ترجمه فارسی مقاله ارزیابی روشهای وابسته به زمان و تأثیرات فصلی در پیش بینی بدهی فنی کد

چکیده

Code Technical Debt prediction has become a popular research niche in recent software engineering literature. Technical Debt is an important metric in software projects as it measures professionals’ effort to clean the code. Therefore, predicting its future behavior becomes a crucial task. However, no well-defined and consistent approach can completely capture the features that impact the evolution of Code Technical Debt. The goal of this study is to evaluate the impact of considering time-dependent techniques as well as seasonal effects in temporal data in the prediction performance within the context of Code Technical Debt. The study adopts existing, yet not extensively adopted, time-dependent prediction techniques and compares their prediction performance to commonly used Machine Learning models. Further, the study strengthens the evaluation of time-dependent methods by extending the analysis to capture the impact of seasonality in Code Technical Debt data. We trained 11 prediction models using the commit history of 31 open-source projects developed with Java. We predicted the future observations of the SQALE index to evaluate their predictive performance. Our study confirms the positive impact of considering time-dependent techniques. The adopted multivariate time series analysis model ARIMAX overcame the rest of the adopted models. Incorporating seasonal effects led to an enhancement in the predictive performance of the adopted time-dependent techniques. However, the impact of this effect was found to be relatively modest. The findings of this study corroborate our position in favor of implementing techniques that capture the existing time dependence within historical data of software metrics, specifically in the context of this study, namely, Code Technical Debt. This necessitates the utilization of techniques that can effectively address this evidence.

چکیده به فارسی (ترجمه ماشینی)

پیش بینی بدهی فنی کد در ادبیات اخیر مهندسی نرم افزار به یک مزیت تحقیقاتی محبوب تبدیل شده است.بدهی فنی یک معیار مهم در پروژه های نرم افزاری است زیرا تلاش متخصصان برای تمیز کردن کد را اندازه گیری می کند.بنابراین ، پیش بینی رفتار آینده آن به یک کار مهم تبدیل می شود.با این حال ، هیچ رویکردی به خوبی تعریف شده و سازگار نمی تواند ویژگی هایی را که بر تکامل بدهی فنی کد تأثیر می گذارد ، کاملاً ضبط کند.هدف از این مطالعه ، ارزیابی تأثیر در نظر گرفتن تکنیک های وابسته به زمان و همچنین اثرات فصلی در داده های زمانی در عملکرد پیش بینی در چارچوب بدهی فنی کد است.این مطالعه تکنیک های پیش بینی وابسته به زمان و در عین حال که به طور گسترده اتخاذ نشده است ، اتخاذ می کند و عملکرد پیش بینی آنها را با مدلهای یادگیری ماشین متداول مقایسه می کند.علاوه بر این ، این مطالعه با گسترش تجزیه و تحلیل برای ضبط تأثیر فصلی در داده های بدهی فنی کد ، ارزیابی روشهای وابسته به زمان را تقویت می کند.ما 11 مدل پیش بینی را با استفاده از تاریخچه تعهد 31 پروژه منبع باز توسعه داده شده با جاوا آموزش دادیم.ما مشاهدات آینده از شاخص SQALE را برای ارزیابی عملکرد پیش بینی آنها پیش بینی کردیم.مطالعه ما تأثیر مثبت در نظر گرفتن تکنیک های وابسته به زمان را تأیید می کند.مدل تجزیه و تحلیل سری چند متغیره اتخاذ شده ARIMAX بر بقیه مدلهای اتخاذ شده غلبه کرد.ترکیب اثرات فصلی منجر به تقویت عملکرد پیش بینی تکنیک های وابسته به زمان اتخاذ شده شد.با این حال ، تأثیر این اثر نسبتاً متوسط ​​بود.یافته های این مطالعه موضع ما را به نفع تکنیک های اجرا که وابستگی زمان موجود را در داده های تاریخی معیارهای نرم افزاری ، به ویژه در زمینه این مطالعه ، یعنی بدهی فنی کد ، تأیید می کند.این امر مستلزم استفاده از تکنیک هایی است که می توانند به طور مؤثر به این شواهد بپردازند.