社区气味如何影响机器学习项目中的自承认技术债务
软件工程
2025-08-04 v2
摘要
社区气味反映组织实践不当，常导致社会技术性问题和自承认技术债务（SATD）的累积。尽管已有研究探索了这些问题在通用软件系统中的情况，但在机器学习（ML）项目中仍有待深入考察。本研究调查了社区气味在开源 ML 项目中的流行程度及其与 SATD 的关系，分析数据粒度为版本层面。首先，我们检查了十种社区气味类型在 155 个 ML 项目版本中的存在情况，发现社区气味普遍存在，且在小型、中型和大型项目中呈现出不同的分布模式。其次，我们检测到了版本层面的 SATD，并应用统计分析来检验其与社区气味的相关性。结果显示，诸如「Radio Silence」和「Organizational Silos」等气味与更高的 SATD 发生率密切相关。此外，我们考虑了六种识别出的 SATD 类型，以确定哪些社区气味与每个债务类别最相关。我们的分析发现，权威性和沟通相关的气味常常伴随持久代码和设计债务出现。最后，我们分析了社区气味和 SATD 随版本演化的轨迹，揭示了项目规模依赖性的趋势及共性路径。我们的发现强调了及早检测和缓解社会技术性问题的重要性，以维持 ML 系统的长期质量与可持续性。
引用
@article{arxiv.2506.15884,
title = {How Do Community Smells Influence Self-Admitted Technical Debt in Machine Learning Projects?},
author = {Shamse Tasnim Cynthia and Nuri Almarimi and Banani Roy},
journal= {arXiv preprint arXiv:2506.15884},
year = {2025}
}