approaches [2], [8] used multiple-s

approaches [2], [8] used multiple-static weights (MSW) to define a range of weights to tune their approaches. We analyzed the links recovered when using MSW to compare DynWing with carefully manually tuned weights.
We use MSW in Trumo, then compute the precision and recall of the obtained links in comparison to our four oracles, OraclejEdit, OraclePooka, OracleRhino, and OracleSIP , to find the optimal values for (3) in the Trustrace model in Section 2.3 for jEdit, Pooka, Rhino, and SIP, respectively. We use different values to assess which value provides better results. We use 2 ½0;1 values with a 0.1 increment.
We observe in Fig. 5 that DynWing is close to the optimal solution that MSW provides, but still there is room for improvement in terms of precision and recall. For example, in the case of Pooka, with only Histracecommits, DynWing (cross signs) provides on average 52.46 and 12.52 precision and recall values, whereas MSW provides on average 51.31 and 14.63: DynWing increased the recall value by 2.11 at the cost of a decrease in precision by 1.14. In the case of Rhino and SIP, we only show the average precision and recall of two experts in the graph for the clarity of the graph. Fig. 5 and Table 1 show that using more than one expert provides better results than the MSW weighting technique. However, Fig. 5 shows that for each system, the ranges of weights vary. Thus, we cannot identify one range of weights that would yield traceability links with reasonable precision and recall values for all the four systems. As the number of experts increases, it would become more difficult to identify the most appropriate weights or range of weights. Instead, DynWing would relieve project managers from choosing static weights.
We observe that treating each and every link independently helps to increase precision and recall. Some researchers [8], [9] performed several experiments using various weights to provide a range of weights that work well with their approaches/datasets. However, we cannot generalize such kinds of weights because every dataset is unique [10]. In addition, a range of weights is only a start to recover traceability links and, without an oracle, it is impossible to identify what weights and/or ranges of weights are suitable. Moreover, Fig. 5 shows that we cannot provide a reasonable range using MSW in the cases of Pooka and SIP: The MSW weight range for JSM is not suitable for VSM. Thus, we cannot impose the same weight range on all the datasets and IR techniques as proposed by other researchers [8], [9].
Gethers et al. [9] proposed a PCA-based weighting technique that does not require an oracle to define weights. Fig. 5 shows that the PCA-based weighting technique favors precision over recall. Sometimes it provides better results than DynWing in term of precision only. DynWing increases both precision and recall.
This comparison of DynWing with MSW also supports the answer of RQ2 that DynWing tends to provide a better tradeoff between precision and recall. We conclude that DynWing does not require any previous knowledge of an

Kết quả (Việt) 1:

phương pháp tiếp cận [2], [8] sử dụng tĩnh nhiều trọng lượng (MSW) để xác định một phạm vi của trọng để điều chỉnh phương pháp tiếp cận của họ. Chúng tôi phân tích liên kết thu hồi khi sử dụng MSW để so sánh DynWing với điều chỉnh cẩn thận bằng tay trọng lượng.Chúng tôi sử dụng MSW trong Trumo, sau đó tính toán chính xác và thu hồi của các liên kết được so với chúng tôi bốn oracles, OraclejEdit, OraclePooka, OracleRhino, và OracleSIP, để tìm các giá trị tối ưu cho (3) trong mô hình Trustrace trong phần 2.3 cho jEdit, Pooka, tê giác, và SIP, tương ứng. Chúng tôi sử dụng giá trị khác nhau để đánh giá giá trị mà cung cấp kết quả tốt hơn. Chúng tôi sử dụng 2 ½0; 1 giá trị với một tăng 0.1.We observe in Fig. 5 that DynWing is close to the optimal solution that MSW provides, but still there is room for improvement in terms of precision and recall. For example, in the case of Pooka, with only Histracecommits, DynWing (cross signs) provides on average 52.46 and 12.52 precision and recall values, whereas MSW provides on average 51.31 and 14.63: DynWing increased the recall value by 2.11 at the cost of a decrease in precision by 1.14. In the case of Rhino and SIP, we only show the average precision and recall of two experts in the graph for the clarity of the graph. Fig. 5 and Table 1 show that using more than one expert provides better results than the MSW weighting technique. However, Fig. 5 shows that for each system, the ranges of weights vary. Thus, we cannot identify one range of weights that would yield traceability links with reasonable precision and recall values for all the four systems. As the number of experts increases, it would become more difficult to identify the most appropriate weights or range of weights. Instead, DynWing would relieve project managers from choosing static weights.We observe that treating each and every link independently helps to increase precision and recall. Some researchers [8], [9] performed several experiments using various weights to provide a range of weights that work well with their approaches/datasets. However, we cannot generalize such kinds of weights because every dataset is unique [10]. In addition, a range of weights is only a start to recover traceability links and, without an oracle, it is impossible to identify what weights and/or ranges of weights are suitable. Moreover, Fig. 5 shows that we cannot provide a reasonable range using MSW in the cases of Pooka and SIP: The MSW weight range for JSM is not suitable for VSM. Thus, we cannot impose the same weight range on all the datasets and IR techniques as proposed by other researchers [8], [9].Gethers et al. [9] proposed a PCA-based weighting technique that does not require an oracle to define weights. Fig. 5 shows that the PCA-based weighting technique favors precision over recall. Sometimes it provides better results than DynWing in term of precision only. DynWing increases both precision and recall.This comparison of DynWing with MSW also supports the answer of RQ2 that DynWing tends to provide a better tradeoff between precision and recall. We conclude that DynWing does not require any previous knowledge of an

Kết quả (Việt) 2:

phương pháp [2], [8] được sử dụng nhiều tĩnh trọng (MSW) để xác định một loạt các trọng số để điều chỉnh cách tiếp cận của họ. Chúng tôi đã phân tích các liên kết phục hồi khi sử dụng MSW để so sánh DynWing với trọng lượng một cách cẩn thận bằng tay điều chỉnh.
Chúng tôi sử dụng MSW ở Trumo, sau đó tính toán chính xác và thu hồi các liên kết được so với bốn thầy mo của chúng tôi, OraclejEdit, OraclePooka, OracleRhino, và OracleSIP, để tìm các giá trị tối ưu cho (3) trong Trustrace mô hình trong phần 2.3 jEdit, Pooka, Rhino, và SIP, tương ứng. Chúng tôi sử dụng các giá trị khác nhau để đánh giá giá trị mà kết quả tốt hơn. Chúng tôi sử dụng 2 ½0;. 1 giá trị với một tăng 0.1
Chúng ta quan sát trong hình. 5 DynWing đó là gần với các giải pháp tối ưu mà MSW cung cấp, nhưng vẫn còn có chỗ cho sự cải thiện về độ chính xác và thu hồi. Ví dụ, trong trường hợp của Pooka, với chỉ Histracecommits, DynWing (dấu hiệu chữ thập) cung cấp trung bình 52,46 và 12,52 độ chính xác và thu hồi giá trị, trong khi MSW cung cấp trung bình 51,31 và 14,63: DynWing tăng giá trị thu hồi của 2.11 với chi phí của một giảm độ chính xác 1,14. Trong trường hợp của Rhino và SIP, chúng tôi chỉ hiển thị độ chính xác trung bình và thu hồi của hai chuyên gia trong đồ thị cho sự trong sáng của đồ thị. Vả. 5 và Bảng 1 cho thấy rằng việc sử dụng nhiều hơn một chuyên gia cung cấp kết quả tốt hơn so với kỹ thuật trọng MSW. Tuy nhiên, hình. 5 cho thấy rằng đối với mỗi hệ thống, phạm vi của các trọng lượng khác nhau. Do đó, chúng tôi không thể xác định một loạt các trọng lượng sẽ mang lại các liên kết truy xuất nguồn gốc với độ chính xác và thu hồi giá trị hợp lý cho tất cả bốn hệ thống. Vì số lượng các chuyên gia tăng, nó sẽ trở nên khó khăn hơn để xác định các trọng hoặc phạm vi của trọng lượng thích hợp nhất. Thay vào đó, DynWing sẽ làm giảm bớt các nhà quản lý dự án từ việc lựa chọn trọng lượng tĩnh.
Chúng tôi nhận thấy rằng điều trị mỗi và mọi liên kết độc lập, giúp tăng độ chính xác và thu hồi. Một số nhà nghiên cứu [8], [9] thực hiện một số thí nghiệm sử dụng trọng lượng khác nhau để cung cấp một loạt các trọng mà làm việc tốt với các cách tiếp cận / bộ dữ liệu của họ. Tuy nhiên, chúng ta không thể khái quát các loại như trọng lượng bởi vì mỗi bộ dữ liệu là duy nhất [10]. Ngoài ra, một loạt các trọng lượng chỉ là một sự khởi đầu để khôi phục lại các liên kết truy xuất nguồn gốc và không có một lời sấm, nó là không thể xác định những gì trọng lượng và / hoặc phạm vi của các trọng số là phù hợp. Hơn nữa, hình. 5 cho thấy rằng chúng tôi không thể cung cấp một phạm vi hợp lý sử dụng MSW trong các trường hợp của Pooka và SIP: Phạm vi cân MSW cho JSM là không thích hợp cho VSM. Như vậy, chúng ta không thể áp đặt phạm vi trọng lượng như nhau trên tất cả các bộ dữ liệu và kỹ thuật IR như đề xuất của các nhà nghiên cứu khác [8], [9].
Gethers et al. [9] đề xuất một kỹ thuật trọng PCA dựa trên mà không đòi hỏi một oracle để xác định trọng lượng. Vả. 5 cho thấy rằng kỹ thuật trọng PCA-dựa ủng hộ chính xác hơn thu hồi. Đôi khi nó cung cấp kết quả tốt hơn so với DynWing trong thời hạn chỉ chính xác. DynWing tăng cả độ chính xác và thu hồi.
Sự so sánh này của DynWing với MSW cũng hỗ trợ các câu trả lời của RQ2 rằng DynWing có xu hướng cung cấp một sự cân bằng tốt hơn giữa độ chính xác và thu hồi. Chúng tôi kết luận rằng DynWing không yêu cầu bất kỳ kiến thức trước đây của một