Recommandations personnalisées pour les nouveaux dans les projets open source

Beaucoup de projets open-source utilisent des "bonnes premières issues" (GFIs) pour aider les Nouveaux arrivants à démarrer et à les garder motivés. Les GFIs sont des tâches adaptées aux débutants et peuvent les aider à se sentir les bienvenus dans la communauté. Cependant, les outils existants qui recommandent des GFIs traitent souvent tous les nouveaux arrivants de la même manière, sans tenir compte de leurs parcours et expériences individuels. Ça peut mener à des décalages entre les tâches proposées et ce que les newcomers peuvent vraiment faire, entraînant frustration et retards pour résoudre des problèmes.

Pour améliorer la situation, on propose de fournir des recommandations de premières issues personnalisées (PFIs), adaptées à chaque nouveau venu, ce qui pourrait être plus efficace. Notre objectif est de comprendre quels facteurs influencent les choix de premières issues des nouveaux arrivants et de développer un système qui peut recommander des problèmes qui leur conviennent mieux.

#Pourquoi les recommandations personnalisées sont importantes

Les nouveaux arrivants ont souvent du mal à trouver des tâches qu'ils peuvent réussir. Quand ils essaient de s'attaquer à des problèmes qui ne correspondent pas à leurs compétences ou intérêts, ils peuvent se sentir découragés et abandonner. En offrant des recommandations personnalisées, on vise à aider les nouveaux arrivants à trouver des problèmes qui correspondent mieux à leur expertise, menant à une expérience d'intégration plus réussie.

Notre recherche montre que les nouveaux arrivants ont tendance à choisir des premières issues qui reflètent leurs expériences passées. Ils semblent préférer les tâches sur lesquelles ils ont déjà réussi à travailler, que ce soit en termes de type de tâche, de langage de programmation utilisé, ou de domaine de projet. En analysant les facteurs qui influencent ces choix, on peut créer un système de recommandation qui offre des premières issues pertinentes.

#Facteurs influençant les choix des nouveaux arrivants

Pour comprendre quelles caractéristiques affectent les choix des nouveaux arrivants, on a regardé plusieurs aspects :

1. Préférence d'expertise : Cela fait référence au type de tâches et aux langages de programmation avec lesquels un nouveau venu est à l'aise, basés sur ses contributions précédentes.

2. Expérience en OSS : L'expérience cumulée d'un nouveau venu dans la contribution à des projets open-source, ce qui les aide à se sentir confiants dans leurs capacités.

3. Activité : À quelle fréquence un nouveau venu contribue à des projets sur une période donnée, ce qui peut aussi affecter leur choix de tâches.

4. Sentiment : Le ton émotionnel des contributions passées du nouveau venu, qui peut indiquer leur niveau global de plaisir et de motivation.

En analysant ces facteurs, on peut comprendre quel type de problèmes un nouveau venu est susceptible de préférer.

#Présentation du recommandateur de premières issues personnalisées (PFIRec)

En se basant sur nos découvertes concernant les facteurs influençant les choix des nouveaux arrivants, on a développé le recommandateur de premières issues personnalisées (PFIRec). Ce système recommandera des premières issues spécialement adaptées à chaque nouveau venu en tenant compte de leurs parcours et préférences uniques.

#Comment fonctionne PFIRec

PFIRec utilise un modèle de classement pour évaluer et suggérer des problèmes candidats pour les nouveaux arrivants. Lorsqu'un nouveau venu rejoint un projet, PFIRec analysera ses contributions historiques et préférences, ainsi que les problèmes disponibles dans le projet. Le système classera ensuite les problèmes selon leur adéquation pour le nouveau venu et recommandera les tâches les plus appropriées.

#Évaluation de PFIRec

Pour évaluer l'efficacité de PFIRec, on a réalisé des expériences en utilisant un grand ensemble de données d'issues provenant de divers projets open-source. Les résultats ont montré que PFIRec surperforme nettement les systèmes de recommandation GFI existants. En mettant en œuvre notre approche, les nouveaux venus ont beaucoup plus de chances de trouver une issue adaptée dès leur première tentative, réduisant ainsi le temps et les efforts qu'ils passent à chercher des tâches.

#Défis rencontrés par les nouveaux arrivants

Les nouveaux arrivants dans les projets de logiciel open-source (OSS) font souvent face à plusieurs obstacles lorsqu'ils essaient de participer. Certains des principaux défis incluent :

1. Manque de direction : Les nouveaux arrivants peuvent avoir du mal à identifier quelles tâches leur conviennent, surtout si les projets ne fournissent pas suffisamment d'orientation.

2. Concurrence élevée : Les projets populaires ont souvent de nombreux nouveaux arrivants désireux de contribuer. Cette concurrence peut rendre difficile pour un nouveau venu de trouver des tâches gérables.

3. Mismatch de compétences : Souvent, les tâches disponibles ne correspondent pas à ce qu'un nouveau venu peut accomplir à cause de leur manque d'expérience ou de familiarité avec la stack technologique du projet.

4. Peur de l'échec : Après des tentatives infructueuses pour résoudre des problèmes, les nouveaux arrivants peuvent se sentir découragés, les poussant à se désengager complètement du projet.

En s'attaquant à ces défis grâce à des recommandations personnalisées, on peut aider les nouveaux arrivants à s'engager plus efficacement avec les projets open-source.

#Importance des bonnes premières issues (GFIs)

Les GFIs jouent un rôle crucial dans le processus d'intégration des nouveaux arrivants. Elles aident à établir un ton positif et fournissent aux nouveaux arrivants des tâches gérables qui peuvent les aider à gagner en confiance et à établir leur présence dans la communauté. Le processus pour trouver des GFIs n'est pas toujours simple, cependant, car les nouveaux arrivants doivent souvent trier un grand nombre de problèmes pour trouver des tâches qui leur conviennent vraiment.

#Le rôle de l'automatisation dans les recommandations de GFIs

Bien que de nombreux projets étiquettent des problèmes comme GFIs, le processus peut être incohérent. Des systèmes automatisés ont été développés pour recommander des GFIs en fonction de certains critères, mais ces systèmes manquent souvent de la personnalisation nécessaire pour s'adapter à chaque parcours unique des nouveaux arrivants. Par conséquent, ils peuvent passer à côté de l'essentiel en matière de suggestions pertinentes.

#Une approche empirique pour les recommandations

Pour créer PFIRec, on a mené une étude empirique qui a impliqué l'analyse du comportement des nouveaux arrivants et de leurs choix de premières issues. On a collecté des données de plusieurs projets pour comprendre les traits communs partagés par les nouveaux arrivants, comme les types de problèmes qui les attirent et les langages de programmation qu'ils connaissent.

#Collecte et analyse des données

Notre étude a impliqué l'examen des contributions de nombreux nouveaux arrivants à plusieurs projets. En se concentrant sur leurs premières issues résolues, on a pu identifier des motifs dans leurs choix. On a regardé diverses caractéristiques des problèmes sur lesquels ils ont travaillé, notamment :

• Types de tâches : Si les tâches étaient liées à des changements de code ou à des mises à jour de documentation.
• Langages de programmation : Les langages utilisés dans les tâches, ce qui pourrait indiquer le niveau de familiarité et de confort d'un nouveau venu.
• Domaines de projet : Les domaines spécifiques auxquels appartiennent les projets, ce qui pourrait affecter l'intérêt d'un nouveau venu.

#Résultats de l'étude

Nos résultats indiquent que les nouveaux arrivants préfèrent généralement des premières issues similaires à celles sur lesquelles ils ont déjà travaillé. On a découvert que leurs préférences en matière de types de tâches, de langages de programmation et de domaines de projet variaient considérablement, suggérant qu'un système de recommandation unique pourrait ne pas être efficace.

#De la recherche à l'application

Les idées tirées de notre étude empirique ont posé les bases du développement de PFIRec. En comprenant les facteurs qui influencent la sélection des tâches par les nouveaux arrivants, on a pu concevoir un système intelligent capable de fournir des recommandations personnalisées.

#Mise en œuvre du système de recommandation

La mise en œuvre de PFIRec a impliqué le développement d'un modèle capable d'analyser les préférences des nouveaux arrivants et de les comparer à une base de données de problèmes disponibles. En s'appuyant sur des caractéristiques telles que la préférence d'expertise, l'expérience OSS, l'activité et le sentiment, PFIRec est conçu pour identifier les problèmes que les nouveaux arrivants sont plus susceptibles de trouver engageants et gérables.

#Évaluation et résultats

On a évalué PFIRec par rapport aux systèmes de recommandation de GFIs existants pour déterminer son efficacité. Les résultats ont montré une amélioration significative de la probabilité que les nouveaux arrivants trouvent des problèmes adaptés dès leur première tentative. Cela signifie qu'en utilisant PFIRec, les nouveaux arrivent sont plus susceptibles de résoudre leurs premières tâches avec succès, ce qui peut les aider à se sentir plus intégrés dans la communauté du projet.

#Conclusion

Le défi d'intégrer les nouveaux arrivants dans les projets open source est multifacette. En reconnaissant l'importance des recommandations personnalisées de problèmes, on peut faciliter le démarrage des nouveaux arrivants et les garder engagés dans leurs contributions.

PFIRec peut améliorer considérablement l'expérience d'intégration en offrant des recommandations adaptées en fonction des parcours et des expériences des nouveaux arrivants. Cela aide non seulement les nouveaux à se sentir plus à l'aise et confiants dans leurs capacités, mais crée aussi un environnement plus accueillant qui encourage la participation aux projets open-source.

En avançant, on espère affiner encore PFIRec et explorer d'autres moyens de soutenir les nouveaux arrivants dans leurs contributions. En continuant d'étudier et de comprendre le comportement des nouveaux arrivants, on peut concevoir de meilleures stratégies pour rendre le processus d'intégration plus fluide et efficace, assurant la durabilité des projets open-source pour les années à venir.