ترجمه فارسی مقاله Ghost echoes فاش شد: معیار معیارهای حفظ و پیش بینی یادگیری ماشین در برابر ارزیابی های انسانی

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

عنوان مقاله به انگلیسی Ghost Echoes Revealed: Benchmarking Maintainability Metrics and Machine Learning Predictions Against Human Assessments
عنوان مقاله به فارسی Ghost echoes فاش شد: معیار معیارهای حفظ و پیش بینی یادگیری ماشین در برابر ارزیابی های انسانی
نویسندگان Markus Borg, Marwa Ezzouhri, Adam Tornhill
فرمت مقاله انگلیسی PDF
تعداد صفحات 11
لینک دانلود رایگان مقاله انگلیسی دانلود مقاله
دسته بندی موضوعات Software Engineering,مهندسی نرم افزار ,
توضیحات Submitted 20 August, 2024; originally announced August 2024. , Comments: Accepted for publication in the Proc. of the 40th International Conference on Software Maintenance and Evolution (ICSME)
توضیحات به فارسی 20 اوت 2024 ارسال شد.در ابتدا اوت 2024 اعلام شد. ، نظرات: برای انتشار در Proc.از چهلمین کنفرانس بین المللی نگهداری و تکامل نرم افزار (ICSME)
اطلاعات بیشتر از این مقاله در پایگاه های علمی INSPIRE HEP
NASA ADS
Google Scholar
Semantic Scholar

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

چکیده

As generative AI is expected to increase global code volumes, the importance of maintainability from a human perspective will become even greater. Various methods have been developed to identify the most important maintainability issues, including aggregated metrics and advanced Machine Learning (ML) models. This study benchmarks several maintainability prediction approaches, including State-of-the-Art (SotA) ML, SonarQube's Maintainability Rating, CodeScene's Code Health, and Microsoft's Maintainability Index. Our results indicate that CodeScene matches the accuracy of SotA ML and outperforms the average human expert. Importantly, unlike SotA ML, CodeScene also provides end users with actionable code smell details to remedy identified issues. Finally, caution is advised with SonarQube due to its tendency to generate many false positives. Unfortunately, our findings call into question the validity of previous studies that solely relied on SonarQube output for establishing ground truth labels. To improve reliability in future maintainability and technical debt studies, we recommend employing more accurate metrics. Moreover, reevaluating previous findings with Code Health would mitigate this revealed validity threat.

چکیده به فارسی (ترجمه ماشینی)

از آنجا که انتظار می رود هوش مصنوعی تولید کننده حجم کد جهانی را افزایش دهد ، اهمیت حفظ قابلیت حفظ از دیدگاه انسانی حتی بیشتر می شود.روشهای مختلفی برای شناسایی مهمترین مسائل مربوط به حفظ ، از جمله معیارهای جمع شده و مدل های پیشرفته یادگیری ماشین (ML) تهیه شده است.این مطالعه معیار چندین رویکرد پیش بینی قابلیت حفظ ، از جمله ML پیشرفته (SOTA) ، رتبه بندی قابلیت حفظ Sonarqube ، سلامت کد Codescene و شاخص حفظ مایکروسافت است.نتایج ما نشان می دهد که Codescene با صحت SOTA ML مطابقت دارد و از یک متخصص متوسط ​​انسانی بهتر است.نکته مهم این است که برخلاف SOTA ML ، Codescene همچنین جزئیات بوی کد عملی را برای اصلاح مسائل شناسایی شده در اختیار کاربران نهایی قرار می دهد.سرانجام ، به دلیل تمایل به تولید بسیاری از مثبت های کاذب ، با Sonarqube با احتیاط توصیه می شود.متأسفانه ، یافته های ما اعتبار مطالعات قبلی را که صرفاً به خروجی Sonarqube برای ایجاد برچسب های حقیقت زمینی متکی بودند ، زیر سوال می برد.برای بهبود قابلیت اطمینان در حفظ قابلیت حفظ و مطالعات بدهی فنی ، توصیه می کنیم از معیارهای دقیق تر استفاده کنید.علاوه بر این ، ارزیابی مجدد یافته های قبلی با Code Health باعث کاهش این تهدید اعتبار می شود.

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

نظرات

هنوز نظری ثبت نشده است.

وارد شوید تا نظر ثبت کنید.