.png){kind=icon}
返回
Improving story points estimation using ensemble machine learning
.png){kind=icon}
OA
AI
DOI：10.1007/s11219-025-09731-6.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
敏捷软件开发（ASD）强调迭代开发、持续反馈和团队协作，以解决传统方法论的局限性。本研究探讨了机器学习（ML）在改进ASD中故事点估算的应用，该实践对于规划和优先级排序至关重要。传统方法如规划扑克（Planning Poker）常因人类偏见和不一致性导致估算不可靠。本研究引入了一种创新的基于ML的集成堆叠技术，结合了用于自然语言处理的Transformer模型RoBERTa和擅长处理序列数据的BiLSTM神经网络。研究涉及回顾现有ML方法、开发所提出的模型，并使用来自14个开源项目的21,064个数据点评估其有效性。模型性能通过平均绝对误差（MAE）和平均绝对百分比误差（MAPE）进行评估。结果表明，所提出的集成模型实现了更低的MAE和MAPE，性能提升在4%至32%之间，超越当前最优模型。尽管前景广阔，研究建议仍有进一步优化的空间，表明存在持续改进的潜力。本研究为机器学习在软件工程中的整合做出贡献，为更准确高效的项目管理提供了途径。
Keyword:
Agile Software Development
Story Point Estimation
Machine Learning
Ensemble Stacking
RoBERTa
BiLSTM
期刊
S
IF:
2.3
论文数:
33
被引数:
918
机构
引用论文
Improving the Accuracy of Convolutional Neural Networks by Identifying and Removing Outlier Images in Datasets Using t-SNE.png)
Mathematics
OAAI
MathematicsIF0
OAAI分享收藏GPT2SP: A Transformer-Based Agile Story Point Estimation ApproachGPT2SP: 一种基于Transformer的敏捷故事点估计方法
PREAI
分享收藏A Survey of Ensemble Learning: Concepts, Algorithms, Applications, and Prospects集成学习综述: 概念、算法、应用与展望IEEE ACCESSOAAI
IEEE ACCESSIF3.6
OAAI分享收藏分享收藏
查看更多内容