Memnuniyetle duyuruyoruz ki Büşra Tabak, bölümümüzün yüksek lisans programından "Yazılım Sorunlarının Otomatik Atanması ve Sınıflandırılması" başlıklı tezini başarıyla tamamlayarak mezun olmuştur. Araştırması, yazılım geliştirme sektöründe sorunların atanması ve sınıflandırılmasını optimize etmeye odaklanmaktadır. Tezinde makine öğrenimi ve doğal dil işleme tekniklerini birleştirerek otomatik bir sistem geliştirmiştir. Bu sistem, yazılım sorunlarını verimli bir şekilde atayan ve sınıflandıran bir yaklaşım sunarak üretkenliği artırmayı ve yazılım kalitesini iyileştirmeyi hedeflemektedir. Öğrencimiz Büşra Tabak'ı bu çalışmasından dolayı tebrik ediyor, kendisine gelecekte de başarılar diliyoruz. Büşra'nın çalışması, yazılım mühendisliği alanına önemli bir katkı sağlamaktadır ve bölümümüzün bu alandaki araştırmaları ileriye taşıma taahhüdünü pekiştirmektedir.
Başlık: Yazılım Sorunlarının Otomatik Atama ve Sınıflandırması
Danışman: F. Başak Aydemir
Özet: Yazılım sorunları, geliştirme sırasında düzeltmek, iyileştirmek veya yeni iş parçacıkları oluşturmak ve ekip üyeleri arasındaki iletişimi kolaylaştırmak için iş birimleri içerir. Bir sorunu en alakalı ekip üyesine atamak ve bir sorunun kategorisini belirlemek sıkıcı ve zorlu bir iştir. Yanlış sınıflandırmalar, projede gecikmelere, yeniden çalışmalara ve ekip üyeleri arasında sıkıntıya neden olur. Bu makale, sığ makine öğrenimi yöntemleri için özenle derlenmiş bir dizi dilsel özellik önermekte ve sığ ve topluluk yöntemlerinin performansını derin dil modelleriyle karşılaştırmaktadır. Son teknolojiden farklı olarak, çözümümüzün genelliğine katkıda bulunmak için sorunları belirli kişiler veya ekipler yerine dört role (tasarımcı, geliştirici, testçi ve lider) atıyoruz. Çözüm formülasyonumuzdaki endüstriyel uygulamaları yansıtmak için geliştiricilerin deneyim düzeyini de dikkate alıyoruz. Sorunları, hata, yeni özellik, iyileştirme ve diğer gibi farklı sınıflara ayırmak için bir sınıflandırma yaklaşımı kullanıyoruz. Ek olarak, gereken özel değişiklik türüne göre hataları daha fazla sınıflandırmaya çalışıyoruz. Tasarımızı değerlendirmek ve derin dil modelleriyle karşılaştırmak için en büyük üç küresel televizyon üreticisinden birinden beş endüstriyel veri seti topluyor ve bunları etiketliyoruz. Veri setlerimiz toplamda 5324 sorun içermektedir. Sığ tekniklerin bir topluluk sınıflandırıcısının, en gelişmiş derin dil modelleriyle istatistiksel olarak karşılaştırılabilir olan hatırlama ve doğrulukta sorun ataması için 0.92 ve sorun sınıflandırması için 0.90'a ulaştığını gösteriyoruz. Katkılarımız, beş adet etiketlenmiş endüstriyel sorun veri setinin kamuya açık paylaşımını, açık ve kapsamlı bir özellik setinin geliştirilmesini, yeni bir etiket setinin tanıtılmasını ve sığ makine öğrenme teknikleriyle oluşturulan bir topluluk sınıflandırıcının etkinliğinin doğrulanmasını içermektedir.
