[論文レビュー] Temporal Analysis of Literary and Programming Prose

Brian Michalski, Mukkai S. Krishnamoorthy+1 more|arXiv (Cornell University)|Feb 9, 2012

Advanced Text Analysis Techniques参考文献 1被引用数 5

ひとこと要約

本稿では、Google Ngram Viewerとコミットログを用いた時間的分析フレームワークを提案し、文学的・プログラミング的プロースの両分野における時間的参照の非一様なパターンを比較することで、文学における「日曜日」の不均衡な使用や、ソフトウェアプロジェクトにおけるコミット分布の不均一性といった、行動的・文化的トレンドを明らかにした。両分野は構造的差異があるものの、類似した統計的手法を用いて分析可能であることが示された。

ABSTRACT

Literary works reference a variety of globally shared themes including well-known people, events, and time periods. It is particularly interesting to locate patterns that are either invariant across time or exhibit a characteristic change across time, as they could imply something important about society that those works record. This paper suggests the use of Google n-gram viewer as a fast prototyping method for examining time-based properties over a rich sample of literary prose. Using this method, we find that some repeating periods of time, like Sunday, are referenced disproportionally, allowing us to pose questions such as why a day like Thursday is so unpopular. Furthermore, by treating software as a work of prose, we can apply a similar analysis to open-source software repositories and explore time-based relations in commit logs. Doing a simple statistical analysis on a few temporal keywords in the log records, we reinforce and weaken a few beliefs on how college students approach open source software. Finally, we help readers working on their own temporal analysis by comparing the fundamental differences between literary works and code repositories, and suggest blog or wiki as recently-emerging works.

研究の動機と目的

• Google Ngram Viewerなどの広く利用可能なデジタルツールを用いて、文学的プロースにおける時間的パターンを調査すること。
• 時間的参照とコミット活動に着目し、文学的著作とソフトウェアリポジトリにおける時間的行動を比較すること。
• 提出締切に近い時期に作業が集中するといった、ソフトウェア開発における人間行動に関する仮説を検証すること。
• バージョニングや時間的メタデータの観点から、文学的テキストとソフトウェアリポジトリの分析におけるメソドロジカルな差異を特定すること。
• ブログやウィキといったハイブリッド形式が、文学とコードの間の中間的ケースとして機能するかどうかを検討すること。

提案手法

• 1800年から2000年にかけて出版されたデジタル化された書籍から、時間的n-gram（例：曜日）の相対頻度をGoogle Ngram Viewerを用いて抽出した。
• ソフトウェアのコミットログを時間的プロースとみなして、タイムスタンプを抽出し、日ごとのコミット分布を分析した。
• z検定や信頼区間などの基本的な統計的分析を用い、一様分布からの観測された乖離が有意であるかどうかを評価した。
• 時間的に近接したコミットをクラスタリングすることで、連続したコーディングセッションの長さを推定した。
• 日ごとのコミット頻度の平均と標準偏差を計算し、期待される14.29％の一様分布と比較した。
• 8つのオープンソース学生プロジェクトにおけるプロジェクト固有のコミットパターンを評価し、締切に起因するクラスタリングを検出した。

実験結果

リサーチクエスチョン

• RQ1 文学的プロースにおいて、日曜日のような特定の曜日が他の曜日よりも顕著に多く参照されているのはなぜか、その背景には何があるのか？
• RQ2 ソフトウェア開発者が、提出締切に近い時期に集中して作業する傾向を示すコミット行動の非一様性は、実際に見られるのか？
• RQ3 文学的著作とソフトウェアリポジトリにおける時間的参照の頻度と構造的特徴は、どのように比較できるか？
• RQ4 オープンソースプロジェクトのコミットログは、週次サイクルやセッション期間といった予測可能な行動的リズムをどの程度反映しているか？
• RQ5 ブログやウィキは、テキストと改訂履歴の両方の性質を持つハイブリッドな性質を有するため、文学的・プログラミング的時間的分析の橋渡しとして機能できるか？

主な発見

• 文学的著作において『日曜日』は他の曜日よりも顕著に多く参照されており、単なる時間記録を超えた文化的・物語的意義がある可能性がある。
• 学生プロジェクトにおける金曜日および土曜日のコミット割合は、期待される14.29％の一様分布を上回っており、締切に起因する作業パターンの兆候である。
• 8つのプロジェクト全体において、どの曜日に対しても一様分布からの有意な乖離は認められず、すべての95％信頼区間が0を含んでいた。
• プロジェクト全体の平均コーディングセッション長は約4.5時間であり、一部のプロジェクトでは著しく長いセッションが観察された（例：RPIDirectoryでは7時間29分）。
• 文学的著作の複数版の分析から、1,000件のサンプルのうちたった40件の書籍しか1回以上の改訂を経験しておらず、縦断的文学的分析の範囲は限定的であった。
• ソフトウェアリポジトリのコミットログは、文学的テキストに比べてより豊富な時間的メタデータを備えており、開発行動の詳細かつ意味のある時間的分析が可能である。