GBM 在 Stack Overflow 代码质量预测中的最佳表现：一种回归方法案例研究
软件工程
2025-05-16 v1
摘要
实践者正越来越依赖公开可获取的资源来支持其开发过程中知识需求。因此，研究者对这些资源的质量进行了广泛关注，报告的结果在代码质量方面呈现出混合态。尤其是 Stack Overflow，已得到广泛研究，证据表明该平台的代码资源时而质量较差。有限的研究探索了预测 Stack Overflow 上代码质量的变量或因素，但更多关注内容排序、缺陷识别和预测未来内容。在许多情况下，用于预测的方法未被评估以确定最佳技术。将 Stack Overflow 代码质量问题置于回归方法的语境中，我们检查了预测 Stack Overflow（Java）代码质量的变量，以及提供最佳预测性能的回归方法。在我们的评估中，我们考虑了六种方法，其中梯度提升机（GBM）脱颖而出。此外，较长的 Stack Overflow 代码倾向于包含更多代码违规，得分较高的问题也吸引了更多浏览，Stack Overflow 上添加的答案越多，所提供代码中通常观察到的错误越多。这里的结果指向 GBM 集成学习机制的价值，以及实践者社区在贡献和重用 Stack Overflow Java 编码资源时需保持审慎的需要。
引用
@article{arxiv.2505.10019,
title = {GBM Returns the Best Prediction Performance among Regression Approaches: A Case Study of Stack Overflow Code Quality},
author = {Sherlock A. Licorish and Brendon Woodford and Lakmal Kiyaduwa Vithanage and Osayande Pascal Omondiagbe},
journal= {arXiv preprint arXiv:2505.10019},
year = {2025}
}
备注
10 pages, 7 figures, 3 tables