使用基于时间的Git数据的陷阱与指南
软件工程
2022-09-13 v1
摘要
许多软件工程研究论文依赖于基于时间的数据（例如，提交时间戳、问题报告创建/更新/关闭日期、发布日期）。然而，像大多数现实世界数据一样，基于时间的数据常常是脏的。迄今为止，尚无研究量化软件工程研究界使用此类数据的频率，或调查其来源并量化此类数据脏的频率。取决于所使用的研究任务和方法，包含此类脏数据可能影响研究结果。本文对利用基于时间数据的论文进行了扩展调查，这些论文发表于挖掘软件仓库（MSR）会议系列。在MSR 2004–2021年发表的754篇技术轨道与数据论文中，我们观察到至少290篇（38%）论文利用了基于时间的数据。我们还观察到研究论文中使用的大多数基于时间的数据以Git提交的形式出现，通常来自GitHub。基于这些结果，我们随后使用Boa和Software Heritage基础设施来帮助识别并量化Git时间戳数据脏的若干来源。最后我们为使用来自Git仓库的基于时间数据的研究人员提供指南/最佳实践。
引用
@article{arxiv.2209.04511,
title = {Pitfalls and Guidelines for Using Time-Based Git Data},
author = {Samuel W. Flint and Jigyasa Chauhan and Robert Dyer},
journal= {arXiv preprint arXiv:2209.04511},
year = {2022}
}
备注
Accepted for publication in Empirical Software Engineering (EMSE). arXiv admin note: substantial text overlap with arXiv:2103.11339