基于比较学习的高效故事点估计
人工智能
2026-03-17 v3 软件工程
摘要
故事点是无单位的、项目特定的工作量估计，有助于开发人员规划他们的冲刺。传统上，开发人员使用计划小牌或其他手动技术进行协作估计故事点。机器学习可以减轻这种负担，但仅当获得项目团队所做出的历史决定的足够上下文时才如此。也就是说，现有的模型（如 GPT2SP 和 FastText-SVM）只有在训练于来自同一项目的数据时才能做出准确（项目内）预测。本研究的目标是通过评估基于比较学习的框架来校准项目特定的故事点预测模型，以简化故事点估计。相对于为每个待处理项分配具体的故事点值，开发人员被要求成对呈现待处理项，并指明哪个项目所需的工作量更大。使用这些比较判断训练的机器学习模型可预测故事点估计。我们使用来自16个项目中23,313个手动估计的数据进行了经验评估。基于比较判断训练的模型平均实现了0.34的斯皯曼等级相关系数，其预测与真实故事点之间的相关性。该结果与基于真实故事点训练的先进回归模型的性能相当，甚至更好。通过人类主观实验，我们验证了比较判断的优势——较高的置信水平、较低的标注时间以及可 comparable 的一致性。总之，提出的比较学习方法在其更好的性能、较低的所需标注时间以及更高的训练数据可靠性方面，优于基于回归的方法。
引用
@article{arxiv.2507.14642,
title = {Efficient Story Point Estimation With Comparative Learning},
author = {Monoshiz Mahbub Khan and Xiaoyin Xi and Andrew Meneely and Yiming Tang and Zhe Yu},
journal= {arXiv preprint arXiv:2507.14642},
year = {2026}
}