Aufgabenempfehlungssysteme in crowdsourced Software Engineering

Crowdsourced Software Engineering (CSE) ermöglicht es Organisationen, softwarebezogene Aufgaben an eine grosse Gruppe von Online-Arbeitern auszulagern. Während das Chancen für Softwarepraktiker schafft, kann es auch schwierig sein, die richtigen Aufgaben auszuwählen, da es eine riesige Auswahl gibt. In diesem Artikel schauen wir uns an, wie Empfehlungssysteme genutzt werden, um Softwarepraktikern zu helfen, passende Aufgaben im CSE zu finden.

#Überblick über CSE-Aufgaben-Empfehlungssysteme

Das Ziel von CSE-Aufgaben-Empfehlungssystemen ist es, zu analysieren, wie verschiedene Systeme Aufgaben an Softwarepraktiker empfehlen. Wir betrachten die Arten von Daten, die diese Systeme nutzen, die Methoden, mit denen sie Aufgaben empfehlen, die Stärken und Schwächen dieser Systeme, die menschlichen Faktoren, die sie berücksichtigen, beliebte Plattformen und deren Funktionen.

#Methodik

Um die bestehende Literatur zu Aufgaben-Empfehlungssystemen im CSE zu verstehen, haben wir eine systematische Literaturübersicht (SLR) durchgeführt. Wir haben spezifische Richtlinien befolgt und verschiedene Datenbanken durchsucht. Die Kriterien für die Auswahl der Studien umfassten Relevanz und Verfügbarkeit des Volltextes. Am Ende haben wir 63 relevante Studien analysiert.

#Wichtige Erkenntnisse

#Aktuelle Trends in der CSE-Aufgabenempfehlung

Es gab einen signifikanten Anstieg der Forschung zu CSE-Aufgaben-Empfehlungssystemen. Ein bemerkenswerter Trend ist die Dominanz von inhaltsbasierten Ansätzen, die Aufgaben basierend auf spezifischen Eigenschaften des Softwarepraktikers oder der Aufgabe selbst empfehlen. Viele bestehende Systeme priorisieren jedoch keine menschlichen Faktoren, was auf eine Lücke in der Personalisierung von Empfehlungen hinweist.

#Bedeutung menschlicher Faktoren

Menschliche Faktoren sind entscheidend für die Softwareentwicklung und beeinflussen sowohl die Empfehlungen als auch die Zufriedenheit der Praktiker. Unsere Analyse hat gezeigt, dass viele bestehende Systeme diese Faktoren, wie die Präferenzen und Motivationen der Praktiker, übersehen.

#Arten von empfohlenen Aufgaben

Die am häufigsten empfohlenen Aufgaben in CSE-Systemen sind:

• Repositories zur Mitwirkung: Das sind Projekte, bei denen Praktiker verschiedene Beiträge leisten können, wie Fehlerbehebungen oder Funktionserweiterungen.
• Probleme beheben: Hier werden spezifische Probleme empfohlen, die Praktiker lösen können.
• Testaufgaben: Einige Systeme empfehlen Aufgaben, die sich speziell mit dem Testen von Software befassen.
• Gute Erste Probleme (GFIs): Das sind anfängerfreundliche Aufgaben, die für Neueinsteiger gedacht sind.
• Fragen beantworten: Manche Systeme empfehlen Fragen von Q&A-Plattformen, auf die Praktiker antworten können.

#Herausforderungen bei der Aufgabenempfehlung

#Hürden beim Onboarding

Viele Entwickler stossen auf technische und soziale Barrieren, wenn sie versuchen, neuen Crowdsourcing-Projekten beizutreten. Wenn das Onboarding nicht erfolgreich ist, wirkt sich das sowohl auf die Entwickler als auch auf die Projekte selbst aus und führt zu verschwendeter Zeit und Aufwand bei der Suche nach geeigneten Aufgaben.

#Datenbeschränkungen

Die Daten, die den Empfehlungssystemen zur Verfügung stehen, fehlen oft wichtige Informationen. Viele Systeme berücksichtigen beispielsweise nicht die Schwierigkeit der Aufgaben, was zu weniger genauen Empfehlungen führt. Zudem gibt es oft Probleme mit dem verwendeten Datensatz, wie unzureichende Informationen über inaktive Entwickler.

#Mangelnde Integration

Aktuelle Systeme schaffen es oft nicht, menschliche Faktoren effektiv zu integrieren, wodurch es schwierig wird, Empfehlungen an individuelle Bedürfnisse anzupassen. Diese Vernachlässigung kann Unzufriedenheit unter den Softwarepraktikern verursachen und die Qualität der Empfehlungen mindern.

#Methode der Datenerhebung

In unserer Studie haben wir uns darauf konzentriert, Daten aus mehreren Quellen zu extrahieren, darunter:

• Profile von Softwarepraktikern: Fähigkeiten, Bewertungen und Arbeitsbelastungen der Praktiker wurden analysiert.
• Aufgaben oder Projekte: Wir haben die erforderlichen Fähigkeiten, den Fortschrittsstatus, die Schwere und die beteiligten Ressourcen bei Aufgaben untersucht.
• Vorherige Beiträge: Daten von früheren Arbeiten der Praktiker halfen, deren Fähigkeitsniveaus und Präferenzen zu verstehen.
• Direkte Datensammlung: Einige Studien haben Daten über massgeschneiderte Plattformen gesammelt, die demografische und persönliche Informationen erfassten.

Durch die Betrachtung dieser vielfältigen Datenquellen konnten wir ein umfassenderes Verständnis der Faktoren gewinnen, die die Aufgabenempfehlungen beeinflussen.

#Vorteile von Aufgabenempfehlungssystemen

Die bestehenden Aufgabenempfehlungssysteme bieten mehrere Vorteile, darunter:

1. Verbesserte Leistung: Durch die Integration mehrerer Datenquellen haben einige Systeme eine bessere Genauigkeit bei den Empfehlungen erreicht.
2. Vielfältige Empfehlungen: Systeme können eine breite Palette von Optionen anbieten, die unterschiedlichen Vorlieben und Fähigkeiten gerecht werden.
3. Unterstützung für neue Benutzer: Einige Systeme sind darauf ausgelegt, Neueinsteigern zu helfen, die über keine vorherigen Beiträge verfügen, und adressieren das „Cold Start“-Problem, indem sie verfügbare Informationen von anderen Nutzern oder Plattformen nutzen.

#Einschränkungen der aktuellen Systeme

Trotz ihrer Vorteile stehen viele Aufgabenempfehlungssysteme vor Einschränkungen:

• Datenherausforderungen: Die verwendeten Datensätze erfassen oft nicht das vollständige Bild, was zu verzerrten Empfehlungen führt. Wesentliche Faktoren wie die Schwierigkeit der Aufgaben fehlen häufig.
• Generaliserbarkeit: Viele Systeme sind in ihrer Fähigkeit eingeschränkt, Empfehlungen über verschiedene Plattformen oder Kontexte hinweg zu geben.
• Unzureichende Bewertung: Bestehende Systeme haben oft keine umfassenden Bewertungsmethoden, was es schwierig macht, ihre Effektivität oder Anwendbarkeit in realen Szenarien zu bewerten.

#Zukünftige Richtungen

#Einbeziehung menschlicher Faktoren

Die Forschung sollte sich darauf konzentrieren, zu verstehen, wie verschiedene menschliche Faktoren, wie Persönlichkeit und Motivation, die Aufgabenempfehlungen beeinflussen können. Aktuelle Studien zeigen, dass die Berücksichtigung dieser Faktoren das Benutzererlebnis und die Zufriedenheit verbessern kann.

#Wissensübertragung zwischen Plattformen

Es gibt Potenzial, die Aufgabenempfehlungen zu verbessern, indem Informationen von einer Plattform auf eine andere übertragen werden. Das kann neuen Plattformen helfen, vorhandene Daten zu nutzen, um bessere Empfehlungen für Nutzer bereitzustellen, die möglicherweise noch nicht über ausreichende historische Daten verfügen.

#Cross-Plattform-Empfehlungen

Die Entwicklung von Systemen, die Empfehlungen über mehrere Plattformen hinweg geben, kann die Flexibilität und Zufriedenheit der Nutzer erhöhen. Durch den Fokus auf den Aufbau interoperabler Lösungen können Forscher unterschiedlichen Nutzerbedürfnissen gerecht werden, ohne an spezifische Plattformen gebunden zu sein.

#Standardisierte Bewertungsmetriken

Künftige Studien sollten versuchen, standardisierte Bewertungsmetriken und Benchmarking zu etablieren, um verschiedene Systeme zu vergleichen. Das wird ein besseres Verständnis für die Stärken und Schwächen jedes Systems ermöglichen.

#Integration mit Entwicklertools

Durch die Integration von Aufgabenempfehlungssystemen mit beliebten Entwicklertools und -umgebungen können Forscher den Prozess für Praktiker vereinfachen, sodass sie leichter auf relevante Aufgaben zugreifen können, ohne die Werkzeuge wechseln zu müssen.

#Interaktive Empfehlungen

Die Erstellung interaktiver Empfehlungssysteme ermöglicht es den Nutzern, in Echtzeit Feedback zu geben, was helfen kann, Vorschläge enger an ihre Bedürfnisse und Präferenzen anzupassen. Diese Interaktion könnte im Laufe der Zeit zu verbesserten Empfehlungen führen, da das System aus dem Nutzerverhalten lernt.

#Fazit

Die Untersuchung von Aufgabenempfehlungen im Crowdsourced Software Engineering entwickelt sich schnell weiter, und das Verständnis der Landschaft ist sowohl für Forscher als auch für Praktiker entscheidend. Diese Übersicht hebt den aktuellen Stand, Trends und Herausforderungen bei Aufgabenempfehlungssystemen hervor. Indem wir uns auf menschliche Faktoren konzentrieren, den Wissensaustausch erkunden und Flexibilität über Plattformen hinweg gestalten, können Forscher dazu beitragen, effektivere und benutzerfreundlichere Systeme in der Zukunft zu schaffen. Während das Feld weiter wächst, ist es wichtig, einen umfassenden Ansatz zur Entwicklung und Bewertung dieser Systeme zu verfolgen, um sicherzustellen, dass sie den Bedürfnissen aller beteiligten Nutzer gerecht werden.