Predicting Open Source Software Sustainability with Deep Temporal Neural Hierarchical Architectures and Explainable AI

Created by

Haebom

저자

S M Rakib Ul Karim, Wenyi Lu, Enock Kasaadha, Sean Goggins

💡 개요

본 논문은 오픈 소스 소프트웨어(OSS) 프로젝트의 복잡한 라이프사이클 궤적을 이해하기 위해 계층적 예측 프레임워크를 제안합니다. 이 프레임워크는 기존의 정적 또는 집계된 지표를 넘어, 기여 활동, 커뮤니티 참여, 유지보수 역학 등을 통합하는 다차원적인 지속 가능성 개념을 라이프사이클 단계별로 모델링합니다. 제안된 방법론은 24개월의 시계열 활동 데이터와 설명 가능한 AI 기법을 활용하여 94% 이상의 높은 정확도로 라이프사이클 단계를 분류하며, 특히 기여 활동과 커뮤니티 관련 지표가 지속 가능성에 핵심적인 역할을 함을 밝힙니다.

🔑 시사점 및 한계

•

OSS 프로젝트의 지속 가능성을 단일 지표(프로젝트 수명)가 아닌, 기여, 커뮤니티, 유지보수 등 다차원적인 라이프사이클 단계로 접근하여 더 깊이 있는 이해를 제공합니다.

•

설명 가능한 AI 기법을 통해 모델 예측의 근거를 제시함으로써, OSS 프로젝트 관리자와 이해관계자들이 프로젝트 건강 상태를 파악하고 개선 방향을 설정하는 데 실질적인 도움을 줄 수 있습니다.

•

본 연구는 24개월의 시계열 데이터에 기반하여 라이프사이클 단계를 분류하지만, 더 장기간의 데이터나 계절적 변화 등 복잡한 시간적 패턴을 포착하기 위한 추가적인 탐구가 필요할 수 있습니다.

PDF 보기

Made with Slashpage