SATDAUG — A Balanced and Augmented Dataset for Detecting Self-Admitted Technical Debt

要約

自己認めた技術的負債 (SATD) とは、コードベース内に技術的なショートカット、回避策、または一時的な解決策が存在することを開発者が明示的に認めて文書化する、一種の技術的負債を指します。
近年、研究者はさまざまなソフトウェア開発成果物（ソース コード コメント、問題トラッカーとプル リクエスト セクションからのメッセージ、コミット メッセージ）から派生したデータセットに手動でラベルを付けてきました。
これらのデータセットは、機械学習および深層学習モデルのトレーニング、評価、パフォーマンス検証、改善を目的として設計されており、SATD インスタンスを正確に識別します。
ただし、クラスの不均衡は、特に研究者が特定のタイプの SATD を分類することに興味がある場合、既存のデータセット全体にわたって深刻な課題を引き起こします。
既存のデータセットにおける SATD \textit{identification} (つまり、インスタンスが SATD であるかどうか) と \textit{categorization} (つまり、どのタイプの SATD が分類されているか) のラベル付きデータが不足していることに対処するために、以下を共有します。
\textit{SATDAUG} データセット。ソース コード コメント、問題トラッカー、プル リクエスト、コミット メッセージを含む、既存の SATD データセットの拡張バージョンです。
これらの拡張データセットは、利用可能なアーティファクトに関連してバランスが取られており、機械学習または深層学習モデルをトレーニングするためのラベル付きデータのより豊富なソースを提供します。

要約(オリジナル)

Self-admitted technical debt (SATD) refers to a form of technical debt in which developers explicitly acknowledge and document the existence of technical shortcuts, workarounds, or temporary solutions within the codebase. Over recent years, researchers have manually labeled datasets derived from various software development artifacts: source code comments, messages from the issue tracker and pull request sections, and commit messages. These datasets are designed for training, evaluation, performance validation, and improvement of machine learning and deep learning models to accurately identify SATD instances. However, class imbalance poses a serious challenge across all the existing datasets, particularly when researchers are interested in categorizing the specific types of SATD. In order to address the scarcity of labeled data for SATD \textit{identification} (i.e., whether an instance is SATD or not) and \textit{categorization} (i.e., which type of SATD is being classified) in existing datasets, we share the \textit{SATDAUG} dataset, an augmented version of existing SATD datasets, including source code comments, issue tracker, pull requests, and commit messages. These augmented datasets have been balanced in relation to the available artifacts and provide a much richer source of labeled data for training machine learning or deep learning models.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google