ترجمه فارسی مقاله خوب، بد، زشت: پیش‌بینی روش‌های کد منبع بسیار مستعد تغییر در بدو پیدایش آنها

چکیده

The cost of software maintenance often surpasses the initial development expenses, making it a significant concern for the software industry. A key strategy for alleviating future maintenance burdens is the early prediction and identification of change-prone code components, which allows for timely optimizations. While prior research has largely concentrated on predicting change-prone files and classes, an approach less favored by practitioners, this paper shifts focus to predicting highly change-prone methods, aligning with the preferences of both practitioners and researchers. We analyzed 774,051 source code methods from 49 prominent open-source Java projects. Our findings reveal that approximately 80% of changes are concentrated in just 20% of the methods, demonstrating the Pareto 80/20 principle. Moreover, this subset of methods is responsible for the majority of the identified bugs in these projects. After establishing their critical role in mitigating software maintenance costs, our study shows that machine learning models can effectively identify these highly change-prone methods from their inception. Additionally, we conducted a thorough manual analysis to uncover common patterns (or concepts) among the more difficult-to-predict methods. These insights can help future research develop new features and enhance prediction accuracy.

چکیده به فارسی (ترجمه ماشینی)

هزینه نگهداری نرم افزار غالباً از هزینه های توسعه اولیه فراتر می رود و این مسئله نگرانی قابل توجهی برای صنعت نرم افزار ایجاد می کند.یک استراتژی کلیدی برای کاهش بارهای نگهداری آینده ، پیش بینی اولیه و شناسایی اجزای کد مستعد تغییر است که امکان بهینه سازی به موقع را فراهم می کند.در حالی که تحقیقات قبلی تا حد زیادی بر پیش بینی پرونده ها و کلاس های مستعد تغییر متمرکز شده است ، رویکردی که کمتر مورد علاقه پزشکان است ، این مقاله به پیش بینی روشهای بسیار تغییر دهنده تغییر می یابد ، و هماهنگ با ترجیحات پزشکان و محققان است.ما 774،051 روش کد منبع را از 49 پروژه برجسته جاوا منبع باز تجزیه و تحلیل کردیم.یافته های ما نشان می دهد که تقریباً 80 ٪ از تغییرات فقط در 20 ٪ از روش ها متمرکز شده اند و نشان دهنده اصل 80/20 پارتو است.علاوه بر این ، این زیر مجموعه از روشها مسئول اکثر اشکالات شناسایی شده در این پروژه ها است.مطالعه ما پس از ایجاد نقش مهم آنها در کاهش هزینه های نگهداری نرم افزار ، نشان می دهد که مدل های یادگیری ماشین می توانند به طور موثری این روش های بسیار تغییر یافته را از آغاز خود شناسایی کنند.علاوه بر این ، ما یک تجزیه و تحلیل دستی کامل برای کشف الگوهای مشترک (یا مفاهیم) در بین روشهای پیش بینی دشوارتر انجام دادیم.این بینش ها می تواند به تحقیقات آینده کمک کند تا ویژگی های جدید را توسعه داده و دقت پیش بینی را افزایش دهد.