.png){kind=icon}
返回
Understanding Open Source Contributor Profiles in Popular Machine Learning Libraries
.png){kind=icon}
PRE
AI
DOI：10.1145/3747347.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
随着机器学习（ML）的日益普及，许多开源软件（OSS）贡献者被吸引到开发和采用ML方法。全面理解ML贡献者对于成功的ML OSS开发和维护至关重要。缺乏此类知识可能导致资源分配低效和ML OSS项目中的协作受阻。现有研究侧重于通过用户调查了解ML贡献者感知的困难和挑战。基于软件仓库中记录的活动来理解ML贡献者的研究尚不足。在本文中，我们旨在通过识别ML库中的贡献者画像来理解ML贡献者。我们进一步从四个方面研究贡献者的OSS参与度：工作负载组成、工作偏好、技术重要性以及ML特定与SE贡献。通过对来自八个流行项目的11,949名贡献者进行研究，我们将他们分为四种贡献者画像：核心-夜间、核心-日间、外围-夜间和外围-日间。我们的主要发现包括：（1）接收和批准比率以及地理位置是所有画像的重要特征；（2）核心画像的贡献者与外围画像的贡献者在OSS参与度方面表现出显著差异；（3）贡献者的工作偏好和工作负载组成与项目受欢迎程度显著相关；（4）长期贡献者逐渐倾向于做出更少、稳定、平衡且技术性较低的贡献。
Keyword:
[13] (i.e.
user-level API
graph-level implementation
operation implementation
general utility
期刊
A
IF:
6.2
论文数:
1.2K
被引数:
3.4K
机构
引用论文
.png){kind=icon}
Large-scale analysis of the co-commit patterns of the active developers in github's top repositoriesGitHub顶级仓库中活跃开发者的协同提交模式的大规模分析
PREAI
分享收藏Detecting Refactoring Commits in Machine Learning Python Projects: A Machine Learning-Based Approach检测机器学习Python项目中的重构提交: 基于机器学习的方法
OAAI
OAAI分享收藏
查看更多内容