概要: 機械学習による画像認識モデルは，特定の条件下で系統的な誤り傾向（系統的故障）を示すことがある．例えば，``白昼下での白色のトラック"という条件の画像でトラックを正しく認識できない誤り傾向がある場合，これは系統的故障であると言える．系統的故障はユーザの期待しない動作をする原因になり，あらかじめテストで系統的故障を検出しておくことが重要となる．既存研究では，人間が適応的な探索をアシストすることで効率的に系統的故障を検出する手法が提案されている．しかし，継続的に膨大なテストが必要な機械学習モデルのテストでは，これらの手法は人的コストが肥大化する問題がある．そこで本研究では，LLMを用いて適応的な探索を自動的に行い効率的に系統的故障を検出する手法AdaSniperを提案する．AdaSniperは，どのクラスと誤認識してしまったかを表す誤認識先クラスの情報をLLMに対して与えることで適応的な探索を可能にする．評価実験では，AdaSniperがベースライン手法と比較をして，適応的な探索を行い効率的に系統的故障を検出できることを示した．

人に危害を及ぼさない対話型システムを開発するためには，ユーザが様々な操作をしてもシステムが安全なことを検 証することが重要である．このような検証を支援するために我々はこれまで，性格特性に基づくユーザモデリングの 方法や，得られたモデルとモデル検査技術を用いたシステム検証の方法を検討してきた．しかし，手法利用者は完全 手動でユーザモデリングをしなければならない課題があった．そこで本稿では，性格特性に基づく様々な操作を考慮 した安全性検証において，妥当なバリエーションのモデルを系統的に得られるようにすることを目的として，ユーザ モデルを半自動生成する手法を提案する．有効性評価のために提案手法を踏切制御システムのモデル事例に適用した 結果，性格特性に起因する危害発生例が示せただけでなく，様々なバリエーションのモデルが得られたことによる妥 当な指摘も行えたため，提案手法が有効である見込みを得た．

変数名は単なる識別子というだけでなく，処理内容を適切に表現していることが望ましい． 一般に変数名の適切さ評価には人手によるコードレビューが必要であり，それだけに工数のかかる作業となっている．これまでに，変数名そのものやそれを取り巻くソースコードの特徴をメトリクスによって数値化し，機械学習（ランダムフォレスト）によって名前変更発生の有無を予測する手法が知られているが，コードの文脈までは考慮できていなかった．そこで本論文では，大規模言語モデルの 1 つである CodeT5 を使ってコードの文脈を考慮した評価を行うことを考え，そこに正規表現によるパターンマッチングも組み合わせることで不適切な変数名を自動的に検出する新たな手法を提案している．そして，実際に人手によって行われたコードレビューデータに対する評価実験を行い，提案手法をランダムフォレストを用いた従来手法と併用することでより良い検出が可能であることを報告している．

マイクロサービスとは，複雑なソフトウェアを相互に通信可能な小規模サービス群に分割するアーキテクチャスタイルである．既存研究おいて，マイクロサービスの各サービスは小規模なプログラムで実現されているにもかかわらず，多くのサービスにコードクローンが含まれていることが報告されている．また，それらコードクローンの同時修正が報告されており，マイクロサービスにおいてコードクローンが保守コストを増大させていることがわかっている．しかし，既存研究が行った調査では，8 個のみのプロジェクトに含まれるサービスを対象としており，それらサービスはすべて Java で開発されている．そのため，様々な言語で開発された多くのサービスを対象とした調査を行うと，Mo らの調査とは大きく異なる結果が得られる可能性がある．そこで本研究では，12 言語で開発された 284 個のプロジェクトを対象としてマイクロサービスに含まれるコードクローンの調査を行った．その結果，C#はプログラム全体におけるコードクローンの割合や，複数のコードクローンが同時に修正されるものの割合が高いことがわかった．

オンラインコードレビューサービスを導入するOSS開発では，日々多くのコードレビューを依頼するコードレビューチケットが提出され，検証者は優先的にコードレビューするチケットを選択する．従来研究では，チケット提出時に得られる特徴に基づき優先順位づけする手法が提案されているが，コードレビューするチケットの優先順位は日々変動する．本研究では，直近のリリースまでの期間に応じて検証/導入されるコードレビューチケットの特徴の違いを分析する．また，リリースまでの期間別に優先的に検証/導入されるコードレビューチケットを予測する．ケーススタディとして，OpenStackプロジェクトを対象に分析した結果，リリースまでの期間に応じて検証/導入されるチケットの特徴には違いがあることを明らかにした．また，優先的に検証/導入されるコードレビューチケットを予測した結果，優先的に検証/導入する必要のないチケットの検出では提案手法の有用性が示された．

一般に単体テストのテストケースはテストコードのかたちで用意され，テストを自動的に行えるよう整備されていることが多い． そうすることで，被テストコード（製品コード）が変更された際にはテストを即時かつ自動的に行うことができ，製品コードの品質保証に役立つ存在となっている． しかしながら，テストコードも製品コードと同じく人手で書かれるプログラムとなっていることも多く，テストコードそのものに問題があって， 適切なテストを実現できていない恐れもある． いわば，テストコードにおけるコードスメルという考え方であり，それをテストスメルという． テストスメルの存在は開発者に誤ったテスト結果，即ち，テストで不具合は見つからなかったという誤った安心感を与えてしまうこともある． 本論文では Python テストコードにおけるテストスメルに着目し，テストスメルを有したテストコードが適切なテストを行えていないのではないかという考えの下， テストスメルは被テストコード（製品コード）のバグ予測子として有用であるかどうかについて，定量的な分析を行っている．

バグを含んだコミットを予測するためにJust-In-Timeバグ予測モデル（JITモデル）が研究されている．コミットから得られるメトリクスを説明変数とする機械学習分類器を利用するモデルが一般的である．説明変数として変更メトリクスが活用されることが多いが，JITモデルはその中でもコードの変更量に関するメトリクス（例：追加された行数）に予測結果が依存することが知られている．このような依存は，JITモデルが大きな変更量のコミットを優先してバグありと判定している可能性を示唆している．つまり，小さな変更量のコミットを正確に予測できていない可能性がある．しかし，小さな変更量のコミットもソフトウェアプロジェクトの変更の大きな割合を占めており，これらのコミットに含まれるバグを正しく予測する必要がある．バグ予測モデルに関するこれまでの研究ではコミットを変更量で分けずに評価を行っているため，そういった小さなコミットに対する予測精度を評価できていない．本研究ではコミットを変更量で分けずに評価した場合，JITモデルに対する評価結果を正しく解釈できない可能性について調査を行った．まず小さな変更量のコミットを定義し，それらのコミットがソフトウェアプロジェクトにおいて無視できない割合存在しており，かつ，バグを混入する可能性があることを示した．また，JITモデルの予測精度はコミットの変更量ごとに異なることを示した．最後に，11の分析対象のプロジェクトのうち最大で10のプロジェクトで，小さな変更量のコミットに対するJITモデルの予測精度が有意に低いことを明らかにした．

本稿では，ソフトウェア部品を利用部品の一致度を用いて分類する手法のバリエーションとして，利用ライブラリ部品の一致度を用いた手法を提案し，手法の有効性を評価する．大本の手法と同様の手順で分析を行い，得られた樹形図から部品の集合を得た場合に，得られた部品の集合がどのような性質を持つかを調査する．大本の手法との結果の傾向の違いの調査などを通じて，各手法の特徴やそれらを組み合わせたアプローチなどの可能性を議論する．

将来的に保守コストの増大化を引き起こす設計や実装などのことを技術的負債という． 技術的負債の蓄積は，保守コストの増大化以外に，ソフトウェアの進化の妨げに影響するため，早期に取り除く(返済する)ことが望ましい． 近年のソフトウェア開発では，課題管理システムを用いて技術的負債を管理するTD-Issueが存在する． しかし，TD-Issueにおける技術的負債の返済についてコード変更の観点から調査した研究は存在しない． そこでTD-Issueを対象とした技術的負債の返済とリファクタリングの関係について明らかにする． この目的のために，本論文では，TD-Issueに紐づくコミットを対象にリファクタリング操作を含む割合や最も利用されるリファクタリング操作について調査する． 調査の結果，リファクタリング操作を含むコミットは約60%であり，リファクタリング操作が適用されるファイルは約32%であることがわかった．

ソフトウェア開発では，開発効率を上げるために特定の機能がまとめられたライブラリを利用する．ライブラリ開発者がライブラリの品質を維持するために機能追加や修正などを行いバージョン更新する中で，既存機能の変更や削除によって後方互換性を損失することがある．後方互換性の損失はライブラリを利用するクライアントソフトウェアの振る舞いの阻害につながるが，ライブラリ開発者がクライアントソフトウェアを実行することなく影響範囲を特定することは容易ではない．本研究では，ライブラリ更新後にクライアントテストが失敗となったクライアントから依存ライブラリに関わるソースコード断片を抽出し，後方互換性の損失の原因となるソースコード断片からライブラリと関数の呼び出し文の記述パターンを作成する．作成した記述パターンをもとにテストが成功しているクライアントを分析することで，実際には影響を受けているクライアントを特定する．

近年，プログラミング学習者の増加に伴い，自由に問題を解き正誤判定を行うオンラインジャッジシステムといったWeb上のサービスが注目されている．そこでは多種多様な問題が出題されていて自主学習に利用できるが，多くの問題の中から初学者が自分に合った問題を選び出すことは決して容易でない．そこで，ユーザが次に解くとよい問題の推薦を自動で行う手法が研究されている．これまでに，問題文に注目して類似度の高い問題を推薦する手法が提案されているが，問題文が長い物語調になっていたりするために，類似した問題の推薦が難しい場合もあることが知られている．そこで本論文では，問題文の代わりに ``解答プログラム''に注目して問題間の類似性を評価する手法を提案している．そして，著名なプログラミングコンテストの 1 つであるCodeforces における問題文とそれらに対して提出された解答プログラムを用いた評価実験を行い，提案手法の有用性について検討を行っている．

プログラミング初学者向けの演習では，受講者がしばしばエラーに遭遇する．エラーに遭遇した受講者のプログラミング経験が浅い場合，適切な修正を行うことができない場合がある．これまでの研究では，初学者が遭遇しやすいエラーの分析や，エラー修正の支援手法が行われてきた． しかし，初学者がエラーの修正のためにどのような編集を行っているかに着目した分析は十分に行われていない． そこで，本研究では初学者がエラーの遭遇時にどのようにエラーを修正しようとしているのかを明らかにすることを目指す． 具体的には，著者が所属する大学院で行われたプログラミング演習のデータをもとに， エラーに遭遇した際のソースコードと次回実行時のソースコードの編集差分の分析を行う．これらの分析結果をもとに，初学者がどのようなエラーのときに，エラー修正につながらない編集をしているかを示す．

During the process of software development, it is very important to monitor the status of the project and identify the potential risks. Researchers have proposed several approaches to disclose the risks of software projects, but they are either based on black-box models which are hard to explain or require lots of manual efforts. In this research, we adopt a machine-learning-based approach to predict the success/failure of a software project based on the previous development data. In contrast to those black-box approaches, our approach can output the importance of the features which explains the reason of the prediction. Firstly, we build a machine learning model and train this model with previous development data of software projects. Secondly, we feed the data of the project under development to this trained model and predict the success/- failure of this project. Finally, the reasons of the prediction are displayed to the users. We implemented this approach and evaluated it with a dataset of 11,954 real world software projects. The evaluation reached a recall of 80.1% and precision of 53.7%, which shows the feasibility of this machine-learning-based approach.

近年のソフトウェア開発において，ライブラリやフレームワーク等を用いて開発を行うことは一般的である．また，これらのソフトウェアはオープンソースソフトウェア(OSS)としてホスティングサービスで管理されることがある．しかし，OSSであるためメンテナンスが継続的に行われるかは開発者や組織の意思に影響することが多い．そのため，OSSを利用する場合は常に開発の動向を意識しておく必要がある．そこで，本論文ではホスティングサービスで管理されるリポジトリヒストリを用いてプロジェクトの継続性を予測する手法を提案する．具体的には，GitHubから収集したプロジェクトデータに基づき，ランダムフォレストと回帰分析を用いて，プロジェクトの継続性を予測する．アーカイブされたプロジェクトと開発が継続している可能性のあるプロジェクトの２つの属性の特徴を学習し，アーカイブされたプロジェクトのクラスに所属する確率を求める．本提案を適用した結果，アーカイブされたプロジェクト13件中，12件が予測手法でもアーカイブされたと判定することができた．

ソフトウェアの規模を計測する方法としてIFPUG法がある．IFPUG法はソフトウェアの規模を正確に計測できる一方で，計測に必要な作業時間が長くなる傾向がある．そのため，IFPUG法を簡素化したSimple FP法などが提案されている．簡素化された計測方法を用いた場合，IFPUG法との計測結果が異なる．本稿では，ソフトウェア規模計測方法の差異が，開発工数見積もりの精度に与える影響を分析するとともに，差異の影響を抑える方法について明らかにした．

画像認識モデルの評価として，精度の比較が行われることが多い．しかし，精度以外での評価手法はいまだ一般的でない．そこで，精度以外での比較手法として，画像認識モデルの予測に対してLIMEを用いて判断根拠を可視化し，その判断根拠の一致率でポイント数を求め，画像認識モデルを合計ポイント数で評価する手法を提案する．提案手法を評価するために，ImageNetの評価用データを使用して実験を行った．評価の対象となる学習済みモデルはResNet50，VGG16，InceptionV3の計3種類である．評価実験の結果，全体としては精度で順位づけした結果とポイント数で順位づけした結果では変わりはなかった．しかし，ラベルごとの評価結果はモデルによって異なることがわかった．

現代の教育では，プログラミングの重要性が高まっている．一方で，プログラミング学習には学生が個別の課題に直面する難しさがある．本論文では，プログラミング課題の問題文などをもとにOpen AIにより生成されたプログラムと初学者のプログラムを比較し，その差異によってユーザのプログラムから誤りと考えられる個所にヒントを表示するツールを提案する．差異の計算には，アルゴリズムの構造に着目してプログラムをXML文書により抽象化する方法を用いる．本手法を評価するため，本ツールによって学習者が自力で正解にたどり着けるような「ヒント」を生成できるかを調べる実験を行った．具体的には，C言語の経験があまりないユーザに実際に提案システムを用いてプログラミング課題を解いてもらい，ユーザが正解を書けなかった際にシステムが提示するヒントによって正解に辿り着けるかどうかについての調査や，その使用感についてのアンケート調査を行った．その結果，本手法は学習者が自力で正解に辿り着き，理解の促進に役立つことが明らかになったと同時に，多くの改善すべき点も明らかになった．

本研究では，ドキュメント等の整備や更新が行われづらく，開発経験の浅い学生が開発者役となるProject Based Learningでのソフトウェア開発を題材に，顧客役が求める要件と開発者役が開発したソースコードの内部構造との対応が客観的に理解しやすいものへと改良する方法と，その対応を読み取る方法を提案する．この方法は「顧客役が作成や監修に関わった，要件を示す書類」をもとにドメイン駆動設計の要素を取り入れたモデリングとソースコードへの改良を行い，さらに要件と内部構造の対応づけの確認用文章をシーケンス図から作成するものである．提案方法が，要件をある程度ソースコードの内部構造へ対応づけられるように反映でき，また確認用文章から要件の内部構造への対応を大きな処理の流れの観点から確認できる妥当性と有用性を，顧客役と開発者役に対する検証から示す．

形式手法は厳密解を指向する技術であるが，スケーラビリティが課題となる．我々は複数製品を対象としたファミリーベースモデル検査において，可変性モデルを分割することでスケーラビリティを改善する手法を提案した．本稿では本手法をメタ手法として再整理し，それに基づき手法の改善や拡張の方向性について検討する．

モジュール化はソフトウェア設計における重要課題であり，特にオブジェクト指向で発生し得る横断的関心事をモジュール化する技術としてアスペクト指向技術がある．我々は過去に，関心事をアスペクトとしてモジュール化し，アスペクト間の関係をアスペクト関連ルールとして定義することでソフトウェアを柔軟に設計するメカニズムとして，アスペクト指向モデリングメカニズムの提案を行った．また，イベントをやり取りする制御システムを対象にその有効性を確認した．本稿では，さらにIoTのように同じ機器を大量に接続し，かつそれらが様々な機器とデータをやり取りするシステムの設計にも本モデリングメカニズムを適用することを検討する．提案済みのメカニズムでは，各オブジェクトはシングルトンであることを前提にしており，多数の同じ機器を扱うことに困難がある．また，データのやり取りをルールによって表現することは難しい．そこで，アスペクト関連ルールを拡張し，マルチオブジェクトでのデータのやり取りを表現できるようにモデリングメカニズムを拡張する．拡張したメカニズムを複数のセンサによってビニールハウス内の管理を行う農業用IoTシステムの例題に適用し，その有効性を確認した．

ソフトウェア開発の生産性向上が期待できるため，プログラミングに特化した生成AIであるコード生成AIを導入する企業が増えている．教育においては，生成AIの回答に頼りきりになることで，主体的に学ぶ力が低下する可能性が指摘されている．一方，生成AIを活用することで学生の主体性を高める可能性も示唆されている．本稿では，コード生成AI（GitHub Copilot）を授業に導入し，高等専門学校の事例を基に学生の主体的な学びに与えた影響を議論する．授業では，コード生成AIを活用した発表学習を取り入れた．コード生成AIが学生の学習意欲や主体的な学びに与えた影響を授業アンケートから評価し，議論する．その結果，半数以上の学生が授業以外でもGitHub Copilotを利用し，ChatGPTを含む生成AIの利用が促進されたことがわかった．具体的には，76%以上が授業の課題用途で利用し，53%は課題の質の向上や理解力を深めるために利用していた一方，23%は課題を安易に終えるために利用していた.

近年，プログラミング初学者に対する学習の支援を目的として大規模言語モデル(LLM)を用いた研究が盛んに行われている． LLMのプログラミング学習への適用において，モデルの出力をそのまま用いると課題の答えが提示されてしまうことがあり，学生が自力で学べないという問題がある． そのため，これまでに直接答えを提示せずに品質の高いヒントを生成して提示する手法の提案が行われている． この手法では，GPT-4モデルを用いて生成したヒントをGPT-3.5モデルを用いて検証を行った上で提示が行われている． 本研究ではこの手法の拡張を行い，著者らが所属する大学院大学で行われているプログラミング演習の授業に導入し，その効果を測る． 学生視点での評価を行った結果，特にプログラミング経験が浅い初級者にとって提案手法は有用であることが示唆された．

REST APIに対するテストケース自動生成にペアワイズ法が発表されているが，仕様を効率的に網羅することができる一方でコードカバレッジが考慮されていないという課題がある．本論文ではペアワイズ法を用いて生成したテストケースに対してテストケースとコードカバレッジとの関連性を用いてテスト実行順を選択することにより，効果的に仕様とコードカバレッジを網羅するテストケース生成手法を提案する．

ソフトウェア開発において要求仕様をモデル化などを通して正確に理解することは非常に重要である. しかし特にチーム開発では，経験の浅い担当者が作成するモデルの品質に一貫性がなく， コストや工数が増加する可能性があり課題となっている． この課題に対処するため，筆者らは均一な品質でモデルを作成するためのプロセスと具体的なモデル化手法を以前に提案した．本稿では，実験を通じて提案手法の有効性と課題を確認する．

LLM(Large Language Model) の高い言語理解能力と推論能力を活用し障害調査やシステム分析が行われている．本論文では障害調査の自動化を目的に，コマンドの生成・実行・検証を一連のステップを繰り返し実行するエージェントを提案する．このエージェントを用いることで，Kubernetes を対象に適用した障害分析が自動化できることを確認した事例について報告する．本論文の結果は，インフラシステムの運用効率向上と障害対応時間の短縮に貢献する．

現在のソフトウェア開発では多くの外部ライブラリを活用するが，セキュリティや著作権上のリスクが伴う．この問題に対処するためにSBOMの活用が奨励されているが，C/C++で開発されたシステムに対するSBOM生成技術が確立できていないため，ビルド処理と成果物であるバイナリから得られる情報に着目して生成手法を検討した．

本研究では，トレーサビリティ自動構築による開発資材のナレッジ化を通じて，LLM を活用したソフトウェア開発の効率化と精度向上を目指している．本発表では，トレーサビリティを活用したユースケースの一つとして，開発資材間の矛盾箇所を検知し，それを修正するプロセスを紹介する．

スマートフォンアプリケーションにおけるレビューは開発者にとって開発，運営の方針を決めるための指針となる．本稿では，レビューを自動で分類をして開発者に送り届ける支援システムについて提案，考察を行う．

GraphQLはAPIのクエリ言語であり，REST APIとは異なる構造を持っており従来の自動テスト手法の適用が難しいため，新たなアプローチが求められている．本研究は，強化学習を用いたGraphQL APIの自動テスト手法を提案する．提案手法では， Q学習を用いてテスト空間の探索を行う．スキーマを基にAPIのフィールドと引数を選択してリクエスト生成を行い，レスポンスに応じてQ値を更新する．これを繰り返して学習することにより，効率的なブラックボックステストを実現する．実験では，一般公開されているAPIを対象に，スキーマカバレッジとエラーレスポンスの割合を評価指標として提案手法の有効性を検証した．今後は，局所最適解を避けるためのQ値初期化や報酬設計の改善を図り，他手法との比較を通じてさらなる有効性を確認する予定である．

本稿では，Webアプリケーションに対する異常系テストの自動化に着目し，Seleniumとミューテーション技術を活用して正常系テストに対して人工的な誤りを混入させることで，異常系テストを自動的に生成する手法とその支援ツールの提案を行う．

オープンソースソフトウェア（OSS）の数が増加し，目的に合ったツールを迅速に検索するための効果的なシステムの必要性が高まっている．本研究では，OSSの検索精度を向上させるために，大規模言語モデル（LLM）を用いて検索キーワードの拡張を行う新しい手法を提案する．具体的には，ユーザーのクエリに対して抽出されたキーワードを，同義語や類義語，英訳を含めたリストに拡張し，検索エンジンに入力することで，精度の高い検索結果を提供する．

ソフトウェア開発の初期段階において過去のソフトウェア開発データを基に開発コストを見積もるが，欠損値の存在が精度を低下させる可能性がある．そこで，我々は欠損メカニズム(MCAR、MAR、NM)を識別することで，欠損値処理の精度向上を目指している．本稿では，非負値行列因子分解(NMF)と深層学習を用いた二種類の手法の欠損メカニズムの判別精度を比較する．F値による比較の結果，深層学習を用いた手法がより高い精度を示した．

近年, エンジニアが感じているストレスの大きさによってプロダクトの生産性が変わることが注目されている. そこ で本研究ではプログラミング中の認知負荷を脳波と鼻部周辺皮膚温度を計測することで認知負荷の非侵襲での評価を 目指した. 実験の結果, プログラミング中は鼻部皮膚温度が低下し, 休憩中には上昇することが確認された. これは先 行研究でも似た結果が確認されており, このことからプログラミング中の皮膚温度に注目することで認知負荷を確認 することができると考えられる. 脳波解析でも, 先行研究と同様に問題解答中に一部の部位でβ波の活動が増加する 傾向が見られた. これらの結果から, 非接触でのストレス検知の可能性が示されたと考えられる.

ソフトウェア開発において，コーディング規約を遵守することでコードの可読性，保守性を高めることができるが，開発者に必ずしも守られていない．そこで本研究では，コーディング規約に対する違反を開発者に提示する際に，違反を修正すべきか開発者が判断する根拠になりうる情報を付加して提示する方法を検討する．

プログラミングの初学者は，プログラム実行時に表示されるエラーが，プログラム中のどこで発生したのか，また，どのようにすれば解決できるのかを理解するのに時間がかかる． そこで本稿では，プログラム実行時にエラーが発生したときに，即座にフィードバックを提供するツールを提案する． フィードバックは生成AIを利用し，実行時のエラーメッセージとプログラムのソースコードから，エラーの原因と解決策を提示する．

プログラミング初学者の多くは，プログラミングの好き嫌いに拘わらず，習慣として開発を続けることが難しい． 習慣として継続させるためには，継続するための動機が必要である． そこで本稿では継続するための理由付けとして，ペット育成ゲームの要素を取り入れることを考える． ペット育成ゲームを，今日のデファクトスタンダードなエディタ/IDE である VSCode 上に構築することで， 初学者が開発意欲を維持できるような環境を提供する．

インジェクション脆弱性の検出手法にKleinらの動的テイントフロー追跡を用いた手法（Euro S\&P~2022）があるが，テイントが伝播しない分岐条件が解析されないことによる誤検知や未通過のパスによる検出漏れの問題がある．本稿では，Webアプリケーションのプログラムを題材にこれらの問題を説明し，コンコリックテストの導入による脆弱性検出手法を提案する．

サービス利用が多様化する現代では，エンドユーザのサービスニーズが重要視される．先行研究ではヴァーチャルエージェントを用いた音声対話によるニーズ自動抽出を実現した．本論文では，既存のWebアプリケーションにチャットボットを重ねて実装することでニーズ抽出を容易に実現する手法を構築する．

今日のソフトウェアは多くのOSSライブラリに依存して構築されている． しかし，全てのOSSライブラリの開発がこれからも継続していくわけではない． 加えて，開発が継続しているかどうかをプロジェクトの外側から観測することすら困難である． そこで本稿では，ビルド可能性と依存ライブラリの依存関係をもとに，OSSプロジェクトの生存性を評価する手法を提案する．

In recent years, decision-making algorithms based on machine learning have become widely used in everyday life. While these algorithms often make more accurate judgments than humans, they can also learn biases and potentially compromise fairness. This study proposes an enhancement to an existing method that uses deep neural networks (DNN) to search for discriminatory data. By incorporating diversity into the search process, we demonstrate that our method can more effectively identify a wider range of discriminatory data compared to traditional approaches.

比較的新しいプログラミング言語であるKotlinは，メトリクスを計測するツールが未だ普及していない．本稿ではKotlinプログラムの保守性の評価・改善を目的として，サイクロマティック数を計測するツールを開発する．サイクロマティック数の算出に必要な分岐に関する16個の構文を同定し，その内の7個を計測するツールを実装した．

従来，数多くのバグ予測方法が提案されてきたが，予測が外れることは避けられない．そこで，予測の確信度を推定し，確信度が高い場合のみ予測結果を利用し，そうでない場合は利用しないという運用を考える． 本稿では，予測の確信度の推定に，第三者データセットを用いる方法について検討し，その予備実験の結果について報告する．

本稿では，Javaのプロジェクトを解析することで，CEFRに倣った難易度区分でそのプログラムの理解や記述に必要なプログラミング熟練度を測定するJavaCEFRを提案する．

コンピュータサイエンス（CS）アンプラグドの教材として，ボールとパイプを組み合わせてプログラムを表現し，プログラム動作の視覚イメージ化を支援する方法が提案されている．本稿では予備的実験により，この表現法を用いることによりプログラムの理解度が高まるかどうかを確かめた．

ユーザがゲーミフィケーションに慣れてしまうと，その効果を得ることが難しくなる．本稿では，ゲーミフィケーションの効果を継続的に得ることをゴールとし，ユーザと適用間隔に関する予備的分析を行った．

ISO/IEC 25010:2023では，操作や制御を容易にする機能や特性を持つ製品の能力を操作性と定義する．操作性向上には，クリック数といった定量的な操作量などに基づく操作性分析が必要である．しかし，従来の操作性分析では，ユーザの操作や環境準備に人的・時間的コストがかかる．そして，その方法を版管理されたWebアプリケーションにおける多数のリビジョンに適用することは現実的でない．そこで本稿では，操作性分析の支援を目的にWebアプリケーションの各リビジョンに対してテストプログラムで得た操作ログを基に操作量を自動分析するツールを紹介する．

ソフトウェア要求仕様書の記述の抽象度や表現が統一されていない場合にはソースコード検索の精度が低下する可能性がある． 本研究では，検索の前処理として大規模言語モデル(LLM)を活用し，ソースコードに対して抽象度を統一した説明を生成することで，埋め込みモデルとベクトル類似度を用いたソースコード検索の精度向上を図る手法を提案する．

本稿は既存のディープニューラルネットワークテストの提案を踏まえ，ディープニューラルネットワークをより網羅的にテストすることを目的とし，新たなニューロンカバレッジ基準とそれに基づくテストケース生成手法を提案する．

オープンソースソフトウェアの開発において，バージョンアップのたびにコード行数や潜在バグ数が変化する．本研究では，OSSの過去のバージョンデータを用いて，リカレントニューラルネットワークモデルにより次バージョンの潜在バグ数およびコードスメル数の予測を行う．データは静的解析ツールSonarQubeを使用して収集し，GitHubから各バージョンを取得した．RNNとLSTMのモデルを比較し，より精度の高い予測手法を検討する．

ソフトウェアプロジェクトの成長過程の変化の理解を促進するために， 一つのプロジェクトを対象とする可視化ツールを提案する． これはプロジェクトからあるメトリクスを抽出し，その時系列変化を動的グラフで描画するものである． プロジェクトの成長過程を一般的なグラフ表現で可視化するため，理解促進が期待できる．