VI. EMPIRICAL STUDY OF FACTORS INFL

VI. EMPIRICAL STUDY OF FACTORS INFLUENCING REVIEW USEFULNESS

The ultimate goal of our study is to understand the influences of different factors on the usefulness of code reviews feedback. Specifically, we investigate two types of factors: 1) characteristics of the reviewers and their team and 2) characteristics of the changeset under review. The selection of those factors was guided by prior studies on software inspection [27], [28], and suggestions for code review practices [29], [16]. To identify the influence of each factor on the usefulness of code review comments we used our trained decision tree to classify review comments in useful and not useful comments (as described in Section V-C) and then examined the relationship of various factors with usefulness. In total, we analyzed ≈ 1.5 million comments from 190,050 review requests from five major Microsoft projects, i.e., Azure, Bing, Visual Studio, Exchange and Office, the same projects that the comments used to train the decision tree were drawn from.We selected those projects as they represent a wide range of domains, development practices, and include both services and traditional desktop applications. Each project has a substantial code base, comprising millions of lines of code. Based on these data sets, we examine the relationship of comment usefulness density (i.e. the proportion of comments in a review that are considered useful) with a number of factors related to the reviewers and what is being reviewed. Table II provides summary information for each of the five projects, including the overall comment usefulness density. Interestingly, all projects have a similar comment usefulness density between 64% and 68%. In this section, we explore the influence of the two aforementioned factors on comment usefulness.

ผลลัพธ์ (ไทย) 1:

ปัจจัยที่มีอิทธิพลต่อการตรวจสอบประโยชน์ศึกษา VI ประจักษ์ The ultimate goal of our study is to understand the influences of different factors on the usefulness of code reviews feedback. Specifically, we investigate two types of factors: 1) characteristics of the reviewers and their team and 2) characteristics of the changeset under review. The selection of those factors was guided by prior studies on software inspection [27], [28], and suggestions for code review practices [29], [16]. To identify the influence of each factor on the usefulness of code review comments we used our trained decision tree to classify review comments in useful and not useful comments (as described in Section V-C) and then examined the relationship of various factors with usefulness. In total, we analyzed ≈ 1.5 million comments from 190,050 review requests from five major Microsoft projects, i.e., Azure, Bing, Visual Studio, Exchange and Office, the same projects that the comments used to train the decision tree were drawn from.We selected those projects as they represent a wide range of domains, development practices, and include both services and traditional desktop applications. Each project has a substantial code base, comprising millions of lines of code. Based on these data sets, we examine the relationship of comment usefulness density (i.e. the proportion of comments in a review that are considered useful) with a number of factors related to the reviewers and what is being reviewed. Table II provides summary information for each of the five projects, including the overall comment usefulness density. Interestingly, all projects have a similar comment usefulness density between 64% and 68%. In this section, we explore the influence of the two aforementioned factors on comment usefulness.

ผลลัพธ์ (ไทย) 2:

พระมงกุฎเกล้าเจ้าอยู่หัว การศึกษาเชิงประจักษ์ของปัจจัยที่มีอิทธิพลทานประโยชน์เป้าหมายสูงสุดของการศึกษาของเราคือการเข้าใจใน uences ชั้นของปัจจัยที่แตกต่างกันเกี่ยวกับประโยชน์ของการแสดงความคิดเห็นข้อเสนอแนะรหัส ระบุไว้เองโดยเราจะตรวจสอบทั้งสองประเภทของปัจจัยคือ 1) ลักษณะของผู้แสดงความคิดเห็นและทีมงานของพวกเขาและ 2) ลักษณะของการแก้ไขภายใต้การทบทวน การเลือกของปัจจัยเหล่านั้นที่ได้รับการแนะนำโดยการศึกษาก่อนในการตรวจสอบซอฟแวร์ [27] [28] และข้อเสนอแนะสำหรับการปฏิบัติตรวจสอบรหัส [29], [16] เพื่อระบุอิทธิพลของแต่ละปัจจัยที่เกี่ยวกับประโยชน์ของความคิดเห็นตรวจสอบรหัสที่เราใช้ต้นไม้ตัดสินใจของเราได้รับการฝึกฝนในการจำแนกความคิดเห็นทบทวนในความคิดเห็นที่เป็นประโยชน์และไม่เป็นประโยชน์ (ตามที่อธิบายไว้ในมาตรา VC) และจากนั้นตรวจสอบความสัมพันธ์ของปัจจัยต่างๆที่มีประโยชน์ โดยรวมแล้วเราวิเคราะห์≈ 1.5 ล้านความคิดเห็นจาก 190,050 ร้องขอตรวจสอบจากสายได้โครงการไมโครซอฟท์ที่สำคัญคือสีฟ้า, Bing, สตูดิโอภาพและเสียง, Exchange และของซีอี fi, โครงการเดียวกับที่ความคิดเห็นที่นำมาใช้ในการฝึกอบรมต้นไม้การตัดสินใจที่ถูกดึง from.We เลือก โครงการเหล่านั้นเป็นพวกเขาเป็นตัวแทนที่หลากหลายของโดเมนการพัฒนาและรวมถึงบริการและการใช้งานเดสก์ทอปแบบดั้งเดิม แต่ละโครงการจะมีฐานรหัสที่สำคัญประกอบไปนับล้านบรรทัดของรหัส ขึ้นอยู่กับชุดข้อมูลเหล่านี้เราศึกษาความสัมพันธ์ของความหนาแน่นของความคิดเห็นที่มีประโยชน์ (เช่นสัดส่วนของความคิดเห็นในการตรวจสอบที่มีการพิจารณาที่มีประโยชน์) กับจำนวนของปัจจัยที่เกี่ยวข้องกับความคิดเห็นและสิ่งที่จะถูกตรวจสอบ ตารางที่ II มีข้อมูลสรุปสำหรับแต่ละ Fi จะได้โครงการรวมทั้งความคิดเห็นโดยรวมความหนาแน่นประโยชน์ ที่น่าสนใจทุกโครงการมีความหนาแน่นประโยชน์ความคิดเห็นที่คล้ายกันระหว่าง 64% และ 68% ในส่วนนี้เราจะสำรวจใน uence ชั้นของทั้งสองปัจจัยดังกล่าวข้างต้นเกี่ยวกับประโยชน์ความคิดเห็น

ผลลัพธ์ (ไทย) 3:

vi . การศึกษาเชิงประจักษ์ของปัจจัยที่มีอิทธิพลต่อความคิดเห็นประโยชน์

เป้าหมายสูงสุดของการศึกษาของเราคือการเข้าใจในfl uences ปัจจัยที่แตกต่างกันในการใช้ประโยชน์ของรหัส วิจารณ์ ติชม กาจึงคอลลี่ , เราตรวจสอบทั้งสองประเภทของปัจจัยดังนี้ 1 ) ลักษณะของทานและทีมงานของพวกเขา และ 2 ) คุณลักษณะของขนานน้ำภายใต้การทบทวนการเลือกปัจจัยนั้น คือ แนวทางการศึกษาก่อนในซอฟต์แวร์การตรวจสอบ [ 27 ] [ 28 ] และข้อเสนอแนะรหัสตรวจสอบการปฏิบัติ [ 29 ] , [ 16 ]ระบุในfl uence ของแต่ละปัจจัยในการพิจารณาความคิดเห็นรหัสที่เราใช้ในการตัดสินใจแบบต้นไม้ที่ผ่านการฝึกอบรมของเราเพื่อศึกษาทบทวนความคิดเห็นในที่มีประโยชน์และไม่มีประโยชน์ ความเห็น ( ตามที่อธิบายไว้ในส่วน v-c ) จากนั้นศึกษาความสัมพันธ์ของปัจจัยต่าง ๆที่มีประโยชน์ . โดยรวมเราวิเคราะห์≈ 1.5 ล้านความคิดเห็นจาก 190050 ตรวจทานการร้องขอจาก Microsoft จึงได้หลักของโครงการ คือสีฟ้า , Bing , Visual Studio , การแลกเปลี่ยนและถ่ายทอด CE , โครงการเดียวกันที่ความคิดเห็นที่ใช้ในการฝึกการตัดสินใจแบบต้นไม้วาด เราเลือกโครงการเหล่านั้นเป็นพวกเขาเป็นตัวแทนที่หลากหลายของโดเมน แนวทางการพัฒนา และรวมทั้งบริการและการประยุกต์ใช้เดสก์ทอปแบบดั้งเดิม แต่ละโครงการมีฐานรหัสที่สำคัญประกอบด้วยล้านบรรทัดของรหัส จากข้อมูลเหล่านี้ ชุดเราศึกษาความสัมพันธ์ของความหนาแน่นต่อความคิดเห็น ( เช่นสัดส่วนของความคิดเห็นในรีวิวที่ถือว่ามีประโยชน์ ) ที่มีจำนวนของปัจจัยที่เกี่ยวข้องกับความคิดเห็นและสิ่งที่ถูกดู ตารางที่ 2 แสดงข้อมูลสรุปสำหรับแต่ละโครงการจึงได้รวมรวมข้อคิดเห็นต่อความหนาแน่น น่าสนใจทุกโครงการมีความคิดเห็นคล้ายกันประโยชน์ความหนาแน่นระหว่าง 64 และ 68 เปอร์เซ็นต์ ในส่วนนี้เราสำรวจใน uence flของทั้งสองดังกล่าวมีผลต่อความคิดเห็นต่อ
.