Management of self-admitted technical debt using machine learning

Software met technische schulden opsporen

Soms neemt een softwareontwikkelaar beslissingen die voor korte termijn-doelen effectief zijn, maar op lange termijn niet. Bijvoorbeeld omdat het aanpassingsvermogen en het onderhoud van de software erdoor benadeeld wordt. Deze beslissingen worden ook wel technische schuld genoemd, en brengen net als financiële schulden in de loop van de tijd hoofdsom en rente met zich mee, wat verschillende aspecten van softwareontwikkeling negatief kan beïnvloeden. Daarom is effectief beheer van technische schuld cruciaal om de gezondheid van software op de lange termijn te waarborgen.

In zijn promotieonderzoek richtte Yikun Li zich op het identificeren, analyseren en terugbetalen van Zelf-erkende Technische Schuld (SATD) uit verschillende tekstuele artefacten in softwareprojecten. Hij onderzocht eerst SATD in issue tracking systemen en ontwikkelde vervolgens een geïntegreerde aanpak om SATD automatisch te identificeren uit vier bronnen: broncode opmerkingen, issue trackers, commit-berichten en pull-verzoeken. Zijn bevindingen hebben belangrijke implicaties voor zowel praktijkmensen als onderzoekers en benadrukken de noodzaak van nieuwe en uitgebreide benaderingen voor het beheer van technische schuld.

Yikun Li voerde zijn onderzoek uit bij het Bernoulli Institute for Mathematics, Computer Science and Artificial Intelligence, afdeling Software Engineering. Hij vervolgt zijn loopbaan als postdoc bij de Universiteit van Twente. 

Proefschrift: https://hdl.handle.net/11370/0212b8bb-b0af-481d-9f17-a943d0356a90