Collaboration with other people is a major theme in the information-seeking process. However, most existing works that address the location of features during the maintenance or evolution of software do not support collaboration, or they are focused on code as the main software artifact. Hence, collaborative feature location in models has not enjoyed much attention to date. In this work, we address this concern by proposing an approach, CoFLiM, that enables the collaboration of several domain experts in order to locate the model fragment of a target feature. CoFLiM uses the feature descriptions of the domain experts and their self-rated confidence level to automatically reformulate the relevant feature descriptions in a single query. This query guides the evolutionary algorithm of our approach that finds the model fragment of the feature being located. We evaluate CoFLiM in a real-world case study from our industrial partner. We analyze the impact of CoFLiM in terms of recall, precision, and the F-measure. Moreover, we compare the reformulation of CoFLiM with four baselines. We also perform a statistical analysis to show that the impact of the results is significant. Our results show that collaboration pays off in the location of features in models. The results also show that the self-rated confidence level can be used to locate features in models. Finally, the results show that there are no significant improvements when more than three domain experts are involved, which is relevant in those industrial contexts where the availability of domain experts is scarce.

中文翻译：

---

通过自动查询扩展在模型中进行协作特征定位

与他人合作是信息搜索过程中的一个主要主题。然而，大多数现有的解决软件维护或演化过程中特征位置的工作不支持协作，或者它们专注于将代码作为主要的软件工件。因此，迄今为止，模型中的协作特征定位并未受到太多关注。在这项工作中，我们通过提出一种方法 CoFLiM 来解决这个问题，该方法使多位领域专家能够协作以定位目标特征的模型片段。CoFLiM 使用领域专家的特征描述和他们的自评置信水平在单个查询中自动重新表述相关特征描述。该查询指导我们的方法的进化算法，该算法找到正在定位的特征的模型片段。我们在来自我们的工业合作伙伴的真实案例研究中评估 CoFLiM。我们分析了 CoFLiM 在召回率、精度和 F 度量方面的影响。此外，我们将 CoFLiM 的重新制定与四个基线进行了比较。我们还进行了统计分析，以表明结果的影响是显着的。我们的结果表明，协作在模型中特征的位置方面得到了回报。结果还表明，自评置信水平可用于定位模型中的特征。最后，结果表明，当涉及三个以上的领域专家时，没有显着的改进，这在那些领域专家稀缺的工业环境中是相关的。我们在来自我们的工业合作伙伴的真实案例研究中评估 CoFLiM。我们分析了 CoFLiM 在召回率、精度和 F 度量方面的影响。此外，我们将 CoFLiM 的重新制定与四个基线进行了比较。我们还进行了统计分析，以表明结果的影响是显着的。我们的结果表明，协作在模型中特征的位置方面得到了回报。结果还表明，自评置信水平可用于定位模型中的特征。最后，结果表明，当涉及三个以上的领域专家时，没有显着的改进，这在那些领域专家稀缺的工业环境中是相关的。我们在来自我们的工业合作伙伴的真实案例研究中评估 CoFLiM。我们分析了 CoFLiM 在召回率、精度和 F 度量方面的影响。此外，我们将 CoFLiM 的重新制定与四个基线进行了比较。我们还进行了统计分析，以表明结果的影响是显着的。我们的结果表明，协作在模型中特征的位置方面得到了回报。结果还表明，自评置信水平可用于定位模型中的特征。最后，结果表明，当涉及三个以上的领域专家时，没有显着的改进，这在那些领域专家稀缺的工业环境中是相关的。和 F 度量。此外，我们将 CoFLiM 的重新制定与四个基线进行了比较。我们还进行了统计分析，以表明结果的影响是显着的。我们的结果表明，协作在模型中特征的位置方面得到了回报。结果还表明，自评置信水平可用于定位模型中的特征。最后，结果表明，当涉及三个以上的领域专家时，没有显着的改进，这在那些领域专家稀缺的工业环境中是相关的。和 F 度量。此外，我们将 CoFLiM 的重新制定与四个基线进行了比较。我们还进行了统计分析，以表明结果的影响是显着的。我们的结果表明，协作在模型中特征的位置方面得到了回报。结果还表明，自评置信水平可用于定位模型中的特征。最后，结果表明，当涉及三个以上的领域专家时，没有显着的改进，这在那些领域专家稀缺的工业环境中是相关的。结果还表明，自评置信水平可用于定位模型中的特征。最后，结果表明，当涉及三个以上的领域专家时，没有显着的改进，这在那些领域专家稀缺的工业环境中是相关的。结果还表明，自评置信水平可用于定位模型中的特征。最后，结果表明，当涉及三个以上的领域专家时，没有显着的改进，这在那些领域专家稀缺的工业环境中是相关的。