基于程序员活动数据的工作效率度量研究

Software developer productivity has a big impact on the output and efficiency of the software development process. Quantification of developer productivity is an important step before improving developer productivity. Many efforts from industry companies and academic researchers have been done to improve developer productivity. The productivity measures proposed by these previous studies are based on a single artifact or deliverable over a time interval, for instance, the number of lines of source code (SLOC), the number of tasks completed per month. However, due to the evolution of the software development techniques and the integration of the applications from different domains, developer activities become more and more complicated in the current software development process, which makes quantifying productivity of developers much more difficult. This project plan to propose a data collection and integration technique for developer activities at their daily work. Base on the proposed technique, a large number of developer activities are collected to perform an empirical study to understand the factors that affect developer productivity. Then, this project plan to propose an automated prediction model for quantification of developer productivity based on multiple dimensions of features extracted from developer activities. Finally, based on the results of the quantification of developer productivity, this project summarizes the developer behavior pattern and propose a personalized recommend algorithm to improve developer productivity.

程序员的工作效率对整个软件开发过程的效率和产出具有重要影响，如何准确地度量进而提升程序员的工作效率是工业界和学术界关注的焦点之一。目前虽已有大量关于程序员工作效率度量的研究，但主要都是基于一段时间内的软件制品或提交物，如代码行数，完成任务等，缺乏对程序员日常活动数据的全面考虑。而且，随着软件开发技术和环境的不断演化、不同领域应用的深度融合，软件生产过程中程序员的活动变得愈加复杂，也使得准确有效地度量程序员的工作效率变得更为困难。本项目拟提出针对程序员日常活动数据的收集与融合技术，并基于收集的程序员活动数据进行大规模的实证分析以理解影响程序员工作效率的因素；接着，从程序员日常活动数据中提取与工作效率度量相关的多维特征，进而提出程序员工作效率的自动化度量模型；最后，利用度量模型挖掘程序员的行为模式，提出程序员工作效率优化的个性化推荐算法。

当前的软件开发技术和环境不断演化，不同领域应用的深度融合，程序员的活动变得越来越复杂，如何有效度量和提升程序员工作效率变得十分重要。本项目研究了多种程序员活动数据收集和分析技术，收集并分析了多种程序员活动数据，包括截屏录像中的程序员代码编写数据、开源社区程序员活动数据和真实工作场景下的程序员活动数据；基于收集的程序员活动数据，实证分析了程序员工作效率在远程工作和在公司工作时的区别和影响因素、代码评审人推荐的问题和挑战等；提出了基于多维度特征的开源社区长期工作者预测模型、结合深度学习技术和多维度聊天会话文本特征的程序员开发活动分类技术，这些技术可以有效地度量程序员的软件开发活动，为度量程序员的工作效率提供重要保障；提出了一个基于程序员专业技能水平和合作网络的代码评审人推荐技术并应用于腾讯公司实际的工程项目中、和一个漏洞端到端解决框架，有效地提升了程序员的工作效率。基于上述研究，本项目共发布了8篇高水平期刊和会议论文，其中包括5篇CCF A类论文和3篇CCF B类论文，并且多项研究成果已经在国内知名的IT企业（包括百度、腾讯和华为）落地应用，产生了良好的社会和经济效益。