기존 시스템의 모듈 구조를 개선하는 것은 주로 (1) 소프트웨어 모듈화(software modularization)와 (2) 리팩토링 기회로서 설계 문제(예: 스멜(smells))를 식별하는 것을 통해 상당한 연구적 관심을 끌어왔습니다. 그러나 두 접근 방식 모두 효과적인 개선을 유도하기에는 비실용적인 경우가 많습니다. 앞서 언급한 두 가지 접근 방식에서 영감을 얻어, 우리의 이전 연구에서는 추가적인 검토가 필요한 결함이 있는 아키텍처 결정을 식별하기 위해 쌍별 모듈러 스멜(Pairwise Modular Smell, 또는 PairSmell)이라고 불리는 새롭고 실용적인 아키텍처 스멜을 도입했습니다. 본 연구의 목적은 쌍(pair)의 특성 관점에서 PairSmell을 설명하는 것입니다. 이를 위해, 우리는 먼저 두 엔티티(entity) 간의 관계를 나타내기 위해 문헌에서 사용되어 온 19가지 쌍 특성(pair characteristics)을 수집하고 합성하기 위해 신속한 검토(rapid review)를 수행합니다. 수집된 특성들은 11개의 오픈 소스 Java 프로젝트에서 추출한 6,135,000개 이상의 엔티티 쌍으로 구성된 큐레이션된 데이터셋을 기반으로, 두 가지 형태의 PairSmell인 부적절하게 분리된 쌍(inapt separated pairs, InSep)과 부적절하게 함께 배치된 쌍(inapt collocated pairs, InCol)을 예측하기 위한 머신러닝 (machine learning) 모델을 학습시키는 데 사용됩니다. 학습된 모델은 베이스라인(baselines) 대비 ROC-AUC에서 최대 58.6%의 향상을 달성했습니다. 모델의 해석 결과, InSep에 가장 영향력 있는 특징은 나가는 의존성(out-going dependencies), 타인과 공유되는 용어(terms shared with others), 그리고 선언된 필드(declared fields)인 반면, InCol의 경우 tf-idf 기반의 의미적 유사성(semantic similarity), 쌍 사이에서 공유되는 용어(terms shared between the pair), 타인과 공유되는 용어(terms shared with others), 그리고 들어오는 의존성(in-going dependencies)을 포함하는 것으로 나타났습니다. 우리는 영향력 있는 쌍 특성이 PairSmell의 발생에 어떻게 영향을 미치는지 설명하기 위해 일련의 실질적인 예시들로 연구를 보완합니다.