Earticle

초록

영어

The increasing complexity of software systems leads to the accumulation of technical debt, causing quality degradation and higher maintenance costs. This study proposes a method for assessing and predicting technical debt by integrating quantitative code metrics with developer feedback. A scoring model that combines static analysis data and subjective evaluations was developed, and machine learning algorithms were applied to predict the likelihood of technical debt occurrence. Experiments on open-source Java projects demonstrated that the XGBoost model achieved the best performance with an AUC of 0.91. The proposed framework effectively supports proactive technical debt management, refactoring prioritization, and maintenance strategy planning. This research contributes to improving software quality by providing an interpretable and scalable data-driven approach for technical debt assessment.

한국어

소프트웨어 시스템의 복잡성 증가는 기술 부채 누적을 초래하며, 품질 저하와 유지보수 비용 증가의 원인이 된다. 본 연구는 정량적 코드 메트릭과 개발자 피드백을 통합한 지표로 기술 부채를 평가하고 예측하는 방안을 제안한다. 정적 분석 데이터와 주관적 판단을 결합한 점수화 모델을 구축하고, 머신러닝 알고리즘으로 기술 부채 발생 가능성을 예측한다. 오픈소스 Java 프로젝트 실험 결과, XGBoost가 AUC 0.91로 가장 우수한 성능을 보였 다. 제안된 프레임워크는 기술 부채의 선제적 관리, 리팩토링 우선순위 결정, 유지보수 전략 수립에 효과적이다. 본 연구는 해석 가능하고 확장성 있는 데이터 기반 기술 부채 평가 방법을 통해 소프트웨어 품질 향상에 기여한다.

목차

요약
Abstract
1. 서론
1.1 연구 배경 및 필요성
1.2 연구 목적
2. 관련 연구
2.1 기술 부채 평가 방법
2.2 기술 부채 예측 기법
2.3 머신러닝 응용 사례
3. 기술 부채 평가 프레임워크 설계
3.1 연구 차별성 및 설계 방향
3.2 평가 지표 정의
3.3 스코어링 알고리즘 설계
3.4 위험 분류 체계 구축
3.5 머신러닝 예측 모델 구조 비교
4. 기술 부채 예측 모델 개발
4.1 데이터셋 구축
4.2 특징 추출 및 전처리
4.3 예측 모델 학습
5. 실증 분석 및 결과 평가
5.1 실험 환경 및 대상 프로젝트
5.2 예측 성능 평가
5.3 기존 방법과의 비교 평가
5.4 적용 가능성 및 한계
6. 결론 및 향후 연구
6.1 연구 요약
6.2 한계점 및 향후 과제
REFERENCES

키워드

기술 부채 소프트웨어 품질 스코어링 시스템 머신러닝 위험 예측 정적 분석 Technical Debt Software Quality Scoring System Machine Learning Risk Prediction Static Analysis

저자

• 오영규 [ Young-Kyu Oh | 국립공주대학교 컴퓨터공학과 박사과정 ]
• 김재웅 [ Jae-Woong Kim | 국립공주대학교 소프트웨어학과 교수 ] Corresponding Author

참고문헌

발행기관

간행물