پیش بینی مفید بود ن نظرات بررس ی کد با استفاده از الگوریتم هاییادگیری ماشین

امروزه بررسی کد همکار در پروژه های متن‌باز و تجاری، به طور وسیعی استفاده می شود . این اصل با تشخیص زودهنگام عیوب کد و نقض استانداردهای کدنویسی در فازهای ابتدایی توسعه، به حفظ کیفیت کد کمک می کند. بر اساس مطالعات انجام شده، بخش قابل توجهی از نظرات غیر مفید هستند یعنی منجر به تغییر در کد نمی‌شوند و توسط توسعه‌دهنده نادیده گرفته می‌شوند. بنابراین وجود ابزاری که بتواند به صورت خودکار نظرات مفید را تشخیص دهد تا در زمان توسعه دهندگان صرفه جویی کند، احساس می‌شود. در این پژوهش ابتدا عوامل موثر بر کیفیت نظرات بررسی کد در دو دسته عوامل مربوط به تجربه توسعه دهنده و ویژگی های متنی نظرات استخراج شد. سپس با توجه به عدم وجود مجموعه داده مناسبی که شامل این عوامل باشد یک مجموعه داده جمع آوری شد. در مرحله بعد یک مدل پیش بینی کننده نظرات مفید با کمک الگوریتم xgboost پیاده سازی و عملکرد آن با سایر کارهای انجام شده در این زمینه مقایسه شد. نتایج به‌دست‌آمده نشان می‌دهد که روش پیشنهادی با در نظر گرفتن دو مجموعه داده مجزا و با توجه به معیارهای صحت ، فراخوانی و امتیاز اف-وان حدود سه درصد و با توجه به معیار دقت حدود یک درصد نسبت به تنها روش موجود، بهتر عمل کرده است.