Prediciendo Contribuidores a Largo Plazo en Open Source

Los contribuyentes a largo plazo (LTCs) son desarrolladores que se quedan y contribuyen activamente en proyectos de código abierto durante un período prolongado. Aportan valor a estos proyectos compartiendo su conocimiento y código. Sin embargo, muchos desarrolladores abandonan estos proyectos temprano. Si podemos predecir qué desarrolladores tienen más probabilidades de convertirse en LTCs, los mantenedores de proyectos pueden proporcionarles recursos y orientación desde el principio, lo que puede ayudar a mejorar la retención.

Los desarrolladores suelen unirse a proyectos de código abierto para aprender y mejorar sus habilidades, especialmente en lenguajes de programación. Las habilidades que desarrollan pueden influir en si siguen participando en estos proyectos. Al mapear las habilidades en lenguajes de programación de los desarrolladores y entender cómo utilizan estos lenguajes los proyectos, podemos identificar a qué desarrolladores es más probable que se conviertan en LTCs. Estudios anteriores se han centrado principalmente en otros aspectos y no han considerado las habilidades en lenguajes de programación. Este trabajo tiene como objetivo cerrar esa brecha estudiando Unidades de Conocimiento (KUs) en el lenguaje de programación Java para predecir LTCs.

#Entendiendo las Unidades de Conocimiento (KUs)

Las KUs representan las capacidades clave disponibles en los lenguajes de programación. En Java, incluyen construcciones básicas y características específicas que ofrecen sus APIs, como crear hilos para concurrencia. Cada KU es un grupo de habilidades relacionadas que los desarrolladores pueden usar para construir sus aplicaciones. Al analizar el compromiso de los desarrolladores con estas KUs, podemos obtener información sobre su experiencia y predecir sus contribuciones a proyectos de código abierto.

#Metodología de Investigación

#Recolección de Datos

Para llevar a cabo este estudio, seleccionamos 75 proyectos activos de Java en GitHub que tenían un número significativo de seguidores. Nos enfocamos en recopilar datos de commits e información de pull requests para estos proyectos.

El primer paso fue recopilar datos sobre los desarrolladores que contribuyeron a estos proyectos. Vinculamos cuidadosamente los detalles de las cuentas de GitHub con los nombres utilizados en sus commits para mantener la precisión. Este paso aseguró que solo consideráramos a desarrolladores con un compromiso verificable en los proyectos estudiados.

#Definiendo Contribuyentes a Largo Plazo

Un desarrollador se clasifica como LTC si comitea una cantidad sustancial de código y se mantiene involucrado con un proyecto a lo largo del tiempo. Para este estudio, analizamos las actividades de los desarrolladores en diferentes marcos de tiempo: 1 año, 2 años y 3 años.

#Ingeniería de características

Creamos un modelo de predicción llamado KULTC que utiliza características basadas en KUs a través de cinco dimensiones diferentes. Estas dimensiones incluyen:

1. Experiencia del Desarrollador en Proyectos Estudiados: Esto se refiere a las habilidades que los desarrolladores muestran en los primeros días de sus contribuciones a los proyectos estudiados.
2. Experiencia del Desarrollador en Proyectos Anteriores: Esto toma en cuenta las habilidades que los desarrolladores adquirieron de otros proyectos antes de unirse a los estudiados.
3. Experiencia de los Colaboradores en Proyectos Estudiados: Esto captura las habilidades de los colaboradores de los desarrolladores en los mismos proyectos, destacando el impacto de trabajar junto a desarrolladores experimentados.
4. Características de los Proyectos Estudiados: Esta dimensión describe los atributos de los proyectos cuando se unen nuevos desarrolladores, ilustrando su alineación con los intereses de los desarrolladores.
5. Características de Proyectos Anteriores: Esto refleja los proyectos previos de los desarrolladores y cómo se relacionan con las habilidades necesarias en los proyectos estudiados.

#Construyendo el Modelo

Usamos el algoritmo de bosques aleatorios para crear el modelo KULTC basado en las características recopiladas a lo largo de nuestra investigación. Este enfoque de aprendizaje automático es conocido por su efectividad en tareas de clasificación. Evaluamos la capacidad del modelo para predecir LTCs utilizando una medida conocida como el Área Bajo la Curva (AUC), con una puntuación más alta indicando un mejor rendimiento predictivo.

#Hallazgos Clave

#Rendimiento del Modelo KULTC

El modelo KULTC logró alcanzar una AUC mediana de al menos 0.75, lo que indica un fuerte rendimiento predictivo. En comparación con modelos existentes, KULTC los superó, especialmente en la predicción de LTCs dentro de los primeros dos años de su contribución a proyectos.

#Importancia de la Experiencia del Desarrollador

El análisis mostró que el nivel de habilidad de los desarrolladores dentro del primer mes de participación en un proyecto es el factor más crucial para determinar si se convertirían en LTCs. La demostración temprana de experiencia en lenguajes de programación marcó una diferencia significativa en su probabilidad de seguir contribuyendo.

#Combinando Características para una Mejora en la Predicción

Combinar las características de KULTC con las de otros modelos produjo un modelo predictivo aún más fuerte llamado KULTC+BAOLTC. Este modelo combinado mejoró aún más las predicciones en varios contextos, logrando una mejora en AUC de hasta un 16.5% en algunos casos.

#Desarrollo de Modelos Rentables

Crear modelos con un amplio rango de características puede consumir muchos recursos. Para abordar esto, desarrollamos un modelo más rentable, KULTCDEVEXP+BAOLTC, que se enfoca en una sola dimensión de características mientras sigue superando a modelos anteriores. Este enfoque simplifica el proceso de ingeniería de características y reduce las cargas operativas, manteniendo una buena capacidad de predicción.

#Conclusión

Este estudio demuestra la efectividad de usar KUs en lenguajes de programación para predecir contribuyentes a largo plazo en proyectos de código abierto. Los hallazgos destacan la importancia de las habilidades y la experiencia de los desarrolladores en lenguajes de programación, ofreciendo valiosos insights para los mantenedores de proyectos. Al identificar a los posibles LTCs temprano en su participación, los proyectos pueden tomar medidas proactivas para apoyar su crecimiento y retención.

La investigación futura debería buscar expandir el uso de KUs a otros lenguajes de programación y explorar características adicionales que podrían mejorar las predicciones del modelo. Este enfoque puede ayudar a mejorar la sostenibilidad de los proyectos de código abierto y apoyar mejor a la comunidad de desarrolladores.