[Paper] OpenDORS: 공개적으로 인용된 오픈 연구 소프트웨어 데이터셋

Source: arXiv - 2512.01570v1

Overview

이 논문은 OpenDORS라는 대규모 공개 큐레이션 데이터셋을 소개한다. 이 데이터셋은 134 k 이상의 연구 소프트웨어 프로젝트를 이를 인용한 학술 논문과 연결한다. 저장소 메타데이터(라이선스, 언어, 버전 정보)를 대규모로 집계함으로써, 저자들은 연구 소프트웨어 엔지니어링(RSE) 실천에 대한 정량적 연구를 위한 구체적인 기반을 커뮤니티에 제공한다.

Key Contributions

• 대규모, 공개 데이터셋: 134 352개의 고유 연구‑소프트웨어 프로젝트와 134 154개의 오픈‑액세스 논문에 언급된 소스‑코드 저장소를 포함.
• 풍부한 저장소별 메타데이터(최신 릴리스, 라이선스, 주요 프로그래밍 언어, README, CITATION.cff, CODE_OF_CONDUCT와 같은 설명 파일 존재 여부).
• 논문과 소프트웨어 간 연결을 제공하여 연구 주장과 정확히 사용된 코드 버전 사이의 추적성을 가능하게 함.
• 데이터셋에 대한 통계적 개요(예: 언어 분포, 라이선스 인기) 제공, 향후 RSE 분석을 위한 기준선 역할.
• 허용적인 라이선스 하에 오픈‑소스 공개, 재사용·확장·커뮤니티 기여를 장려.

Methodology

1. 문헌 수집 – 저자들은 주요 저장소(예: arXiv, PubMed Central)에서 오픈‑액세스 논문을 수집하고, 코드 호스팅 플랫폼(GitHub, GitLab, Bitbucket 등)으로 연결되는 URL을 추출했다.
2. 중복 제거 및 정규화 – 여러 논문에 동일하게 나타나는 저장소 URL을 하나로 합쳐 고유 소프트웨어 프로젝트 집합을 만든다.
3. 메타데이터 추출 – 각 저장소에 대해 호스팅 플랫폼 API를 이용해 최신 커밋을 검사하고 다음 정보를 수집한다:
   • 현재 버전 태그 또는 릴리스 이름
   • SPDX 호환 라이선스 식별자
   • 플랫폼이 보고한 주요 프로그래밍 언어
   • 일반 메타데이터 파일(README, CITATION.cff, LICENSE, CONTRIBUTING.md) 존재 여부
4. 데이터셋 구성 – 각 레코드는 인용 논문의 DOI, 저장소 URL, 추출된 메타데이터를 저장한다. 전체 컬렉션은 CSV/JSON 파일과 간편한 쿼리를 위한 작은 Python 라이브러리와 함께 제공된다.

이 파이프라인은 완전 자동화되어 있어 새로운 논문이 등장할 때마다 데이터셋을 손쉽게 갱신할 수 있다.

Results & Findings

• 커버리지 – 134 352개의 서로 다른 소프트웨어 프로젝트가 134 154개의 저장소와 연결되어 있다. 대부분의 논문은 단일 저장소를 인용하지만, 일부는 여러 저장소를 인용한다.
• 라이선스 – 저장소의 60 % 이상이 허용적인 라이선스(MIT, BSD, Apache 2.0)를 사용하고, 약 15 %는 GPL 계열 라이선스를 사용한다. 나머지는 명확한 라이선스 선언이 없다.
• 언어 현황 – Python이 가장 많이 사용되며(≈ 45 %), 뒤이어 R, Java, C/C++ 순이다. 이는 연구에서 데이터 과학 및 통계 컴퓨팅이 널리 쓰이는 현상을 반영한다.
• 메타데이터 채택 – CITATION.cff 파일을 포함한 저장소는 약 30 %에 불과해, 소프트웨어에 대한 공식 인용 가이드가 아직 드물다는 점을 보여준다.
• 버전 관리 – 프로젝트의 절반 정도만 명시적인 릴리스 태그를 가지고 있으며, 나머지는 기본 master/main 브랜치를 사용하고 있어 재현성을 저해할 수 있다.

이러한 기술 통계만으로도 (예: 라이선스 누락, 인용 파일 부족) RSE 학자들이 향후 연구에서 다룰 수 있는 격차를 드러낸다.

Practical Implications

• 재현성 감사 – 개발자는 자신의 프로젝트를 데이터셋과 교차 확인해 라이선스, 인용 파일, 버전 릴리스 등 커뮤니티 표준을 충족하는지 점검할 수 있다.
• RSE 도구 – 메타데이터를 활용해 저장소에 라이선스가 없거나 인용 메타데이터가 부족한 경우 경고하는 대시보드를 구축함으로써 빠른 개선을 유도할 수 있다.
• 정책·펀딩 – 펀딩 기관은 데이터셋을 이용해 오픈 사이언스 요구사항(예: 필수 라이선스, 소프트웨어 인용) 준수 여부를 벤치마크할 수 있다.
• 검색·발견 – Zenodo, Figshare와 같은 플랫폼이 OpenDORS를 통합하면 가장 많이 인용된 연구 소프트웨어를 노출시켜, 개발자가 검증된 코드베이스를 찾아 활용하기 쉬워진다.
• 머신러닝 분석 – 구조화된 데이터는 소프트웨어 진화, 언어 채택 추세, 라이선스 선택이 인용 수에 미치는 영향 등을 대규모로 모델링하는 데 활용될 수 있다.

요컨대, OpenDORS는 흩어져 있던 “소프트웨어 언급”을 검색 가능한 지식 그래프로 전환하여 개발자, 저장소 관리자, 연구 관리자가 실질적인 행동을 취할 수 있게 만든다.

Limitations & Future Work

• 오픈‑액세스 편향 – 데이터셋은 자유롭게 접근 가능한 논문만 포함하므로, 유료 논문에 인용된 소프트웨어는 누락되어 분야별 커버리지가 왜곡될 수 있다.
• 저장소 범위 – 주요 호스팅 서비스에 공개된 URL만 수집했으며, 자체 호스팅이나 기관 저장소는 누락될 가능성이 있다.
• 정적 스냅샷 – 파이프라인을 재실행할 수는 있지만, 현재 공개된 버전은 정적인 스냅샷이다. 지속적인 통합이 이루어져야 진정한 최신 분석이 가능하다.
• 메타데이터 깊이 – 현재 추출은 고수준 필드에 머물며, 테스트 커버리지나 CI 상태와 같은 심층 코드 품질 지표는 향후 확장의 대상이다.

저자들은 소스 범위를 확대하고, 동적 품질 지표를 추가하며, 커뮤니티가 데이터셋을 지속적으로 최신 상태로 유지하고 활용할 수 있도록 실시간 API 제공을 목표로 하고 있다.

Authors

• Stephan Druskat
• Lars Grunske

Paper Information

• arXiv ID: 2512.01570v1
• Categories: cs.SE, cs.DL
• Published: December 1, 2025
• PDF: Download PDF