Was It Never Collected, or Rewritten Away? A Commit-Provenance Dataset Separating Ingestion Gaps from Upstream History Edits across the World of Code
यह शोध पत्र एक कमिट-प्रोवेनेंस (commit-provenance) डेटासेट प्रस्तुत करता है जो अपस्ट्रीम हिस्ट्री रीराइट्स (फोर्स-पुश्स) के कारण होने वाले गायब कमिट्स और ग्लोबल कोड मिरर्स में वास्तविक इनजेशन गैप्स के परिणामस्वरूप होने वाले गायब कमिट्स के बीच अंतर करता है, जिससे यह पता चलता है कि लगभग 6.5% गायब कमिट्स खोए नहीं गए बल्कि रीराइट किए गए हैं और यह योगदान गणना तथा मिरर पूर्णता रिपोर्टिंग की सटीकता में सुधार के लिए सुधार कारक प्रदान करता है।
मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें
कल्पना कीजिए कि आप एक विशाल, वैश्विक कला परियोजना के हर एक क्षण की एक सटीक, पूर्ण फोटो एल्बम रखने की कोशिश कर रहे हैं, जहाँ हज़ारों लोग लगातार एक दूसरे के काम के ऊपर पेंटिंग, मिटाना और फिर से पेंट करना कर रहे हैं।
यह पेपर एक नए टूल के बारे में है जो हमें यह समझने में मदद करता है कि हमारे एल्बम से कुछ तस्वीरें क्यों गायब हैं।
समस्या: "गायब फोटो" का रहस्य
वर्षों से, शोधकर्ता GitHub से हर एक कमिट (कोड परिवर्तनों की एक "तस्वीर") को एक विशाल डेटाबेस में इकट्ठा करने की कोशिश कर रहे हैं जिसे वर्ल्ड ऑफ कोड (WoC) कहा जाता है। लेकिन उन्होंने एक समस्या देखी: एल्बम अधूरा है। लाखों "तस्वीरें" हैं जो वहां होनी चाहिए थीं लेकिन नहीं हैं।
पहले, शोधकर्ता बस यह मान लेते थे कि ये गायब तस्वीरें हमेशा के लिए खो गई हैं क्योंकि संग्रह प्रणाली (collection system) उन्हें पकड़ने में विफल रही। वे सोचते थे, "ओह, हमने 40% तस्वीरें मिस कर दीं; हमारा संग्रह टूटा हुआ है।"
लेकिन यह पेपर तर्क देता है: रुको जरा। शायद तस्वीरें खोई नहीं हैं; शायद उन्हें जानबूझकर मिटाया गया है।
दो संदिग्ध
लेखक, ऑड्रिस मॉकस (Audris Mockus), दो बहुत अलग कारणों की पहचान करती हैं कि कोई तस्वीर क्यों गायब हो सकती है:
- कलेक्शन गैप (द "मिस्ड शॉट"): कैमरा (संग्रह प्रणाली) पलक झपका गया, या फ़ाइल ट्रांसफर विफल हो गया, और फोटो कभी सहेजी ही नहीं जा सकी। यह एक वास्तविक त्रुटि है।
- हिस्ट्री रीराइट (द "डिलीटेड ड्राफ्ट"): कलाकार (प्रोजेक्ट का मालिक) ने तय किया कि उन्हें पेंटिंग का एक विशिष्ट संस्करण पसंद नहीं आया। उन्होंने इतिहास को मिटाने के लिए एक "फोर्स-पुश" (एक डिजिटल इरेज़र) का उपयोग किया और उस संस्करण को हटाकर उसकी जगह एक नया संस्करण बना दिया। वह फोटो अंतिम संस्करण में कभी अस्तित्व में ही नहीं थी क्योंकि कलाकार ने उसे मिटा दिया था।
गिनती करने का पुराना तरीका इन दोनों को एक ही श्रेणी में रखता था। यह कहता था, "हम 46% तस्वीरें मिस कर रहे हैं!" इससे संग्रह वास्तविक स्थिति से कहीं अधिक खराब दिखता था।
जासूसी का काम: दो अलग-अलग दृष्टिकोण
इस रहस्य को सुलझाने के लिए, लेखक ने एक ही घटना को देखने के लिए दो अलग-अलग "कैमरों" का उपयोग किया:
- कैमरा A (GHArchive): यह एक सुरक्षा कैमरे की तरह है जो सब कुछ रिकॉर्ड करता है जो विज्ञापन किया गया था ठीक उसी क्षण जब वह हुआ। इसे इस बात से कोई फर्क नहीं पड़ता कि फोटो बाद में मिटा दी गई है; यह बस रिकॉर्ड करता है, "रात 2:00 बजे, किसी ने 'कमिट X' नामक एक फोटो पुश की।"
- कैमरा B (World of Code): यह वर्तमान फोटो एल्बम है। इसमें वह सब कुछ है जो इसने अब तक एकत्र किया है, लेकिन यह डिलीट की गई तस्वीरों को नहीं रखता है।
सुरक्षा कैमरे के लॉग (जो विज्ञापन किया गया था) की तुलना वर्तमान एल्बम (जो रखा गया है) से करके, लेखक हर गायब फोटो को तीन साफ ढेर में विभाजित कर सकती हैं:
- उपस्थित (Present): फोटो एल्बम में है। (53% समय)
- रीरिटन (Rewritten): फोटो का विज्ञापन किया गया था, लेकिन कलाकार ने बाद में उसे मिटा दिया। सुरक्षा कैमरे ने उसे देखा, लेकिन एल्बम में वह नहीं है क्योंकि उसे मिटा दिया गया था। (6.5% समय)
- नेवर-इनजेस्टेड (Never-Ingested): फोटो का विज्ञापन किया गया था, कलाकार ने उसे नहीं मिटाया, लेकिन एल्बम में फिर भी वह नहीं है। यह वास्तविक कलेक्शन गैप है। (40% समय)
बड़ी हैरानी
परिणाम चौंकाने वाले थे। पहले लोग सोचते थे कि "गायब" होने की दर लगभग 47% है।
- वास्तविकता: केवल 40% वास्तव में गायब हैं (कलेक्शन गैप)।
- ट्विस्ट: लगभग 6.5% की "गायब" तस्वीरें वास्तव में कलाकारों द्वारा स्वयं मिटा दी गई थीं।
इसका मतलब है कि हर 15 गायब तस्वीरों में से, एक तस्वीर कलेक्टर की गलती नहीं थी; वह प्रोजेक्ट द्वारा किया गया एक जानबूझकर किया गया बदलाव था।
यह क्यों महत्वपूर्ण है (सरल शब्दों में)
1. ईमानदार रिपोर्टिंग
यदि आप सॉफ़्टवेयर का अध्ययन कर रहे एक शोधकर्ता हैं, तो अब आपको यह कहने की ज़रूरत नहीं है कि, "हमारा डेटा 47% अधूरा है।" आप कह सकते हैं, "हमारा डेटा 40% अधूरा है, और बाकी 7% रचनाकारों द्वारा मिटा दिया गया था।" यह आपके अध्ययन को बहुत अधिक सटीक बनाता है।
2. काम को सही ढंग से गिनना
कल्पना कीजिए कि एक कर्मचारी 100 लाइनें लिखता है, फिर उन्हें मिटा देता है और उन्हें 100 नई लाइनों के रूप में फिर से लिखता है।
- पुराना काउंट: आप केवल 100 नई लाइनें देखते हैं। आप सोचते हैं कि उन्होंने 100 लाइनों का काम किया।
- नया काउंट: यह टूल देखता है कि उन्होंने 100 लिखा, उन्हें मिटाया और 100 और लिखा। यह महसूस करता है कि वे मिटाई गई 100 लाइनें भी वास्तविक काम थीं जो बस छिप गई थीं।
- परिणाम: यह पेपर दिखाता है कि यदि आप केवल वर्तमान में दिखाई देने वाली चीज़ों को गिनते हैं, तो आप कुल उत्पादकता को लगभग 10.8% कम आंक रहे हैं। यह वैसा ही है जैसे कि आप सोच रहे हों कि एक फैक्ट्री ने 90 कारें बनाईं जबकि उन्होंने वास्तव में 100 बनाई थीं, क्योंकि 10 को स्क्रैप करके दोबारा बनाया गया था।
3. डबल काउंटिंग से बचना
यदि कोई डेवलपर एक कमिट को रीराइट करता है (एक नया ID बनाकर उसे मिटा देता है), तो वह कोड का एक ही "पैच" है। इस टूल के बिना, एक कंप्यूटर पुराने संस्करण और नए संस्करण को दो अलग-अलग योगदान के रूप में गिन सकता है। यह टूल उन्हें डुप्लिकेट के रूप में चिह्नित करता है ताकि आप भ्रमित न हों।
निचोड़
यह पेपर हमें एक जासूस का आवर्धक लेंस (magnifying glass) देता है। यह "टूटे हुए कैमरे" (कलेक्शन गैप) को "मिटाए गए ड्राफ्ट" (हिस्ट्री रीराइट) से अलग करता है।
यह बताता है कि वर्ल्ड ऑफ कोड वास्तव में जितना हम सोचते थे उससे बेहतर डेटा एकत्र कर रहा है (क्योंकि कुछ "गायब" डेटा वहां होना ही नहीं चाहिए था), लेकिन यह हमें यह भी बताता है कि हम डेवलपर्स द्वारा किए गए काम को कम आंक रहे हैं क्योंकि हम उनके द्वारा मिटाए गए काम को नहीं देख सकते।
लेखक ने सभी डेटा और टूल्स जारी कर दिए हैं ताकि कोई भी इस "जासूसी लेंस" का उपयोग करके कोड की दुनिया की एक स्पष्ट और अधिक ईमानदार तस्वीर प्राप्त कर सके।
अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?
आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।