Sonarlizer xplorer: a tool to mine github projects and identify technical debt items using SonarQube (2022)
- Authors:
- USP affiliated authors: LEJBMAN, ALFREDO GOLDMAN VEL - IME ; PINA, DIOGO DE JESUS - IME
- Unidade: IME
- DOI: 10.1145/3524843.3528098
- Assunto: ENGENHARIA DE SOFTWARE
- Keywords: technical debt identifier; metric analyzer; public projects mining; Github; SonarQube
- Agências de fomento:
- Language: Português
- Imprenta:
- Source:
- Título: Proceedings
- Conference titles: International Conference on Technical Debt - TechDebt
- Status:
- Artigo possui versão em acesso aberto em repositório (Green Open Access)
- Acessar versão aberta:
-
ABNT
PINA, Diogo e GOLDMAN, Alfredo e SEAMAN, Carolyn. Sonarlizer xplorer: a tool to mine github projects and identify technical debt items using SonarQube. 2022, Anais.. New York: ACM, 2022. Disponível em: https://doi.org/10.1145/3524843.3528098. Acesso em: 20 mar. 2026. -
APA
Pina, D., Goldman, A., & Seaman, C. (2022). Sonarlizer xplorer: a tool to mine github projects and identify technical debt items using SonarQube. In Proceedings. New York: ACM. doi:10.1145/3524843.3528098 -
NLM
Pina D, Goldman A, Seaman C. Sonarlizer xplorer: a tool to mine github projects and identify technical debt items using SonarQube [Internet]. Proceedings. 2022 ;[citado 2026 mar. 20 ] Available from: https://doi.org/10.1145/3524843.3528098 -
Vancouver
Pina D, Goldman A, Seaman C. Sonarlizer xplorer: a tool to mine github projects and identify technical debt items using SonarQube [Internet]. Proceedings. 2022 ;[citado 2026 mar. 20 ] Available from: https://doi.org/10.1145/3524843.3528098 - Technical debt prioritization: a developer's perspective
- Technical debt prioritization: taxonomy, methods results, and practical characteristics
- Effects of technical debt awareness: a classroom study
- Technical debt prioritization: methods, techniques, and a large exploratory study
- Gerenciando dívida técnica: estado atual e novas propostas em métodos de medida
- The influence of organizational factors on inter-team knowledge sharing effectiveness in agile environments
- Improving the performance of actor model runtime environments on multicore and manycore platforms
- Towards automatic actor pinning on multi-core architectures
- A simple BSP-based model to predict execution time in GPU applications
- A comparison of GPU execution time prediction using machine learning and analytical modeling
Informações sobre a disponibilidade de versões do artigo em acesso aberto coletadas automaticamente via oaDOI API (Unpaywall).
Por se tratar de integração com serviço externo, podem existir diferentes versões do trabalho (como preprints ou postprints), que podem diferir da versão publicada.
Download do texto completo
| Tipo | Nome | Link | |
|---|---|---|---|
 |
3123457.pdf |
How to cite
A citação é gerada automaticamente e pode não estar totalmente de acordo com as normas
