Cette étude explore une nouvelle approche pour prédire les principaux résultats liés aux bogues,
y compris le temps de résolution, il est temps de réparer, et statut ultime d'un bug,
en utilisant les données du projet Bugzilla Eclipse. Spécifiquement, nous exploitons
fonctionnalités disponibles avant qu'un bug ne soit résolu pour améliorer la précision prédictive. Notre
la méthodologie intègre une analyse des sentiments pour dériver à la fois une émotivité
score et classification des sentiments (positif ou négatif). En plus, nous
intégrer le niveau de priorité du bug et son sujet, extrait à l'aide d'un BERTopic
modèle, comme fonctionnalités pour un réseau de neurones convolutifs (CNN) et un multicouche
Perceptron (MLP). Nos résultats indiquent que la combinaison de BERTopic et
l'analyse des sentiments peut améliorer certaines mesures de performances du modèle. En outre,
nous observons que l'équilibrage des entrées du modèle améliore l'applicabilité pratique, même
au prix d'une réduction significative de la précision dans la plupart des cas. Pour aborder
nos principaux objectifs, prédire le temps de résolution, il est temps de réparer, et un bug
destin, nous utilisons à la fois la classification binaire et les prédictions exactes de la valeur temporelle,
permettant une évaluation comparative de leur efficacité prédictive.
Les résultats démontrent que l’analyse des sentiments constitue un prédicteur précieux d’un
résultat final du bug, en particulier pour déterminer s'il sera corrigé.
Cependant, son utilité est moins prononcée lors de la classification des bogues en plus complexes
ou catégories de résultats non conventionnels.

Cet article explore les excursions dans le temps et leurs implications.

Télécharger PDF: