Tesi di ricerca realizzata in collaborazione con il SeSaLab.
L'obiettivo della tesi è di identificare i Community Smells (CS) all'interno di progetti ML-enabled (cioé progetti con all'interno algoritmi di Machine Learning), utilizzando CSDetector (riadattando quello li già realizzato da Gianmario Voria e da Nuri Almarimi). Poi, i dati prodotti dal tool, verranno utilizzati su un modello statistico (denominato cross-sectional), che, attraverso delle metriche di correlazione (Relative Risk e Odds Ratio), stabilisce il tipo di correlazione tra coppie di Community Smells.
il modello cross-sectional è un modello statistico in cui si raccolgono dati da molti individui diversi in un punto nel tempo. Esso risulta essere un modello semplice ed economico per la raccolta dei dati e l'identificazione di correlazioni. Inoltre, consente solo di descrivere una variabile e non misurarla. Le metriche di correlazione che sono state utilizzate sono il Relative Risk e l'Odds Ratio. Di seguito vengono descritte nel dettaglio.
il Relative Risk (RR) è la probabilità che un soggetto, appartenente ad un gruppo esposto a determinati fattori, sviluppi la malattia, rispetto alla probabilità che un soggetto, appartenente ad un gruppo non esposto, sviluppi la stessa malattia. Si potrebbe riassumere ciò che è stato definito in precedenza con la seguente formula matematica:
dove I rappresenta l'incidenza, cioé il rapporto tra i nuovi casi di malattia durante un periodo di tempo e le persone a rischio all'inizio del periodo. Il RR può assumere tre significati differenti:
RR = 1, il fattore di rischio è ininfluente sulla comparsa della malattia;
RR > 1, il fattore di rischio è implicato nel manifestarsi della malattia;
RR < 1, il fattore di rischio difende dalla malattia (fattore di difesa).
l'Odds Ratio è un dato statistico che misura il grado di correlazione tra due fattori. A differenza del RR che è uno studio prospettico, l'Odds Ratio viene utilizzato negli studi caso-controllo, cioé quelli che identificano fattori che possono contribuire a una condizione, quindi non è necessaria la raccolta dei dati nel tempo. Per calcolare gli OR si utilizza la seguente formula:
OR = 1, l'odds di esposizione nei sani è uguale all'odds di esposizione nei malati, cioè il fattore in esame è ininfluente sulla comparsa della malattia;
OR > 1, il fattore in esame può essere implicato nella comparsa della malattia (fattore di rischio);
OR < 1, il fattore in esame è una difesa contro la malattia (fattore protettivo).
Dopo aver calcolato i Community Smells all'interno del dataset di progetti ML-enabled "datasetProgetti.xlsx" (grazie al tool open-source CSDetector), sono stati salvati i risultati nel dataset "communitySmellsDataset.xlsx". Per poter riuscire ad applicare il modello statistico a questo dataset è necessario seguire, con precisione, i seguenti step:
- Installare la versione di Python 3.8.3;
- Effettuare il download della repository;
- Assicurarsi di avere nella stessa cartella il file "communitySmellsDataset.xlsx" e lo script correlationDetection.py (altrimenti non funziona)
- Aprire il prompt dei comandi (sia su Mac che su Windows);
- Posizionarsi sulla cartella appena scaricata (dopo aver estratto i file dal .zip e posizionato i file nella stessa cartella)
- Eseguire il comando py -3.8 correlationDetection.py;
- Inserire da tastiera gli acronimi dei Community Smells cosi come viene chiesto dallo script (gli acronimi devono essere in maiuscolo e devono corrispondere a come sono salvati nel dataset "communitySmellsDataset.xlsx".
Se gli step sono stati eseguiti nel modo giusto e non sono stati riscontrati errori, allora lo script calcolerà i valori di Relative Risk e Odds Ratio in maniera corretta.
Dopo aver calcolato, per ogni coppia di smell (senza ripetizioni), i valori di Relative Risk e Odds Ratio, questi sono stati salvati nel dataset "correlationCSDataset.xlsx". Poi, ho realizzato due tabelle in formato excel, che permettono di visualizzare, in maniera grafica, i risultati ottenuti e renderli più comprensibili. Le tabelle sono delle matrici diagonali, aventi entrambe le stesse regole, elencate di seguito:
Valore della cella = 1, la cella assume un colore grigio;Valore della cella > 1, la cella passa dal colore grigio, al colore verde indicando, in questo modo, che sono positivamente correlate;Valore della cella < 1, la cella passa dal colore grigio al colore rosso indicando, in questo modo, che sono negativamente correlate.
Le due matrici diagonali sono state denominate "relativeRiskMatrix.xlsx" e "oddsRatioMatrix.xlsx" e si possono visualizzare nella cartella matrix di questa repository. Rappresentano rispettivamente i valori di Relative Risk e Odds Ratio, per ogni coppia di smell. Osservando le due matrici, quello che si può dedurre è che i valori di Relative Risk e Odds Ratio, indicano più o meno le stesse informazioni per ogni coppia. Una delle coppie più interessanti è la coppia BCE/RS. Infatti, Il valore del Relative Risk è uguale a 10.6 e quello dell'Odds Ratio è uguale a 31.6 e, nei grafici, entrambe le celle sono colorate di un verde molto scuro, poiché sono molto distanti dal punto di centro che è il valore 1. Da ciò si può dedurre che i due smell sono fortemente correlati in maniera positiva, cioé la presenza dello smell BCE (Black-Cloud Effect), implica molto spesso la presenza anche di RS (Radio Silence).