اولویت بندی نگرانی های کاربر در بررسی برنامه - مطالعه درخواست های ویژگی های جدید ، پیشرفت ها و رفع اشکال

: توسعه دهندگان برنامه تلاش های دستی جامع را برای شناسایی و اولویت بندی بررسی های آموزنده کاربر نهایی صرف می کنند. بررسی های آموزنده مواردی است که درخواست های کاربران نهایی را برای ویژگی های جدید ، رفع اشکال و پیشرفت های احتمالی بیان می کند. بیانیه مسئله: در حالی که مطالعات قبلی رویکردهایی را برای تبدیل بررسی برنامه به دانش عملی ارائه داده است ، اینها به دلیل وابسته به دانش دامنه یا مبتنی بر دستی ، در ابزار محدود هستند.

هدف، واقعگرایانه

: در این مطالعه ، به منظور تسهیل چرخه نگهداری و تکامل برنامه ، ما دو روش اولویت بندی خودکار جدید را برای رتبه بندی بررسی های آموزنده و همچنین مقایسه عملکرد آنها تهیه می کنیم.

روش

: ما تکنیک های متشکل از آنتروپی ، فرکانس ، TF-IDF و روش های امتیاز دهی احساسات را با استفاده از بررسی های چهار برنامه محبوب که بیش از 1000 بررسی آموزنده در هر برنامه تشکیل شده است ، توسعه دادیم. سپس از معیارهای زمان و دقت برای اندازه گیری عملکرد تکنیک های ما استفاده شد. ما ارزیابی هایی را انجام دادیم که نتایج رتبه بندی حاصل از تکنیک های ما با موارد ارائه شده توسط کاربران برنامه معمولی و توسعه دهندگان با استفاده از دو دور ارزیابی (ارزیابی های داخلی و خارجی) مقایسه شد.

نتایج

: نتایج ما نشان می دهد که زمان مورد نیاز برای اولویت بندی در محدوده 17-25 ثانیه و صحت اولویت بندی در محدوده 73-90 ٪ بود.

نتیجه

: این نتایج امیدوارکننده در مقایسه با کار قبلی است ، جایی که نتایج ما از نظر دقت و زمان به ترتیب 4 ٪ و 185 ٪ بهتر بود. بنابراین ، پیش بینی می شود که تکنیک های پیشنهادی ما می توانند از توسعه دهندگان برنامه در شناسایی و اولویت بندی بررسی های آموزنده پشتیبانی کنند.

معرفی

صنعت برنامه ها یک تجارت میلیارد دلاری با میلیون ها برنامه است که در سیستم عامل های توزیع رایج مانند Google Play و Apple App Store میزبانی می شوند [1]. کاربران نهایی این برنامه ها نظرات خود را در مورد تجربیات خود پس از استفاده برنامه ها در قالب بررسی برنامه به اشتراک می گذارند. علاوه بر ستایش های عمومی یا انتقادات ، بررسی های آموزنده درخواست های مربوط به ویژگی ها یا ویژگی های جدید ، اشکالات مربوط به برنامه یا پیشرفت ها را برجسته می کند (به عنوان مثال ، پیشنهادات برای پیشرفت) [2] ، [3] ، [4]. بنابراین ، برای توسعه دهندگان برنامه برای اولویت بندی و پرداختن به بررسی های آموزنده مهم در فواصل منظم برای برنامه خود رقابتی و اطمینان از نگهداری به موقع نرم افزار و تکامل بسیار مهم است [3]. با این حال ، از آنجا که بررسی های آموزنده به طور کلی متعدد است (یعنی ده ها هزار نفر [5]) ، مشکل برای اولویت بندی بررسی های آموزنده برای تمرین و تحقیقات دانشگاهی باقی مانده است [6 ، 7]. این مطالعه با هدف پرداختن به این شکاف تحقیق ، و بنابراین ، ما از حوزه هایی مانند مهندسی ویژگی ، تئوری اطلاعات ، بازیابی اطلاعات ، بازاریابی و هوش مصنوعی الهام گرفته ایم تا تکنیک های جدیدی را برای اولویت بندی بررسی های آموزنده متعدد ایجاد کنیم [6 ، [8] ، [[8] [8]. 9] ، [10] ، [11] ، [12] ، [13]].

در ابتدا ، برای نشان دادن کاربرد گسترده از تکنیک های اولویت بندی پیشنهادی ما ، بررسی برنامه ها را از چهار برنامه متعلق به حوزه های مختلف استخراج کردیم: بازی ، سرگرمی ، تجارت و ابزارها. این دامنه ها از جمله 10 دسته برتر بر اساس سهم برنامه های موجود در فروشگاه Google Play هستند. 1 بعد ، ما از یک رویکرد فیلتر خودکار مبتنی بر قانون که توسط چن و همکاران پیشنهاد شده است استفاده کردیم.[5] با توجه به نقاط قوت مشاهده شده خود برای فیلتر کردن بررسی های آموزنده که منعکس کننده درخواست ها ، اشکالات یا پیشرفت های ویژگی های کاربر نهایی است. بعداً ، ما یک مدل پایه را با استفاده از یک عملکرد اکتشافی چند معیار تهیه کردیم که اولویت ها را به بررسی ها اختصاص می دهد. عملکرد اکتشافی چند معیار شامل چهار ویژگی برجسته (یعنی متغیرها) است که در ادبیات در حوزه های مختلف برای اولویت بندی بررسی های آموزنده گزارش شده است. در مرحله بعد ، بر اساس نتایج حاصل از مدل پایه ، ما یک تکنیک اولویت بندی مبتنی بر رگرسیون (یعنی یک مدل تنظیم شده خوب) ایجاد کردیم که نتایج بهبود یافته را ایجاد می کند.

ما نتایج حاصل از تکنیک های اولویت بندی توسعه یافته را با استفاده از دقت و معیارهای زمانی محاسبه کردیم ، که اغلب برای معیار عملکرد تکنیک های اولویت بندی مورد نیاز استفاده می شوند [14 ، 15]. در این راستا ، ما صحت تکنیک های خود را با استفاده از کاربران برنامه معمولی و توسعه دهندگان (یعنی 13 در کل) به عنوان بخشی از فرآیند ارزیابی تأیید کردیم [16 ، 17]. نتایج ما نوید را نشان می دهد ، و می تواند برای توسعه دهندگان برنامه یا سایر افراد نیاز به مدیریت و اولویت بندی بررسی های آموزنده متعدد داشته باشد.

مشارکتهای ما در این کار سه برابر است. در مرحله اول ، ما یک نمونه کار از تحقیقات در مورد توسعه یک تکنیک اولویت بندی و ارزیابی های آن را ارائه می دهیم. این نتیجه به بینش های عملی برای توسعه دهندگان برنامه و درک جامعه مهندسی نرم افزار از نظر چگونگی مهندسی تکنیک ها برای اولویت بندی بررسی های آموزنده کمک می کند. ثانیا ، ما برای اولویت بندی بررسی های آموزنده ، دو تکنیک خودکار را ارائه می دهیم. علاوه بر این ، تکنیک های به کار رفته در قالب یک مصنوعات نرم افزاری عملیاتی شده اند. 2 نمایش ویدئویی از این ابزار نیز 3 برای پشتیبانی از درک جامعه در مورد استفاده از رویکرد ما در دسترس قرار گرفته است. سوم ، ما شواهد تجربی را نشان می دهیم که به اثربخشی تکنیک های خود و پیشنهادات برای گسترش کار خود اشاره می کنیم.

بخش های باقیمانده این مطالعه به شرح زیر سازماندهی شده است. در بخش 2 ، ما آثار مربوط به اولویت بندی الزامات و بررسی برنامه ها را ارائه می دهیم. بخش 3 تکنیک های اولویت بندی توسعه یافته را شرح می دهد. مجموعه آزمایشی برای ارزیابی تکنیک های اولویت بندی توسعه یافته ما در بخش 4 ارائه شده است. بخش 5 نتایج و ارزیابی آزمایش های ما را ارائه می دهد. ما قبل از در نظر گرفتن تهدیدهای مربوط به مطالعه در بخش 7 ، بحث های خود و پیامدهای تحقیقات خود را در بخش 6 گزارش می دهیم.

قطعه قطعه

مطالعات مرتبط

برای شروع ، ما مطالعات را از حوزه اولویت بندی الزامات بررسی می کنیم تا بینش هایی را در مورد حل مسئله اولویت بندی مربوط به رسیدگی به بررسی های آموزنده متعدد در زیر بخش 2. 1 بدست آوریم. در زیر بخش بعدی (بخش 2. 2) ، ما مطالعات موجود از دامنه بررسی برنامه را با هدف جستجوی الهام از مطالعات برای تهیه یک تکنیک اولویت بندی مرور می کنیم.

تکنیک های اولویت بندی (RQ1)

با توجه به بررسی های آموزنده متعدد در فروشگاه های برنامه ، هدف ما تولید اولویت های آنها است تا نگرانی های کاربر در این بررسی ها توسط توسعه دهندگان برنامه بر اساس فوریت آنها مورد بررسی قرار گیرد. بررسی ما در مورد حوزه های دانش مستند شده در این بخش به RQ1 پاسخ می دهد.

راه اندازی آزمایشی

در این بخش ، ما جزئیات مربوط به مجموعه داده ها ، بررسیهای آموزنده عملیات پیش پردازش و رویکرد ارزیابی را که برای اعتبارسنجی تکنیک اولویت بندی پیشنهادی ما استفاده می شود ، ارائه می دهیم. تکنیک ما با استفاده از پایتون با پشتیبانی از کتابخانه های ضروری از ابزار زبان طبیعی (NLTK) ، بسته های Numpy و Sci-Kit اجرا شد [74]. ما پیاده سازی ها و مجموعه داده های خود را با هدف تشویق تحقیقات تکثیر یا کاربرد در دسترس قرار می دهیم

نتایج و ارزیابی (RQ2)

در این بخش ، نتایج تکنیک های اولویت بندی مربوط به بررسی های آموزنده متعلق به چهار برنامه را ارائه می دهیم. تصاویر ابزاری که نمایش عملیاتی را نشان می دهد نیز ارائه شده است.

بحث و پیامدها

RQ1چه ویژگی هایی در بررسی های آموزنده نشانگر فوریت حضور در نگرانی های کاربر است ، و چگونه می توان از این موارد برای تهیه تکنیک هایی برای اولویت بندی بررسی های متعدد استفاده کرد؟

کار ارائه شده در این مطالعه نشان می دهد که می توان تکنیک های اولویت بندی خودکار را تهیه کرد که می تواند بررسی های آموزنده متعددی را در اولویت قرار دهد. این کار برای اولین بار "کلمات کلیدی مورد علاقه" را مشخص کرد (به بخش 3. 1 مراجعه کنید). بر اساس حضور این کلمات کلیدی ، چهار روش در ادبیات مشخص شد و

تهدید به اعتبار

این مطالعه بر اولویت بندی بررسی های آموزنده که به زبان طبیعی بیان شده اند ، متمرکز شده است ، و از این رو ، تکنیک های توسعه یافته ما فقط برای مناسب بودن آنها در اولویت بندی بررسی های آموزنده ارزیابی شده است.

اعتبار داخلی: ما چندین تهدید مربوط به ذهنیت مربوط به اختصاص دستی اولویت ها به بررسی های آموزنده را با استفاده از دستورالعمل های مربوط به مطالعات اولویت بندی ، و مطالعه نوع بررسی های آموزنده شرکت های برنامه واقعی کاهش داده ایم.

نتیجه گیری و کار آینده

مطالعات قبلی در مورد اولویت بندی تلاش کرده است تا به چالش اولویت بندی بررسی برنامه ها در حمایت از نگهداری برنامه و تکامل بپردازد. به طور معمول ، مطالعات راه حل هایی را ارائه می دهند که محدودیت هایی داشتند و کاملاً قادر به پرداختن به مشکل اولویت بندی بررسی های آموزنده متعدد نبودند. در این مطالعه ، ما با ارائه دو روش اولویت بندی برای اولویت بندی بررسی های آموزنده ، به محدودیت های مطالعات قبلی پرداخته ایم. رویکرد اولویت بندی مبتنی بر اکتشافی است

بیانیه مشارکت در نویسندگی اعتباری

Saurabh Malgaonkar: مفهوم سازی ، درمان داده ها ، تجزیه و تحلیل رسمی ، بررسی ، روش شناسی ، نرم افزار ، نوشتن - پیش نویس اصلی. Sherlock A. Licorish: مفهوم سازی ، درمان داده ها ، کسب بودجه ، تحقیق ، روش شناسی ، تجزیه و تحلیل رسمی ، مدیریت پروژه ، منابع ، نظارت ، اعتبار سنجی ، نوشتن - بررسی و ویرایش. Bastin Tony Roy Savarimuthu: بررسی داده ها ، بررسی ، روش شناسی ، کسب بودجه ، منابع ، نظارت ، اعتبار سنجی ، نوشتن - بررسی و

اعلام علاقه رقیب

نویسندگان اعلام می كنند كه آنها هیچ منافع مالی رقیب یا روابط شخصی را كه به نظر می رسد بر اثر گزارش شده در این مقاله تأثیر می گذارد ، ندارند.

تصدیق

این کار تا حدی توسط یک کمک هزینه تحقیقاتی تجارت (CRG) در دانشکده بازرگانی اوتاگو تأمین شد.