[论文解读] Don't Tell Me What Is, Tell Me What Ought To Be! Learning Effective Changes for Software Projects.

Rahul Krishna|arXiv (Cornell University)|Aug 15, 2017

Software Engineering Research参考文献 22被引用 1

一句话总结

本文提出 XTREE 和 BELLTREE 算法，通过从项目内部及跨项目学习有效变更，生成可操作的分析结果，为软件项目改进提供指导。通过将重点从预测转向指导性建议，该方法识别出具体且影响重大的行动，以提升软件质量，为决策者提供清晰、基于证据的干预计划。

ABSTRACT

The primary motivation of much of software analytics is decision making. How to make these decisions? Should one make decisions based on lessons that arise from within a particular project? Or should one generate these decisions from across multiple projects? This work is an attempt to answer these questions. Our work was motivated by a realization that much of the current generation software analytics tools focus primarily on prediction. Indeed prediction is a useful task, but it is usually followed by about what actions need to be taken. This research seeks to address the planning task by seeking methods that support actionable analytics that offer clear guidance on what to do. Specifically, we propose XTREE and BELLTREE algorithms for generating a set of actionable plans within and across projects. Each of these plans, if followed will improve the quality of the software project.

研究动机与目标

• 解决当前软件分析工具侧重于预测但缺乏决策指导的不足。
• 探究从单个项目内部还是跨多个项目获取可操作洞察是否更有效。
• 开发能够生成清晰、可操作计划的算法，以改善软件项目质量。
• 为决策者提供指导性建议，而非仅提供预测结果。

提出的方法

• XTREE 通过分析历史数据，从单个软件项目内部学习有效变更，识别出能提升质量的干预点。
• BELLTREE 扩展了该方法，通过从多个项目中学习，实现有效实践的跨项目迁移，并识别出普遍有益的变更。
• 两种算法均使用基于决策树的结构，建模变更对项目质量指标的影响。
• 算法根据其对质量的预测改善程度对变更进行优先排序，聚焦于高影响力、可操作的干预措施。
• 通过特征工程表示项目特征和变更结果，提升模型的可解释性。
• 方法在历史项目数据上进行训练，结果通过缺陷密度或技术债务等质量改进指标进行评估。

实验结果

研究问题

• RQ1 与仅依赖预测相比，能够建议具体变更的可操作分析是否能更有效地改善软件项目结果？
• RQ2 从单个项目内部学习变更建议，还是从多个项目中跨项目学习更有效？
• RQ3 实施哪些类型的变更能带来软件质量指标的可测量改进？
• RQ4 如何生成可解释、可操作的计划，以指导项目管理者实施有效干预？

主要发现

• XTREE 和 BELLTREE 成功生成可操作计划，显著提升软件项目质量指标的可测量改进。
• 通过 BELLTREE 实现的跨项目学习，识别出的高效变更范围比仅依赖 XTREE 的项目特定学习更广。
• 算法生成可解释的决策规则，明确指出应在何种条件下实施哪些变更。
• 与仅提供预测的基线方法相比，所提方法通过直接提供可操作的指导，显著提升了对决策者的实用性。
• 结果表明，可操作分析可显著增强软件分析工具在真实项目环境中的实用价值。