Infusion of Blockchain to Establish Trustworthiness in AI Supported Software Evolution: A Systematic Literature Review
Concordia University(康科迪亚大学)
本文通过系统文献综述探讨了区块链在提升AI支持的软件演进中可信度的作用,指出需建立可衡量的可信度框架以确保安全和合规的AI驱动软件生态系统。
2026-02-02 cs.SE
The AI Attribution Paradox: Transparency as Social Strategy in Open-Source Software Development
Texas Tech University(德克萨斯理工大学)
研究探讨了AI在开源软件开发中的归因策略,揭示开发者如何平衡透明度与社区反应,发现归因策略影响社区接受度和规范演变。
2025-11-30 cs.HC cs.SE
An Empirical Study on Compliance with Ranking Transparency in the Software Documentation of EU Online Platforms
University of Zurich(苏黎世大学);University of Namur(那慕尔大学)
本文实证评估六大平台排名透明度文档的P2B合规差异,并提出基于ChatGPT与信息检索的自动评估工具,验证其可作为可靠的人工判断替代方案。
2024-01-23 cs.AI cs.SE
Use as Directed? A Comparison of Software Tools Intended to Check Rigor and Transparency of Published Work
本文比较11种自动化工具在ScreenIT组9项严谨性标准上的表现,发现单一工具与工具组合各有优势,并为工具开发者和利益相关者提出改进建议。
2025-07-23 cs.IR cs.SE
State of the Practice for GIS Software
我们提出了一个可重复的方法来分析在给定的科学领域的软件开发实践的状态,并将此方法应用到地理信息系统(GIS)。该分析是基于一组30个GIS产品使用的模板,56个问题的基础上,13个软件的质量。这些产品的范围和用途从完整的桌面GIS系统到独立工具,再到编程库/包。产品的最终排名是使用层次分析法(AHP)确定的,这是一种多标准决策方法,侧重于产品之间的相对比较,而不是直接测量质量。结果显示,一些GIS软件的正确性,可维护性,透明度和可重复性的关注。作为对地理信息系统界的反馈,提出了三项建议:1)确保每个项目都有一个需求说明文档,2)提供丰富的支持方法,如IRC(Internet Relay Chat)通道,新问题的Stack Exchange标签,或打开支持请求的问题跟踪器,以及更传统的基于电子邮件的方法,以及,3)设计产品网站以实现最大的透明度(开发过程),对于开源项目,提供开发人员指南。
2018-02-09 cs.SE
Bridging the Gap on AI-Assisted Scientific Software Development Through Transparency and Traceability
Idaho National Laboratory(爱达荷国家实验室)
本文探讨了在严格软件质量保证背景下如何负责任地使用人工智能辅助科学软件开发,提出了一种结构化框架用于AI辅助的验证与验证案例开发,以确保软件质量。
2026-07-29 cond-mat.mtrl-sci cs.SE
Testing Machine Translation via Referential Transparency
ETH Zurich(苏黎世联邦理工学院)
由于深度神经网络的进步,机器翻译软件近年来取得了快速发展。人们在日常生活中经常使用机器翻译软件,比如在外国餐馆点菜,接受外国医生的医疗诊断和治疗,以及在网上阅读国际政治新闻。然而,由于底层神经网络的复杂性和棘手性,现代机器翻译软件仍然远远不够强大,可能会产生糟糕或错误的翻译;这可能导致误解,经济损失,人身安全和健康威胁以及政治冲突。为了解决这个问题,我们引入参考透明输入(RTI),一个简单的,广泛适用的方法来验证机器翻译软件。引用透明输入是一段文本,当在不同的上下文中使用时,它应该有类似的翻译。我们的实际实现,纯度,检测时,这个属性被打破的翻译。为了评估RTI,我们使用Purity对Google翻译和Bing微软翻译进行了200个未标记句子的测试,分别检测到123个和142个错误翻译,准确率分别为79.3%和78.3%。翻译错误是多种多样的,包括翻译不足,过度翻译,单词/短语误译,不正确的修改和逻辑不清的例子。
2021-02-28 cs.CL cs.SE
Software Development with Scrum: A Bibliometric Analysis and Profile
在软件工程中引入的软件开发方法改变了软件开发的方式。Sourcing方法强调最终用户的积极参与,拥抱变化,以及产品的迭代交付。我们的研究表明,Sodium有不同的变体或与不同的方法结合使用。一些在传统软件方法中通常不使用的工具,如游戏化,内容分析和扎根理论也被采用。然而,与其他软件开发方法一样,软件开发方法关注于软件过程、软件质量、商业价值、性能、可用性和效率的改进,同时降低成本、风险和不确定性。与一些传统方法相反,它还努力提高灵活性,信任,动机,责任和透明度等软因素。文献计量学的综合范围研究揭示了七个主要的研究主题,涉及到科学研究。
2021-03-01 cs.SE
Trust in Software Supply Chains: Blockchain-Enabled SBOM and the AIBOM Future
本文针对SBOM共享中的数据篡改和披露顾虑,提出区块链赋能的可验证凭证选择性披露架构,并将SBOM扩展至AI系统提出AIBOM概念,以保障现代关键基础设施中软件与AI供应链的安全。
2024-01-18 cs.SE
Trustworthy Transparency by Design
针对数据保护与数据系统间的冲突,提出一个将透明度融入软件设计的透明度框架,并在三个月焦点小组研究中验证了其可用性、可信度及对用户的赋能效果。
2023-05-19 cs.HC cs.SE
Responsible AI in the Software Industry: A Practitioner-Centered Perspective
本研究以软件从业者为中心,通过25人半结构化访谈,调研负责任AI原则在软件工程中的实践现状与挑战,发现公平性等原则受关注较多,透明度、问责制受关注不足,需更完善的框架推动其全面落地。
2024-12-10 cs.SE
A Roadmap for Software Testing in Open Collaborative Development Environments
本文综述了开放协作开发环境中软件质量保证的最新进展,分析了过程管理、人员动态和技术进步,并探讨了LLMs等新兴技术带来的挑战与机遇,为未来研究奠定基础。
2024-12-20 cs.SE
Towards Automated Data Integration in Software Analytics
软件组织希望能够根据最新的可用数据集以及从中获得的实时分析做出决策。为了支持软件组织的“实时企业”,并为不同的利益相关者提供信息透明性,我们整合了关于软件分析的异构数据源,如静态代码分析、测试结果、问题跟踪系统、网络监控系统等,以处理底层数据源的异构性,我们在本文中遵循基于本体的数据集成方法,并定义了一个本体,该本体捕获用于软件分析的相关数据的语义。此外,我们专注于这样的数据源的集成,提出了两种方法:静态和动态的。我们首先讨论了当前的静态方法与一组预定义的分析视图表示软件质量因素,并进一步设想如何将此过程自动化,以动态构建自定义用户分析使用半自动平台管理的分析基础设施的生命周期。
2018-08-16 cs.SE
Optimized Fuzzy Logic Based Framework for Effort Estimation in Software Development
在项目开发的早期阶段进行软件工作量估算,对于满足当今世界的竞争需求具有重要意义。努力估计的准确性、可靠性和精确性是十分可取的。算法模型(如建设性成本模型(COCOMO))的输入中存在的固有不精确性会导致输出中的不精确性,从而导致错误的工作量估计。基于模糊逻辑的成本估计模型本质上适合于解决输入中的模糊性和不精确性,以进行可靠和准确的工作估计。在本文中,我们提出了一个优化的模糊逻辑为基础的软件开发工作量预测框架。所述框架容忍不精确性,结合专家知识,通过规则解释预测原理,在预测系统中提供透明度,并且可以随着新数据的可用性而适应不断变化的环境。传统的成本估算模型COCOMO在拟议的研究中扩展,将未来的概念纳入规模的测量,项目的发展模式和成本驱动因素有助于整体发展努力。
2010-04-19 cs.SE
Towards Accountability for Machine Learning Datasets: Practices from Software Engineering and Infrastructure
Google(谷歌)
对人工智能系统的社会影响的日益关注激发了对更大透明度和问责制的需求。然而,赋予机器学习权力的数据集经常被使用、共享和重用,而对导致其创建的审议过程几乎没有可见性。在构思数据集时,哪些利益攸关方群体的观点被纳入其中?关于如何对子群和其他现象建模,咨询了哪些领域专家?如何衡量和解决代表性偏见的问题?是谁给数据贴上标签的?在本文中,我们介绍了一个严格的数据集开发透明度框架,支持决策和问责制。该框架利用数据集开发的周期性、基础设施和工程性质,从软件开发生命周期中汲取最佳实践。数据开发生命周期的每个阶段都会产生一组文档,这些文档有助于改善沟通和决策,并提请注意仔细数据工作的价值和必要性。拟议的框架旨在通过使数据集创建中经常被忽视的工作变得可见,从而有助于缩小人工智能系统中的问责制差距。
2021-01-30 cs.CY cs.DB cs.LG
Increased security through open source
在本文中,我们讨论了开源对软件系统的安全性和透明度的影响。我们专注于这个问题的更多技术方面,结合和扩展多年来发展的论点。我们强调,我们对这个问题的讨论只适用于通用计算系统的软件。对于嵌入式系统,其中软件通常不能容易地修补或升级,可能需要考虑不同的因素。
2008-01-25 cs.CR cs.CY cs.SE
XMENTOR: A Rank-Aware Aggregation Approach for Human-Centered Explainable AI in Just-in-Time Software Defect Prediction
University of Saskatchewan(萨斯喀彻温大学)
XMENTOR通过整合多种事后解释方法,提升开发者对缺陷预测模型的信任与可解释性,减少混淆和认知负担。
2026-03-26 cs.SE
How to Measure Performance in Agile Software Development? A Mixed-Method Study
本研究通过快速文献综述与单案例焦点小组的混合方法,明确敏捷软件开发绩效指标应用的挑战,构建常用指标库并给出实践与研究启示,以提升指标应用成功率。
2024-07-08 cs.SE
Interacting with AI Reasoning Models: Harnessing "Thoughts" for AI-Driven Software Engineering
Singapore Management University(新加坡管理大学);Osaka University(大阪大学)
本文提出构建AI推理模型与软件工程师交互的愿景,通过集成自动摘要、假设验证和多模型冲突解决的研究路线图,帮助工程师过滤噪声、快速验证假设并解决推理冲突,从而提升决策效率与信任度。
2025-03-01 cs.AI cs.HC cs.SE
Ensuring Robustness in ML-enabled Software Systems: A User Survey
Deakin University(迪肯大学);RMIT University(皇家墨尔本理工大学);Monash University(蒙纳士大学)
针对支持ML的软件系统面临的静默故障、OOD数据等鲁棒性挑战,提出整合多项保障机制的ML-On-Rails协议,结合从业者调研验证其价值并指出未来优化方向。
2025-10-21 cs.SE
From Issues to Insights: RAG-based Explanation Generation from Software Engineering Artifacts
University of Cologne(科隆大学);University of Duisburg-Essen(杜伊斯堡-埃森大学)
本文首次应用RAG方法从问题跟踪数据生成解释,实现90%的人工解释一致性,展示了结构化问题数据在提升软件系统可解释性方面的潜力。
2026-01-09 cs.SE
Making AI Visible, Not Vanished: How AI Policies Reshape Developer Experience on GitHub
University of California, Irvine(加州大学尔湾分校);Colorado State University(科罗拉多州立大学)
本研究通过分析29624个GitHub代码库,提出TRACE框架,发现AI治理主要规范而非禁止AI辅助开发,强调透明度与责任性的政策效果更优。
2026-08-05 cs.SE
Research Artifacts in Secondary Studies: A Systematic Mapping in Software Engineering
University of Helsinki(赫尔辛基大学);Dalhousie University(达尔豪斯大学)
本文通过系统映射分析了2013-2023年间537项二次研究中研究物的报告情况,发现仅31.5%的研究包含研究物,但随时间推移有所提升,2023年仍有62%的研究提供研究物,但永久存储的比例较低。
2026-04-16 cs.SE
Extracting Rationale for Open Source Software Development Decisions -- A Study of Python Email Archives
健全的决策(DM)过程是软件项目成功治理的关键。在许多开源软件开发(OSSD)社区中,DM过程隐藏在大量公开可用的数据中。隐藏在这些数据中的是导致软件产品进化和维护的决策的基本原理。虽然有一些努力,提取DM过程中公开可用的数据,决策背后的理由是如何作出的很少被探讨。提取这些决定的理由可以促进透明度(通过使其公开),并促进决策者的问责制。这项工作通过一项大规模的研究弥合了这一差距,该研究从Python开发电子邮件档案(包括约150万封电子邮件)中挖掘了决策背后的基本原理。本文有两个主要贡献。首先,它通过发掘和提出所作决定背后的基本原理来提供知识。其次,它通过提出一个基于逻辑的基本原理提取系统(称为Rationale Miner)来做出方法论贡献,该系统采用多个逻辑,并遵循数据驱动的自下而上的方法来推断特定决策背后的基本原理(例如,新模块是基于核心开发者的共识还是基于仁慈的独裁者的声明来实现的)。我们的方法可以适用于提取其他OSSD社区,具有类似的治理结构的理由。
2021-02-10 cs.SE
Objectives and Key Results in Software Teams: Challenges, Opportunities and Impact on Development
本文通过访谈47人并调查4000余名工程师,研究大型软件公司中目标设定与OKR实践,发现中层管理者和工程师态度是关键,并提出改进数据、透明度、沟通及推广的建议。
2023-11-01 cs.SE
Generative Artificial Intelligence for Software Engineering -- A Research Agenda
本文通过文献综述和焦点小组研究,提出面向软件工程的生成式人工智能研究议程,识别出11个领域的78个开放研究问题,指出当前研究偏重实现与维护,并强调需求、设计和教育等方向亟待深入探索。
2023-10-28 cs.SE
The history and future prospects of open data and open source software
“面向所有纽约人的开放数据”是纽约市开放数据网站的口号。西方世界的大多数国家都在提倡开放政府。政府的透明度水平是通过其在线公共存储库共享的数据量来衡量的。此外,开源软件在政府、学术界和工业界得到推广。这是本世纪新的数字故事,也是技术之神与用户之间的新约。数据和软件开放将重新定义前进的道路,并旨在重新点燃我们的集体智慧。数据和软件开放可以重新定义数据民主,并成为其进步的催化剂。本章提供了对数据和软件开放性的历史洞察,开始,英雄,未来的前景,以及所有我们不能谈判或失去的事情。
2021-08-03 cs.SE cs.SI
LLM-Assisted Empirical Software Engineering: Systematic Literature Review and Research Agenda
Virginia Commonwealth University(弗吉尼亚联邦大学);University of Salerno(萨莱诺大学);Singapore Management University(新加坡管理大学)
本文通过系统文献综述分析了大语言模型在实证软件工程中的应用,揭示了其在数据处理和分析中的集中使用,指出了自动化驱动但缺乏人机协同的局限性,并提出未来研究方向。
2026-04-29 cs.SE
Continuous Analysis: Evolution of Software Engineering and Reproducibility for Science
针对科研可复现性受复杂系统制约、存在危机的问题,本文提出拓展DevOps生命周期的持续分析概念,通过版本控制等机制提升科研结果可靠性,推动领域透明协作与发展。
2024-11-04 cs.CE cs.SE
Integrating Energy Efficiency into Software Development: Developer Perspectives and Requirements
FH Aachen University of Appl. Sci.(亚琛应用科学大学)
研究软件开发人员对能源效率的看法及对相关工具的需求障碍,通过访谈和分析得出,能源效率在日常开发中作用不明确,节能多通过性能优化间接实现,还明确了障碍与工具支持要求,为相关工具设计提供见解。
2026-07-27 cs.SE
Should I Get Involved? On the Privacy Perils of Mining Software Repositories for Research Participants
挖掘软件存储库(MSR)是一种基于证据的方法,它将数据交叉链接,以揭示有关软件系统的可操作信息。软件工程中的实证研究经常利用MSR技术,因为它们允许研究人员揭示软件开发中的问题和缺陷,以便分析导致这些问题和缺陷的不同因素。因此,依靠关于被挖掘的存储库和源的细粒度信息(例如,服务器名称和贡献者的身份)对于MSR研究的可重复性和透明度至关重要。然而,这也可能对参与者的隐私造成威胁,因为他们的身份可能与有缺陷/次优的编程实践(例如,代码气味、不正确的文档),反之亦然。此外,这可以扩展到密切的合作者和社区成员,从而导致“因关联而有罪”。这份立场文件旨在开始讨论间接参与MSR调查,关于共享非汇总数据的“隐私与效用”的二分法,以及其对参与者参与的隐私限制和道德考虑的影响。
2022-02-24 cs.IR cs.SE
Self-Admitted GenAI Usage in Open-Source Software
Kyushu University(九州大学);Nara Institute of Science and Technology(奈良先端科学技术大学院大学);University of Bari(巴里大学);Singapore Management University(新加坡管理大学);University of Osaka(大阪大学);Shinshu University(信州大学);Heidelberg University(海德堡大学)
本文研究了生成式人工智能在开源软件中的使用,通过分析20万多个GitHub仓库,发现1292次自认使用记录,揭示开发者在项目中主动管理AI使用的需求。
2026-04-05 cs.SE
A Quality Model for Actionable Analytics in Rapid Software Development
背景资料:在快速软件开发(RSD)中,收集有关软件产品、过程和使用前景的相关数据,以及集成和分析这些数据,对于获得可靠和及时的可操作见解至关重要,这些见解旨在持续管理软件质量。在这种情况下,近年来开发了一些软件分析工具。然而,缺乏软件从业者信任的可解释的软件分析。目的:我们的目标是创建一个质量模型(称为Q-Rapids质量模型),用于RSD中的可操作分析,实施它,并评估其可理解性和相关性。方法:我们在四家公司进行了研讨会,以确定相关指标以及产品和工艺因素。我们还引出了这些指标和因素是如何使用和解释从业者在RSD决策时。我们通过比较和整合四个研讨会的结果来指定Q-Rapids质量模型。然后,我们实施了Q-Rapids工具,以支持Q-Rapids质量模型的使用以及所需数据的收集、集成和分析。之后,我们在四家公司安装了Q-Rapids工具,并与八位产品所有者进行了半结构化访谈,以评估Q-Rapids质量模型的可理解性和相关性。结果如下:评价参与者认为Q-Rapids质量模型的指标以及产品和过程因素是可以理解的。此外,他们认为Q-Rapids质量模型与识别产品和过程缺陷(例如,阻塞代码情况)。结论:通过异构数据源,Q-Rapids质量模型能够检测需要花费更多时间手动查找的问题,并增加系统、流程和使用方面的透明度。
2018-06-22 cs.SE
Open Data Ecosystems -- an empirical investigation into an emerging industry collaboration concept
软件系统越来越依赖于数据,特别是随着机器学习的使用越来越多,开发人员正在寻找新的数据源。开放数据生态系统(Open Data Ecosystems,ODE)是一个新兴的概念,用于软件生态系统中公共许可下的数据共享,类似于开源软件(Open Source Software,OSS)。它与开放政府数据(OGD)有一定的相似之处,公共机构共享数据以实现创新和透明度。我们的目标是探索涉及商业参与者的开放数据生态系统。因此,我们组织了五个焦点小组,来自22家公司,公共组织和研究机构的27名从业人员。基于这些结果,我们调查了三个新兴的ODE实践案例,以进一步理解这些概念并验证初步发现。主要成果是一个初始的概念模型的ODE的价值,本质,治理和进化,并提出了实践和进一步研究。我们发现,ODE必须是价值驱动的。关于数据的本质,我们发现它们的类型,元数据和法律框架对其开放性有影响。我们还发现,生态系统的启动,组织,数据采集和开放性的特点是分化,我们建议研究和实践考虑。
2021-09-03 cs.SE
A Procedure and Guidelines for Analyzing Groups of Software Engineering Replications
背景:来自不同团体和机构的研究人员正在通过复制的方式合作建立实验组(即,进行分组复制)。不同的聚合技术被应用于分析组的复制。应用不合适的技术来聚合复制结果可能会破坏复制组从实验结果中提供深入见解的潜力。目标:提供一个包含一组嵌入式指南的分析过程,以聚合软件工程(SE)复制结果。方法:比较SE与医学、药理学等其他成熟实验学科的重复组特征。鉴于他们的差异,限制与联合数据分析的SE复制组和成熟的实验学科提供的指导方针,以分析组的复制,我们建立了一个分析程序与一组嵌入式的指导方针,专门为分析组的SE复制。我们提出的分析程序,以说明其使用的一组代表性的SE复制。结果:在聚合复制结果期间,应利用原始数据中包含的所有信息。我们提出的分析程序,鼓励使用分层的个人参与者数据和聚合数据串联分析组的SE复制。结论:用于分析重复组的聚合技术在研究文章中应该是合理的。这将提高联合成果的可靠性和透明度。拟议中的指导方针应该会减轻这一努力。
2020-04-11 cs.SE
Towards Engineering Fair and Equitable Software Systems for Managing Low-Altitude Airspace Authorizations
Iowa State University(爱荷华州立大学);University of Notre Dame(圣母大学)
本研究调查利益相关者对自动化无人机交通管理授权系统的看法,发现飞行特性和环境条件最受重视,并强调透明度与公平性对系统设计的重要性。
2024-02-03 cs.AI cs.LG cs.SE
Rethinking People Analytics With Inverse Transparency by Design
针对员工数据缺乏监督的问题,提出通过设计实现反向透明的人员分析方法,经开发者与用户研究验证,该方法可行且能提升员工赋权感。
2023-07-26 cs.HC cs.SE
The Role of Code Proficiency in the Era of Generative AI
本文倡导以白箱方法研究生成式AI代码与开发者技能的对齐,以确保软件在AI快速集成下仍可检查、可适应且可信赖。
2024-04-08 cs.SE
Operationalising Artificial Intelligence Bills of Materials (AIBOMs) for Verifiable AI Provenance and Lifecycle Assurance
本文提出了一种扩展CycloneDX标准的AIBOM框架,用于捕捉AI特定的溯源、模型血统和披露元数据,通过结构化架构工程、密码学验证和智能体驱动自动化,实现可验证的软件溯源,展示了98.7%的可重复性保真度、96.2%的漏洞匹配精度和63%的手动监督减少,验证了自动化溯源保证和可重复AI生命周期验证的可行性。
2026-03-17 cs.AI cs.CR cs.LG
The Software Diversity Card: A Framework for Reporting Diversity in Software Projects
Barcelona Supercomputing Center, BSC-CNS(巴塞罗那超级计算中心);Luxembourg Institute of Science and Technology(卢森堡科学与技术研究所);University of Luxembourg(卢森堡大学)
针对软件项目多样性报告缺失问题,提出软件多样性卡片框架,通过文献综述和GitHub仓库分析,设计建模语言与工具包,并在真实项目中验证,以支持多样性实践与评估。
2025-10-28 cs.CY cs.HC cs.SE
Beyond Final Code: A Process-Oriented Error Analysis of Software Development Agents in Real-World GitHub Scenarios
本文通过分析3977个解决阶段轨迹和3931个测试阶段日志,揭示了软件开发代理在解决GitHub问题时的错误模式,发现Python执行错误与较低的解决率和更高的推理开销相关,并识别了影响基准公平性的三个bug。
2026-04-09 cs.AI cs.SE
Software for Distributed Computation on Medical Databases: A Demonstration Project
将分布式医疗数据库中潜在的信息汇集在一起,通过利用丰富的特征集(包括患者特征和接受的治疗)实现可靠、稳定的结果建模,有望实现个性化医疗护理。然而,由于缺乏本体的标准化、隐私问题、对数据的专有态度以及不愿意放弃对最终用途的控制,医疗数据的聚合存在障碍。模型拟合并不总是需要数据聚合。在基于最大化可能性的模型中,计算可以是分布式的,聚合仅限于对本地数据而不是原始数据的计算的中间结果。分布式拟合对于奇异值分解也是可能的。已经就特定应用程序的共享计算的技术方面开展了工作,但很少公布支持共享计算的“社交网络”方面以减少协作障碍所需的软件。我们描述了一组软件工具,允许快速组装的协作计算项目,基于灵活和可扩展的R统计软件和其他开源软件包,可以在异构的数据库环境集合中工作,完全透明,让当地官员关注隐私保护,以验证该方法的安全性。我们描述的原则,架构,并成功的测试结果为站点分层Cox模型和秩k奇异值分解(SVD)。
2017-02-10 cs.MS cs.SE stat.CO
Revisiting Software Engineering Education in the Era of Large Language Models: A Curriculum Adaptation and Academic Integrity Framework
本文提出一个理论框架,分析生成式AI如何改变软件工程能力,并推动教育模式向过程透明度转变,以应对大语言模型时代教育与实践的不匹配问题。
2026-01-18 cs.AI cs.SE
A Gray Literature Study on Fairness Requirements in AI-enabled Software Engineering
University of Calgary(卡尔加里大学)
本文通过灰色文献研究,探讨了AI赋能软件工程中公平性要求的定义、管理及违反后果,强调需建立一致框架以整合公平性。
2025-12-08 cs.AI cs.SE
Empirical Evaluation of AI-Assisted Software Package Selection: A Knowledge Graph Approach
Computer Science, Utrecht University, Utrecht, The Netherlands Michel Chaudron Department of Mathematics;Computer Science, TU Eindhoven, Eindhoven, The Netherlands
本研究将软件包选择建模为多准则决策问题,提出数据驱动框架PySelect,利用知识图谱和LLM提升推荐质量,实验验证其优于生成式AI基线。
2025-08-06 cs.AI cs.SE
Reconsidering Requirements Engineering: Human-AI Collaboration in AI-Native Software Development
Faculty of Information Technology, University of Jyväskylä(信息技术学院,约赫斯库利亚大学)
本文探讨AI原生软件开发中AI对传统需求工程的增强路径,分析其带来的机遇与挑战,呼吁践行AI伦理并加强产学研协作,打造可信实用的AI解决方案。
2025-10-05 cs.AI cs.HC cs.SE
Generative AI for Software Architecture. Applications, Challenges, and Future Directions
University of Oulu, Finland(奥卢大学);Tampere University, Finland(塔尔库大学);University of Arizona, USA(亚利桑那大学);Software Engineering Research Center, IIIT Hyderabad, India(IIIT Hyderabad软件工程研究中心)
本文通过多声文献综述系统分析了生成式AI在软件架构中的应用、挑战与未来方向,发现其主要用于架构决策支持和重建,但仍面临精度、伦理及评估框架等挑战。
2025-06-27 cs.AI cs.DC cs.ET