigo mostra a importância do conteúdo das discussões que ocorrem por meio da ferramenta de acompanhamento de pendências em um projeto de software livre para a construção de um classificador para predizer a participação de um colaborador na solução de um problema. Para projetar este modelo de predição, utilizamos dois algoritmos de aprendizagem de máquina: Naïve Bayes e J48. Utilizamos dados do projeto Apache Hadoop Commons para avaliar o uso dos algoritmos. Aplicando algoritmos de aprendizado de máquina aos dez desenvolvedores mais ativos no projeto, obtivemos uma média de recall de 66,82% para Naïve Bayes e 53,02% usando J48. Obtivemos 64,31% de precisão e 90,27% de acurácia usando o J48. Também realizamos um estudo exploratório com cinco desenvolvedores que participaram na solução de um volume menor de problemas , obtendo 77,41% de precisão, 48% de recall, e 98,84% de acurácia usando o algoritmo J48. Os resultados indicam que o conteúdo dos comentários em pendências/ problemas em projetos de software livre representam um fator relevante com base no qual recomendar pendências aos desenvolvedores que colaboram com o projeto.

show abstract

Prediction of Developer Participation in Issues of Open Source Projects

Cited by 3 publications

References 10 publications

Novel heuristic speculative execution strategies in heterogeneous distributed environments

Novel heuristic speculative execution strategies in heterogeneous distributed environments

Matching Skills, Past Collaboration, and Limited Competition: Modeling When Open-Source Projects Attract Contributors

Historical Analysis of Message Contents to Recommend Issues to Open Source Software Contributors

Contact Info

Product

Resources

About