 | Monter d'un niveau |
Maxime LamotheDépartement de génie informatique et génie logiciel
Voir sa fiche dans le Répertoire des Expertises de Polytechnique Montréal
Réseau de collaborationCe graphique trace les liens entre tous les collaborateurs des publications de Maxime Lamothe figurant sur cette page.
Chaque lien représente une collaboration sur la même publication. L'épaisseur du lien représente le nombre de collaborations.
Utilisez la molette de la souris ou les gestes de défilement pour zoomer à l'intérieur du graphique.
Vous pouvez cliquer sur les noeuds et les liens pour les mettre en surbrillance et déplacer les noeuds en les glissant.
Enfoncez la touche "Ctrl" ou la touche "⌘" en cliquant sur les noeuds pour ouvrir la liste des publications de cette personne.
Nuage de motsUn nuage de mots est une représentation visuelle des mots les plus fréquemment utilisés dans un texte ou un ensemble de textes. Les mots apparaissent dans différentes tailles, la taille de chaque mot étant proportionnelle à sa fréquence d'apparition dans le texte. Plus un mot est utilisé fréquemment, plus il apparaît en grand dans le nuage de mots. Cette technique permet de visualiser rapidement les thèmes et les concepts les plus importants d'un texte.
Dans le contexte de cette page, le nuage de mots a été généré à partir des publications de l'auteur Maxime Lamothe. Les mots présents dans ce nuage proviennent des titres, résumés et mots-clés des articles et travaux de recherche de cet auteur. En analysant ce nuage de mots, vous pouvez obtenir un aperçu des sujets et des domaines de recherche les plus récurrents et significatifs dans les travaux de cet auteur.Le nuage de mots est un outil utile pour identifier les tendances et les thèmes principaux dans un corpus de textes, facilitant ainsi la compréhension et l'analyse des contenus de manière visuelle et intuitive.
Ghadesi, A., Lamothe, M., & Li, H. (2024). What causes exceptions in machine learning applications? Mining machine learning-related stack traces on Stack Overflow. Empirical Software Engineering, 29, 107 (37 pages). Lien externe
Ghadesi, A., Li, H., & Lamothe, M. (2023). What Causes Exceptions in Machine Learning Applications? Mining Machine Learning-Related Stack Traces on Stack Overflow [Ensemble de données]. Lien externe
Gallaba, K., Lamothe, M., & McIntosh, S. (mai 2022). Lessons from eight years of operational data from a continuous integration service: An exploratory case study of CircleCI [Communication écrite]. IEEE/ACM 44th International Conference on Software Engineering (ICSE 2022), Pittsburgh, PA, USA. Lien externe
Gauthier, I. X., Lamothe, M., Mussbacher, G., & McIntosh, S. (novembre 2021). Is Historical Data an Appropriate Benchmark for Reviewer Recommendation Systems? : AA Case Study of the Gerrit Community [Communication écrite]. 36th IEEE/ACM International Conference on Automated Software Engineering (ASE 2021), Melbourne, Australia. Lien externe
Kazemi, F., Lamothe, M., & McIntosh, S. (2024). Characterizing the Prevalence Distribution and Duration of Stale Reviewer Recommendations. IEEE Transactions on Software Engineering, 3422369 (14 pages). Lien externe
Kazemi, F., Lamothe, M., & McIntosh, S. (2024). Replication Package and Online Appendix for "Characterizing the impact, distribution, and duration of stale reviewer recommendations" [Ensemble de données]. Lien externe
Kazemi, F., Lamothe, M., & McIntosh, S. (2022). Dataset of the study "Exploring the Notion of Risk in Reviewer Recommendation" [Ensemble de données]. Lien externe
Kazemi, F., Lamothe, M., & McIntosh, S. (octobre 2022). Exploring the Notion of Risk in Code Reviewer Recommendation [Communication écrite]. IEEE International Conference on Software Maintenance and Evolution (ICSME 2022), Limassol, Cyprus. Lien externe
Lamothe, M., Shang, W., & Chen, T.-H. P. (2022). A3: Assisting Android API Migrations Using Code Examples. IEEE Transactions on Software Engineering, 48(2), 417-431. Lien externe
Lamothe, M., Li, H., & Shang, W. (2022). Assisting Example-based API Misuse Detection via Complementary Artificial Examples. IEEE Transactions on Software Engineering, 48(9), 3410-3422. Lien externe
Lamothe, M., Gueheneuc, Y. G., & Shang, W. (2021). A Systematic Review of API Evolution Literature. ACM Computing Surveys, 54(8), 1-36. Lien externe
Lamothe, M. (juin 2020). Bridging the divide between API users and API developers by mining public code repositories [Communication écrite]. 42nd ACM/IEEE International Conference on Software Engineering, Seoul, South Korea. Lien externe
Lamothe, M., & Shang, W. (juin 2020). When APIs are intentionally bypassed [Communication écrite]. 42nd ACM/IEEE International Conference on Software Engineering, Seoul, South Korea. Lien externe
Lamothe, M., & Shang, W. (mai 2018). Exploring the use of automated API migrating techniques in practice [Communication écrite]. 15th International Conference on Mining Software Repositories, Gothenburg, Sweden. Lien externe
Meidani, M., Lamothe, M., & McIntosh, S. (2023). Assessing the exposure of software changes: The DiPiDi approach. Empirical Software Engineering, 28(2), 36 pages. Lien externe
Oueslati, K., Laberge, G., Lamothe, M., & Khomh, F. (2024). Mining Action Rules for Defect Reduction Planning. Proceedings of the ACM on Software Engineering, 1(FSE), 2309-2331. Disponible
Qin, Q., Li, H., Merlo, E., & Lamothe, M. (2025). Automated, Unsupervised, and Auto-parameterized Inference of Data Patterns and Anomaly Detection [Ensemble de données]. Lien externe
Quach, S., Lamothe, M., Kamei, Y., & Shang, W. (2021). An empirical study on the use of SZZ for identifying inducing changes of non-functional bugs. Empirical Software Engineering, 26(4). Lien externe
Quach, S., Lamothe, M., Adams, B., Kamei, Y., & Shang, W. (2021). Evaluating the impact of falsely detected performance bug-inducing changes in JIT models. Empirical Software Engineering, 26(5). Lien externe
Robillard, M. P., Arya, D. M., Ernst, N. A., Guo, J. L. C., Lamothe, M., Nassif, M., Novielli, N., Serebrenik, A., Steinmacher, I., & Stol, K.-J. (2024). Communicating Study Design Trade-offs in Software Engineering. ACM Transactions on Software Engineering and Methodology, 33(5), 112 (10 pages). Lien externe
Wen, R., Lamothe, M., & McIntosh, S. (mai 2022). How does code reviewing feedback evolve?: A longitudinal study at Dell EMC [Communication écrite]. IEEE/ACM 44th International Conference on Software Engineering: Software Engineering in Practice (ICSE 2022), Pittsburgh, PA, USA. Lien externe
Zeng, Z., Xiao, T., Lamothe, M., Hata, H., & McIntosh, S. (2024). How Trustworthy is Your CI Accelerator? A Comparison of the Trustworthiness of CI Acceleration Products. IEEE Software, 3395616 (6 pages). Lien externe
Zeng, Z., Xiao, T., Lamothe, M., Hata, H., & McIntosh, S. (avril 2024). A Mutation-Guided Assessment of Acceleration Approaches for Continuous Integration: An Empirical Study of YourBase [Communication écrite]. 2024 IEEE/ACM 21st International Conference on Mining Software Repositories (MSR 2024), Lisbon, Portugal. Lien externe
Zeng, Z., Xiao, T., Lamothe, M., Hata, H., & McIntosh, S. (2023). Online appendix. Zenodo (CERN European Organization for Nuclear Research). Lien externe
Zhang, H., Tang, Y., Lamothe, M., Li, H., & Shang, W. (2022). Studying logging practice in test code. Empirical Software Engineering, 27(4), 83 (45 pages). Lien externe
