[论文解读] When the Open Source Community Meets COVID-19: Characterizing COVID-19 themed GitHub Repositories

Liu Wang, Ruiqing Li+3 more|arXiv (Cornell University)|Oct 23, 2020

Scientific Computing and Data Management参考文献 31被引用 4

一句话总结

本研究对截至2020年7月收集的67,079个与COVID-19相关的GitHub仓库进行了首次大规模分析，采用基于自然语言处理（NLP）的分类方法，将其划分为六类，并分析了贡献、开发及维护模式。主要发现显示，早期开发迅速且激烈，但维护生命周期短暂，且贡献者活动基本不受封锁政策影响，凸显了开源在应对全球健康紧急事件中的关键作用，同时也暴露其脆弱性。

ABSTRACT

Ever since the beginning of the outbreak of the COVID-19 pandemic, researchers from interdisciplinary domains have worked together to fight against the crisis. The open source community, plays a vital role in coping with the pandemic which is inherently a collaborative process. Plenty of COVID-19 related datasets, tools, software, deep learning models, are created and shared in research communities with great efforts. However, COVID-19 themed open source projects have not been systematically studied, and we are still unaware how the open source community helps combat COVID-19 in practice. To fill this void, in this paper, we take the first step to study COVID-19 themed repositories in GitHub, one of the most popular collaborative platforms. We have collected over 67K COVID-19 themed GitHub repositories till July 2020. We then characterize them from a number of aspects and classify them into six categories. We further investigate the contribution patterns of the contributors, and development and maintenance patterns of the repositories. This study sheds light on the promising direction of adopting open source technologies and resources to rapidly tackle the worldwide public health emergency in practice, and reveals existing challenges for improvement.

研究动机与目标

• 系统性地刻画疫情早期阶段与COVID-19相关的GitHub仓库生态。
• 理解开发者的贡献模式以及这些仓库的开发生命周期。
• 识别在开源疫情响应中长期维护、数据共享与国际合作方面面临的主要挑战。

提出的方法

• 通过基于关键词的采集方法（例如 'covid'、'sars'、'pandemic'）收集截至2020年7月的67,079个与COVID-19相关的GitHub仓库。
• 应用自然语言处理（NLP）技术，将仓库分类为六种类别：数据、接触追踪、工具包、预测与模拟、检测与诊断，以及在某些方面有帮助。
• 基于仓库创建日期、星标数和分叉数，开展趋势与流行度分析。
• 利用提交历史和仓库生命周期指标，分析贡献者活动与维护模式。
• 根据代码行数（LOC）随时间的变化趋势对仓库进行聚类，以识别不同的开发行为。
• 将数据集公开发布于 https://covid19-repos.github.io，以支持未来研究。

实验结果

研究问题

• RQ1 与COVID-19相关的GitHub仓库的流行度及其随时间的变化趋势如何？
• RQ2 贡献者在各国的分布情况如何？封锁政策对其活动有何影响？
• RQ3 与COVID-19相关的仓库中主导的类别是什么？它们在开发模式上存在哪些差异？
• RQ4 这些仓库的开发与维护行为如何随时间演变？
• RQ5 这些项目在长期可持续性与国际合作方面面临哪些关键挑战？

主要发现

• 截至2020年7月，GitHub上已创建超过67,000个与COVID-19相关的仓库，且在世界卫生组织于2020年3月11日宣布疫情后出现急剧增长。
• 大多数仓库在疫情宣布后迅速创建，表明开源社区作出了快速响应。
• 仓库在各类别间分布不均，以数据类仓库最为常见，其次是接触追踪和工具包类。
• 大多数仓库表现出强烈的早期开发，但维护周期短暂，超过80%在数月内即停止活跃。
• 在封锁期间，贡献者活动保持稳定或略有增加，表明GitHub上的远程协作未受到显著影响。
• 仅有5个仓库展现出长期且稳定的代码库增长模式，表明在应急驱动的开源项目中，持续开发极为罕见。