A Large-Scale Study on Source Code Reviewer Recommendation
Identifikátory výsledku
Kód výsledku v IS VaVaI
<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F00216224%3A14610%2F18%3A00102742" target="_blank" >RIV/00216224:14610/18:00102742 - isvavai.cz</a>
Výsledek na webu
<a href="http://dx.doi.org/10.1109/SEAA.2018.00068" target="_blank" >http://dx.doi.org/10.1109/SEAA.2018.00068</a>
DOI - Digital Object Identifier
<a href="http://dx.doi.org/10.1109/SEAA.2018.00068" target="_blank" >10.1109/SEAA.2018.00068</a>
Alternativní jazyky
Jazyk výsledku
angličtina
Název v původním jazyce
A Large-Scale Study on Source Code Reviewer Recommendation
Popis výsledku v původním jazyce
Context: Software code reviews are an important part of the development process, leading to better software quality and reduced overall costs. However, finding appropriate code reviewers is a complex and time-consuming task. Goals: In this paper, we propose a large-scale study to compare performance of two main source code reviewer recommendation algorithms (RevFinder, Naive Bayes-based) in identifying the best code reviewers for opened pull requests. Method: We mined data from Github and Gerrit repositories, building a large dataset of 51 projects, with more than 293K pull requests analyzed, 180K owners and 157K reviewers. Results: Based on the large analysis, we can state that i) no model can be generalized as best for all projects, ii) the usage of different repository (Gerrit, GitHub) has a large impact on the the recommendation results, iii) exploiting sub-projects information available in Gerrit improves the recommendation results.
Název v anglickém jazyce
A Large-Scale Study on Source Code Reviewer Recommendation
Popis výsledku anglicky
Context: Software code reviews are an important part of the development process, leading to better software quality and reduced overall costs. However, finding appropriate code reviewers is a complex and time-consuming task. Goals: In this paper, we propose a large-scale study to compare performance of two main source code reviewer recommendation algorithms (RevFinder, Naive Bayes-based) in identifying the best code reviewers for opened pull requests. Method: We mined data from Github and Gerrit repositories, building a large dataset of 51 projects, with more than 293K pull requests analyzed, 180K owners and 157K reviewers. Results: Based on the large analysis, we can state that i) no model can be generalized as best for all projects, ii) the usage of different repository (Gerrit, GitHub) has a large impact on the the recommendation results, iii) exploiting sub-projects information available in Gerrit improves the recommendation results.
Klasifikace
Druh
D - Stať ve sborníku
CEP obor
—
OECD FORD obor
10201 - Computer sciences, information science, bioinformathics (hardware development to be 2.2, social aspect to be 5.8)
Návaznosti výsledku
Projekt
Výsledek vznikl pri realizaci vícero projektů. Více informací v záložce Projekty.
Návaznosti
P - Projekt vyzkumu a vyvoje financovany z verejnych zdroju (s odkazem do CEP)<br>S - Specificky vyzkum na vysokych skolach
Ostatní
Rok uplatnění
2018
Kód důvěrnosti údajů
S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů
Údaje specifické pro druh výsledku
Název statě ve sborníku
44th Euromicro Conference on Software Engineering and Advanced Applications (SEAA) 2018
ISBN
9781538673836
ISSN
1089-6503
e-ISSN
—
Počet stran výsledku
10
Strana od-do
378-387
Název nakladatele
IEEE
Místo vydání
Not specified
Místo konání akce
Not specified
Datum konání akce
1. 1. 2018
Typ akce podle státní příslušnosti
CST - Celostátní akce
Kód UT WoS článku
000450238900059