در دنیای پیچیده و به سرعت در حال تحول توسعه نرم‌افزار، مدیریت اشکالات (Bug) و رفع آنها یک چالش اساسی به شمار می‌رود. با افزایش حجم و پیچیدگی نرم‌افزارها، تعداد گزارش‌های اشکال ارائه شده به سیستم‌های ردیابی اشکالات (Bug Tracking Systems) نیز به طور چشمگیری افزایش یافته است. این امر، طبقه‌بندی سریع و دقیق این گزارش‌ها را به منظور تخصیص آن‌ها به توسعه‌دهندگان مناسب، حیاتی می‌سازد. یک طبقه‌بندی نادرست می‌تواند منجر به اتلاف وقت، تاخیر در رفع اشکالات و در نهایت کاهش کیفیت نرم‌افزار شود.

مقاله حاضر با عنوان “طبقه‌بندی خودکار گزارش‌های اشکال مبتنی بر اطلاعات متنی چندگانه و قصد گزارش‌ها”، راهکاری نوین برای حل این چالش ارائه می‌دهد. این مقاله بر اهمیت استفاده از اطلاعات متنی متنوع در گزارش‌های اشکال و همچنین در نظر گرفتن قصد گزارش (به عنوان مثال، ارائه پیشنهاد یا ارائه توضیح) تاکید می‌کند. با تلفیق این دو جنبه، روش پیشنهادی قادر است دقت طبقه‌بندی گزارش‌های اشکال را به طور قابل توجهی افزایش دهد.

این مقاله توسط Fanqi Meng, Xuesong Wang, Jingdong Wang, Peifang Wang به رشته تحریر درآمده است. نویسندگان این مقاله در زمینه‌های مهندسی نرم‌افزار، محاسبات و زبان، و یادگیری ماشین تخصص دارند. این تخصص‌ها به آن‌ها این امکان را داده است تا با استفاده از دانش فنی خود، راهکاری کارآمد برای طبقه‌بندی گزارش‌های اشکال ارائه دهند.

زمینه تحقیق این مقاله در حوزه مهندسی نرم‌افزار و به‌طور خاص، مدیریت اشکالات نرم‌افزاری قرار دارد. با توجه به افزایش روزافزون پیچیدگی نرم‌افزارها و اهمیت سرعت و دقت در رفع اشکالات، این حوزه تحقیقاتی از اهمیت بالایی برخوردار است.

مقاله حاضر به بررسی چالش طبقه‌بندی دقیق گزارش‌های اشکال در سیستم‌های ردیابی اشکالات می‌پردازد. نویسندگان استدلال می‌کنند که روش‌های موجود، تنها از اطلاعات متنی گزارش‌ها استفاده می‌کنند و این امر منجر به عملکرد ضعیف آن‌ها می‌شود. برای حل این مشکل، آن‌ها روشی جدید را پیشنهاد می‌کنند که علاوه بر اطلاعات متنی، قصد گزارش‌دهنده را نیز در نظر می‌گیرد.

این روش شامل مراحل زیر است:

• جمع‌آوری گزارش‌های اشکال از چهار اکوسیستم نرم‌افزاری (Apache, Eclipse, Gentoo, Mozilla) و حاشیه‌نویسی دستی آن‌ها برای ایجاد یک مجموعه داده تجربی.
• پیش‌پردازش داده‌ها با استفاده از تکنیک‌های پردازش زبان طبیعی (NLP).
• استخراج ویژگی‌های مربوط به قصد گزارش و اطلاعات متنی با استفاده از مدل‌های BERT و TF-IDF.
• آموزش طبقه‌بندها (classifiers) با استفاده از ویژگی‌های استخراج شده.

نتایج تجربی نشان می‌دهد که روش پیشنهادی عملکرد بهتری نسبت به روش‌های موجود دارد و مقدار F-Measure آن بین ۸۷.۳٪ تا ۹۵.۵٪ است. F-Measure یک معیار ارزیابی است که دقت (Precision) و فراخوانی (Recall) را با هم ترکیب می‌کند و یک ارزیابی کلی از عملکرد طبقه‌بند ارائه می‌دهد.

نویسندگان این مقاله از یک روش‌شناسی دقیق و سیستماتیک برای انجام تحقیق خود استفاده کرده‌اند. مراحل کلیدی روش‌شناسی آن‌ها عبارتند از:

1. جمع‌آوری داده‌ها: گزارش‌های اشکال از چهار اکوسیستم نرم‌افزاری مختلف جمع‌آوری شده‌اند. این تنوع، اطمینان حاصل می‌کند که نتایج تحقیق به طیف گسترده‌ای از پروژه‌های نرم‌افزاری قابل تعمیم است.
2. حاشیه‌نویسی دستی: گزارش‌های جمع‌آوری شده به صورت دستی حاشیه‌نویسی شده‌اند تا قصد گزارش‌دهنده (به عنوان مثال، پیشنهاد، توضیح، گزارش مشکل) مشخص شود. این مرحله بسیار مهم است زیرا اطلاعات مربوط به قصد گزارش‌دهنده به طور صریح در گزارش‌های اشکال وجود ندارد و باید به صورت دستی استخراج شود.
3. پیش‌پردازش داده‌ها: داده‌های متنی با استفاده از تکنیک‌های پردازش زبان طبیعی پیش‌پردازش شده‌اند. این کار شامل حذف کلمات توقف (stop words)، ریشه‌یابی کلمات (stemming) و تبدیل حروف به حالت کوچک (lowercase) می‌شود.
4. استخراج ویژگی: از دو مدل مختلف برای استخراج ویژگی‌ها استفاده شده است: BERT و TF-IDF.
   • BERT یک مدل زبان پیشرفته است که می‌تواند روابط پیچیده بین کلمات را درک کند. از BERT برای استخراج ویژگی‌های مربوط به معنای گزارش‌های اشکال استفاده شده است.
   • TF-IDF یک روش ساده‌تر است که اهمیت کلمات را بر اساس فراوانی آن‌ها در سند و مجموعه اسناد اندازه‌گیری می‌کند. از TF-IDF برای استخراج ویژگی‌های مربوط به کلمات کلیدی در گزارش‌های اشکال استفاده شده است.
5. آموزش طبقه‌بندها: از پنج طبقه‌بند مختلف (K-Nearest Neighbor, Naive Bayes, Logistic Regression, Support Vector Machine, Random Forest) برای طبقه‌بندی گزارش‌های اشکال استفاده شده است. این امر به نویسندگان کمک کرده است تا عملکرد روش پیشنهادی خود را در شرایط مختلف ارزیابی کنند.
6. ارزیابی عملکرد: عملکرد طبقه‌بندها با استفاده از معیار F-Measure ارزیابی شده است.

یافته‌های کلیدی این تحقیق عبارتند از:

• در نظر گرفتن قصد گزارش‌دهنده به طور قابل توجهی دقت طبقه‌بندی گزارش‌های اشکال را افزایش می‌دهد. این نشان می‌دهد که قصد گزارش‌دهنده یک منبع اطلاعاتی ارزشمند است که نباید در روش‌های طبقه‌بندی نادیده گرفته شود.
• روش پیشنهادی عملکرد بهتری نسبت به روش‌های موجود دارد. مقدار F-Measure روش پیشنهادی بین ۸۷.۳٪ تا ۹۵.۵٪ است که نشان می‌دهد این روش هم دقت بالایی دارد و هم فراخوانی بالایی.
• مدل BERT در استخراج ویژگی‌های مربوط به معنای گزارش‌های اشکال عملکرد بهتری نسبت به TF-IDF دارد. این نشان می‌دهد که استفاده از مدل‌های زبان پیشرفته می‌تواند در بهبود عملکرد طبقه‌بندی گزارش‌های اشکال موثر باشد.

به عنوان مثال، تصور کنید دو گزارش اشکال مشابه وجود دارد. هر دو گزارش به یک مشکل خاص در یک نرم‌افزار اشاره می‌کنند، اما یکی از گزارش‌ها یک پیشنهاد برای حل مشکل ارائه می‌دهد، در حالی که دیگری فقط مشکل را شرح می‌دهد. روش پیشنهادی در این مقاله، با در نظر گرفتن این تفاوت ظریف، می‌تواند این دو گزارش را به درستی در دسته‌های مختلف طبقه‌بندی کند.

این تحقیق دارای کاربردهای عملی متعددی است:

• بهبود سرعت و دقت در تخصیص گزارش‌های اشکال به توسعه‌دهندگان مناسب: با استفاده از روش پیشنهادی، می‌توان گزارش‌های اشکال را به سرعت و با دقت بیشتری به توسعه‌دهندگانی که تخصص لازم برای رفع آن‌ها را دارند، تخصیص داد.
• کاهش اتلاف وقت و منابع: با تخصیص درست گزارش‌های اشکال، از اتلاف وقت و منابع توسعه‌دهندگان جلوگیری می‌شود.
• بهبود کیفیت نرم‌افزار: با رفع سریع‌تر و دقیق‌تر اشکالات، کیفیت کلی نرم‌افزار بهبود می‌یابد.
• افزایش رضایت کاربران: با رفع سریع‌تر و دقیق‌تر اشکالات، رضایت کاربران از نرم‌افزار افزایش می‌یابد.

دستاوردهای این تحقیق شامل ارائه یک روش نوین برای طبقه‌بندی گزارش‌های اشکال، ایجاد یک مجموعه داده تجربی برای ارزیابی روش‌های طبقه‌بندی، و نشان دادن اهمیت در نظر گرفتن قصد گزارش‌دهنده در فرایند طبقه‌بندی است.

مقاله حاضر یک راهکار کارآمد برای طبقه‌بندی خودکار گزارش‌های اشکال ارائه می‌دهد. با استفاده از اطلاعات متنی چندگانه و در نظر گرفتن قصد گزارش‌دهنده، روش پیشنهادی قادر است دقت طبقه‌بندی را به طور قابل توجهی افزایش دهد. این امر می‌تواند منجر به بهبود سرعت و دقت در تخصیص گزارش‌های اشکال، کاهش اتلاف وقت و منابع، و در نهایت بهبود کیفیت نرم‌افزار شود.

این تحقیق نشان می‌دهد که استفاده از تکنیک‌های پردازش زبان طبیعی و یادگیری ماشین می‌تواند در حل چالش‌های موجود در مهندسی نرم‌افزار بسیار موثر باشد. در آینده، می‌توان از این روش برای طبقه‌بندی انواع دیگر داده‌های متنی در حوزه نرم‌افزار، مانند مستندات نرم‌افزاری و ایمیل‌های توسعه‌دهندگان، استفاده کرد.