Logo des Repositoriums

Auflistung nach Autor:in "Stanik, Christoph"

1 - 2 von 2
  • Konferenzbeitrag
    On the Automatic Classification of App Reviews
    (Software Engineering 2017, 2017) Maalej, Walid; Kurtanovic, Zijad; Nabil, Haader; Stanik, Christoph
    Aktuelle Studien [Ma16b] zeigen, dass Nutzerkommentare in App Stores nützliche Informationen für App- Entwickler und Software-Firmen beinhalten. Bewertungen bestehen zwar häufig aus unbrauchbaren Informationen, wie Lob oder beleidigende Kritik. Sie beinhalten jedoch auch nützliche Informationen über Fehlerbeschreibungen oder Wünsche und Ideen für neue Funktionen. In unserer Arbeit verwenden wir unterschiedliche Techniken der Textanalyse, der Sprachverarbeitung und des Maschinellen Lernens um die Nutzerkommentare in den folgenden Kategorien zu klassifizieren: ”Bewertung“, ”Benutzererfahrung“, ”Fehlerbericht“ und ”Wünsche zu Funktionalität“. Wir verwenden zur Klassifikation unterschiedliche Kombinationen von Techniken und stellen diese gegenüber. Als wir die Metadaten mit Techniken der Sprachverarbeitung, im speziellen Bigrams und Lemmatization, kombiniert haben, haben wir für alle Kategorien eine Präzision zwischen 88- 92% und einen Recall von 90-99% erreicht. Binäre Klassifikationsalgorithmen haben die höchste Genauigkeit erzielt. Unsere Untersuchungen haben ein Analysewerkzeug für Nutzerkommentare inspiriert, welches App-Entwickler unterstützen kann. In neun Interviews haben wir das Werkzeug mit Vertretern aus der Industrie diskutiert.
  • Konferenzbeitrag
    A Simple NLP-based Approach to Support Onboarding and Retention in Open Source Communities
    (Software Engineering and Software Management 2019, 2019) Stanik, Christoph; Montgomery, Lloyd; Martens, Daniel; Fucci, Davide; Maalej, Walid
    Successful open source communities are constantly looking for new members and helping them become active developers. A common approach for developer onboarding in open source projects is to let newcomers focus on relevant yet easy-to-solve issues to familiarize themselves with the code and the community. The goal of this research is twofold. First, we aim at automatically identifying issues that newcomers can resolve by analyzing the history of resolved issues by simply using the title and description of issues. Second, we aim at automatically identifying issues, that can be resolved by newcomers who later become active developers. We mined the issue trackers of three large open source projects and extracted natural language features from the title and description of resolved issues. In a series of experiments, we optimized and compared the accuracy of four supervised classifiers to address our research goals. Random Forest, achieved up to 91% precision (F1-score 72%) towards the first goal while for the second goal, Decision Tree achieved a precision of 92% (F1-score 91%). A qualitative evaluation gave insights on what information in the issue description is helpful for newcomers. Our approach can be used to automatically identify, label, and recommend issues for newcomers in open source software projects based only on the text of the issues.