Understanding the Building Blocks of Accountability in Software Engineering
本研究通过访谈12人，识别出软件工程中塑造个人问责制的两种形式：制度化问责与草根问责，后者由同伴期望和内在动机驱动，促进集体责任感。
2024-02-02 cs.SE
Summarising Big Data: Common GitHub Dataset for Software Engineering Challenges
在开源软件开发环境中，研究人员对生成的文本、数字和基于关系的数据感兴趣。各种数据集可用于该数据，其经常用于诸如软件工程和自然语言处理的领域。然而，由于这些数据集包含了环境中的所有数据，因此问题出现在TB级的数据处理中。因此，几乎所有使用GitHub数据的研究都根据某些标准使用过滤后的数据。在这种情况下，在每项研究中使用不同的数据集使得比较研究的准确性变得非常困难。为了解决这个问题，我们创建了一个公共数据集，并与研究人员共享，这将使我们能够解决许多软件工程问题。
2020-06-08 cs.SE
Empathy Guidelines for Improving Practitioner Well-being & Software Engineering Practices
Monash University（蒙纳士大学）；Monash Centre for Health Research and Implementation, Monash Health（蒙纳士健康研究与实施中心，蒙纳士健康）
本文提出17条共情指南，旨在通过提升从业者福祉和改进软件工程实践，促进可持续的共情应用。
2026-01-16 cs.SE
Keeping Models and Code in Sync: Roundtrip Engineering for Tactical Domain-Driven Design
Karlsruhe Institute of Technology（卡尔斯鲁厄理工学院）；esentri AG（esentri股份公司）
本文提出面向战术DDD的双向同步工具链JDomInO，可保持Java代码库与领域模型同步，其正向路径已在酒店管场景验证，反向路径通过单元测试，还可作为AI代码助手的精准上下文层。
2026-08-07 cs.SE
Story Arena: A Multi-Agent Environment for Envisioning the Future of Software Engineering
本文提出 Story Arena 多智能体环境，让多个持有不同立场的 AI 智能体通过对话形成共同愿景，并协作创作设计虚构作品《信任之代码》，以叙事方式探索人机共创软件工程的未来。
2025-11-07 cs.HC cs.SE
Methodological Harness in Agentic Software Engineering: An Empirical Study on Mining Software Repositories
Universidad Politécnica de Madrid（马德里理工大学）
本研究基于AIDev数据集中的5,435个GitHub仓库，实证验证了智能体软件工程中八机制方法论约束框架的可观察性，发现机制采用以孤立形式为主，集成系统罕见。
2026-09-29 cs.SE
A project-based course on software development for (engineering) research
本文介绍了一个为期10周的研究生课程，教开发研究软件的做法的动机和设计，虽然由工程项目提供，内容广泛适用于任何领域的科学研究，软件可能会被开发。课程中教授的主题包括本地和远程版本控制，许可和版权，结构化Python模块，测试和测试覆盖率，持续集成，打包和分发，开放科学，软件引用和再现性基础知识等。讲座由课堂活动和讨论补充，所有课程材料都通过GitHub公开共享。课程作业主要基于一个单一的，为期一个学期的项目，学生单独开发一个针对自己的研究课题的软件包;所有的贡献必须作为拉请求提交，并由其他学生审查/合并。该课程最初于2018年春季开设，有17名学生入学，并将于2019年春季再次授课。
2019-06-13 cs.SE
The Replication Assessment Problem in Software Engineering
University College London（伦敦大学学院）；Brunel University of London（伦敦布鲁内尔大学）；Ministry of Justice（司法部）
该研究针对软件工程复制研究评估标准不明确不一致的问题，通过系统综述找到10项研究，分析发现显著异质性，进而提出基于多方面考量的有原则框架，能减少模糊性、提高可比性，助力可靠证据积累。
2026-07-16 cs.SE
Why and How to Balance Alignment and Diversity of Requirements Engineering Practices in Automotive
在大型汽车公司中，各种需求工程（RE）实践在团队中使用。RE实践体现在需求信息模型（RIM）中，RIM定义了应该为需求捕获什么概念和信息。需要来自组织不同部门的从业者的协作来定义合适的RIM，该RIM平衡对单个团队中的不同实践的支持与共享视图和系统级别上的团队支持所需的一致性。对于这项具有挑战性的任务，没有任何指导。本文提出了一种混合方法的研究，以检查的作用，RIMs在平衡对齐和多样性的RE实践在四个汽车公司。我们的分析是基于系统工程工具的数据，11个半结构化访谈，以及一项调查，以验证调查结果和建议。我们发现，在定义RIM时，平衡可再生能源实践的一致性和多样性是很重要的。我们进一步调查了实现这种平衡的推动因素以及从业者为实现这种平衡而采取的行动。从这些因素中，我们得出并评估了在实践中管理RIM的建议，这些建议考虑了需求的生命周期，并允许在早期开发中跨子学科进行多样化的实践，同时强制执行接近发布的需求的一致性。
2020-01-06 cs.SE
Introducing High School Students to Version Control, Continuous Integration, and Quality Assurance
针对软件工程教学起步晚的问题，本文记录了面向有AP计算机科学基础的高中生设计小组项目，教授版本控制、持续集成等技能，使其能为开源科学计算项目编写有效自动化测试的实践经验。
2023-10-05 cs.SE
DevOps and Microservices in Scientific System development
现代软件工程和科学计算在科学信息系统开发中存在着差距。从历史上看，软件工程方法被认为是计算科学家在科学系统开发中不想要的偶然复杂性。最近的趋势，如摩尔定律的终结和随后硬件平台的多样化，加上科学本身越来越多的多学科性，加剧了这个问题，因为自学成才的“最终用户开发人员”不熟悉解决这种增加的复杂性所需的学科。从更积极的方面来看，敏捷编程方法已经接近软件开发实践，以生产科学软件的方式。在这项工作中，我们介绍了一个多年行业研究项目的经验，其中应用了敏捷方法，微服务和DevOps。我们的目标是验证一个假设，即微服务的使用将允许计算科学家以他们喜欢的更简约的面向原型的方式工作，而软件工程团队将处理集成。因此，科学的多学科系统将以双重方式获益：（i）主题专家（SME）使用他们首选的工具来开发系统的特定科学部分;（ii）软件工程师为系统交付提供高质量的软件代码。
2021-12-22 cs.CE cs.SE
An Empirical Study on Developers Shared Conversations with ChatGPT in GitHub Pull Requests and Issues
本研究通过分析GitHub PR和问题中共享的ChatGPT对话，揭示了开发者寻求帮助的16种咨询类型、多轮对话模式及角色特定贡献，为理解人机协作开发提供了实证基础。
2024-03-15 cs.SE
BACKUS: Comprehensive High-Performance Research Software Engineering Approach for Simulations in Supercomputing Systems
高性能计算（HPC）平台通过采用研究软件工程（RSE）技术，使科学软件在许多研究领域（如物理学、生物学和化学）中实现突破。这些包括1）新颖的并行范例，如共享内存并行主义（例如，使用OpenMP 4.5）;分布式存储器架构（例如MPI 4）;将它们组合在一起的混合并行性;以及异构并行性2）引入先进的软件工程概念，如面向对象的并行编程（OOP）、并行单元测试、并行I/O接口;混合并行可视化; 3）在其他必要领域选择最佳实践，如用户界面;自动文档;版本控制和项目管理。在这项工作中，我们提出了一种综合性的高性能研究软件工程方法在超级计算系统中的模拟，我们发现它最适合于长寿命的并行科学代码。
2019-10-14 cs.DC cs.SE
Bridging the Research-Practice Gap in Requirements Engineering through Effective Teaching and Peer Learning
在本文中，我们介绍了研究实践差距的概念，因为它是在软件需求工程领域的看法。对这一差距的分析表明，研究与实践差距的两个主要原因是缺乏有效的沟通和大学课程中要求工程材料的覆盖面相对较低。我们讨论了软件需求工程（SRE）硕士课程的设计和交付，旨在克服一些问题，造成了研究实践的差距。通过鼓励学生在同伴学习环境中分享他们的经验，我们的目标是提高学生（其中许多人是当前的行业从业者）和研究人员（包括学术人员）之间的共同理解，以提高有效合作的潜力，同时发展入学学生的需求工程技能。学生在课程中的反馈进行了讨论，并为课程的未来发展和学习策略的方向。
2014-07-16 cs.CY cs.SE
Proceedings 7th International Workshop on Formal Methods and Analysis in Software Product Line Engineering
在软件产品线工程（Software Product Line Engineering，SPLE）中，类似系统的组合是从一组共享的软件资产开发的。SPLE声称的好处包括减少组合规模、软件开发成本和生产时间，以及提高交付系统的质量。然而，尽管有这些好处，SPLE仍处于早期采用阶段。我们相信，为SPLE活动提供更好支持的自动化方法、工具和技术可以进一步促进其在实践中的采用，并增加其效益。为了促进这一领域的工作，FMSPLE'16研讨会重点关注自动化分析和形式化方法，这可以（1）进一步提高开发生产力，减少与SPLE工件管理相关的维护成本，（2）为交付系统的正确性和质量提供可靠的保证。
2016-03-28 cs.FL cs.SE
Literature Review to Collect Conceptual Variables of Scenario Methods for Establishing a Conceptual Scenario Framework
近几十年来，场景和基于CORBA的软件/系统工程已被积极地用作处理复杂问题、验证需求和支持涉众沟通的基本工具。然而，尽管场景的广泛使用，对于工程师来说，更愿意利用基于场景的工程方法（即，在他们的项目中使用场景方法。首先，“情景”一词有许多已公布的定义，因此缺乏对情景和情景方法的公认的共同理解。其次，工程师开发或使用场景的概念基础缺失。为了建立共同的理解并找到场景方法的共同点，本研究利用定义良好的元建模和概念化，系统地调查所分析的概念并定义核心实体及其关系。通过半系统的文献回顾，收集概念变量并将其概念化为概念元模型。因此，本研究根据情景方法的4个结构层次，引入了情景变量（SV）来表示情景描述的结构/语义。为了评估定义变量的可理解性和适用性，我们分析了五种现有的场景方法及其在自动驾驶系统（ADS）领域的实例。结果表明，我们的概念模型和它的组成情景变量充分支持的情景方法的理解，并提供了一种手段，不同的情景方法之间的比较分析。
2022-05-17 cs.SE
Practical relevance of software engineering research: Synthesizing the community's voice
软件工程（SE）研究应该与工业实践相关。自20世纪80年代以来，SE社区一直在定期讨论这个问题，由Robert Glass等先驱领导。当我们最近通过了“软件工程50年“的里程碑时，最近在这个方向上做出了一些积极的努力，例如，在几次SE会议上建立“工业”轨道。然而，许多研究人员和从业人员认为，我们作为一个社区，仍然在努力与研究的相关性和实用性。本文的目的是综合迄今为止在SE社区中关于这一主题的证据和基于经验的意见，并鼓励社区进一步反思研究相关性并采取行动。为此，我们对54个系统选择的来源（论文和非同行评审文章）进行了多声音文献综述（MLR）。MLR不是依赖和考虑每个来源中提到的关于研究相关性的个人意见，而是旨在综合和提供关于该主题的“整体”观点。我们的MLR发现的重点如下。在社区中讨论的低相关性的三大根本原因是：（1）研究人员在实践中对SE有简单化的看法（或错误的假设）;（2）缺乏与行业的联系;（3）错误识别研究问题。提高研究相关性的三大建议是：（1）使用适当的研究方法，如行动研究;（2）选择相关的研究问题;（3）与产业合作。通过综合迄今为止关于这一重要主题的所有讨论，本文旨在鼓励社区进一步讨论和行动，以加强我们的集体努力，提高研究的相关性。
2020-01-21 cs.SE
Software Engineering in the Agent Era From Trustworthy Change to Human Agent Software Organizations
Faculty of Computing Harbin Institute of Technology（哈尔滨工业大学计算机学院）
本文针对智能体时代软件工程中可扩展执行的管控问题，提出含可信变更、责任拓扑、人机单元的框架，明确权威为分类轴并推导相关影响，贡献理论构建与操作化方法。
2026-09-07 cs.SE
Attributes to Support the Formulation of Practically Relevant Research Problems in Software Engineering
本文通过研讨会评估了七个属性在制定实际相关软件工程研究问题中的重要性，并提出了改进方法。
2025-12-14 cs.SE
Spec-Driven Development for Agentic Software Engineering: Harnessing Human-Agent Teamwork
Universidad Politécnica de Madrid（马德里理工大学）
针对智能体软件工程的生产率悖论，本文提出规范驱动开发（SDD），构建相关模型、管控机制及人机交互模式，为团队级智能体软件工程提供支撑规范。
2026-09-02 cs.SE
Beyond Self-Promotion: How Software Engineering Research Is Discussed on LinkedIn
本研究定量和定性调查了软件工程从业者和研究人员在LinkedIn上的公开讨论，发现大量帖子由非作者撰写且工业界评论占主导，据此为双方提出促进科学传播的具体建议。
2024-01-04 cs.CY cs.SE
Classification of Natural Language Processing Techniques for Requirements Engineering
University of Manchester（曼彻斯特大学）；Al-Imam Mohammed ibn Saud Islamic University（伊玛目·穆罕默德·本·沙特伊斯兰大学）；Consiglio Nazionale delle Ricerche（意大利国家研究委员会）；Higher Colleges of Technology（高等技术学院）
将自然语言处理（NLP）技术应用于需求工程（RE）任务的研究跨越了40多年，从20世纪80年代的最初努力到最近的机器学习（ML）和深度学习（DL）技术的尝试。然而，尽管取得了进展，我们最近的调查表明，仍然缺乏系统的理解和组织RE中常用的NLP技术。我们认为，该行业面临的一个障碍是缺乏对NLP技术及其在RE任务中的使用的共享知识。在本文中，我们提出了我们的努力，综合和组织57个最常用的自然语言处理技术在RE。我们将这些NLP技术分为两种方式：第一，根据它们在典型管道中的NLP任务，第二，根据它们的语言分析水平。我们相信这两种分类方法是互补的，有助于更好地理解自然语言处理技术在RE和这样的理解是至关重要的，更好的自然语言处理工具的RE的发展。
2022-04-08 cs.CL cs.SE
A Conceptual UX-aware Model of Requirements
用户体验（UX）对于软件产品的成功变得越来越重要。然而，许多公司在使用UX时仍然面临各种挑战。这些挑战的一部分与用户体验的知识和意识不足有关，并且当前的用户体验模型通常不实用，也不能很好地集成到现有的软件工程（SE）模型和概念中。因此，我们提出了一个概念性的用户体验感知模型的软件开发从业人员的需求。这个分层模型显示了用户体验与功能和质量需求之间的相互关系。该模型是基于当前的用户体验模型和软件质量特征。通过该模型，我们突出了各种需求类型之间的主要差异，特别是本质上主观和偶然主观的质量要求。我们还提出了通过与12个从业者和研究人员的访谈，该模型的初步验证的结果。我们的研究结果表明，该模型可以提高从业者的知识和意识的用户体验，特别是在需求和测试活动。它还可以促进不同背景的利益相关者之间与用户体验相关的沟通。
2016-06-28 cs.HC cs.SE
Aleena: Alignment Agent for Research Software Engineering Collaborations
eScience Institute（eScience研究院）；University of Washington（华盛顿大学）
研究软件协作中决策易失依据致相关人员心智模型不同，提出智能AI可支持对齐与跟踪。介绍开源的Aleena，以GitHub为协作平台，转化交互为结构化记录，揭示风险等，还阐述其动机、设计、原型及场景。
2026-07-10 cs.AI cs.SE
SyncMind: Measuring Agent Out-of-Sync Recovery in Collaborative Software Engineering
University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；Northwestern University（西北大学）
提出 SyncMind 框架与含 24,332 个实例的 SyncBench 基准，系统评估 LLM 智能体在协作软件工程中的失步恢复、协作意愿及资源感知能力。
2025-06-09 cs.AI cs.CL cs.SE
Agyn: A Multi-Agent System for Team-Based Autonomous Software Engineering
Mila – Quebec AI Institute (e-Lab)（魁北克AI研究所（e-Lab））；Tel-Aviv, Israel（特拉维夫，以色列）
Agyn提出了一种基于团队结构的多智能体系统，通过模拟工程团队的组织过程和协作方法，实现自主软件工程任务的高效处理。
2026-02-07 cs.AI cs.SE
AgentForge: Execution-Grounded Multi-Agent LLM Framework for Autonomous Software Engineering
International Research Center for Complexity Sciences（复杂科学国际研究中心）；Hangzhou International Innovation Institute（杭州国际创新研究院）；Beihang University（北京航空航天大学）；College of Science, Mathematics and Technology（科学、数学与技术学院）；Wenzhou-Kean University（温州-凯恩大学）；Fakulti Teknologi Maklumat dan Komunikasi（信息技术与通信学院）；Universiti Teknikal Malaysia Melaka（马来西亚Melaka理工大学）；Computer Systems Engineering Department（计算机系统工程系）；Sukkur IBA University（苏库尔IBA大学）；University of Electronic Science and Technology of China（电子科学与技术大学）
AgentForge通过引入执行验证原则，提升代码正确性验证，实现40.0%的SWE-BENCH Lite解决率，优于单智能体基线。
2026-04-13 cs.AI cs.SE
Applying Inter-rater Reliability and Agreement in Grounded Theory Studies in Software Engineering
近年来，应用扎根理论对经验型软件工程进行定性研究的现象越来越多。扎根理论（GT）是一种基于理论采样，编码，常数比较，记忆和饱和度作为主要特征，从定性数据中归纳迭代地发展理论的技术。大型或有争议的GT研究可能涉及多个研究人员的协作编码，这需要一种严格性和共识，而单个编码人员则不需要。虽然许多定性研究人员拒绝定量措施，赞成其他定性标准，但许多其他人致力于通过评分员间可靠性（IRR）和/或评分员间协议（IRA）技术来衡量共识，以发展对所研究现象的共同理解。然而，在GT的迭代过程中，没有关于如何以及何时应用IRR/IRA的具体指导方针，因此多年来研究人员一直使用临时方法。本文提出了一个过程，系统地应用IRR/IRA GT的研究，满足迭代性质的定性研究方法，这是支持以前的系统文献综述应用IRR/RA GT研究在软件工程。这一过程允许研究人员逐步产生一个理论，同时确保对支持它的结构达成共识，从而提高定性研究的严谨性。这种形式化有助于研究人员在编码过程中使用不同的评分者时将IRR/IRA应用于GT研究。衡量评分者之间的共识可以促进研究的可沟通性、透明度、自反性、可复制性和可信度。
2021-07-23 cs.SE stat.ME
Empirical Study on the Software Engineering Practices in Open Source ML Package Repositories
York University（约克大学）；École Polytechnique de Montréal（蒙特利尔高等理工学院）；Queen’s University（皇后大学）
人工智能（AI），特别是机器学习（ML）的最新进展已经引入了各种实际应用（例如，虚拟个人助理和自动驾驶汽车），增强日常用户的体验。然而，像深度学习这样的现代机器学习技术需要大量的技术专业知识和资源来开发、训练和部署这些模型，这使得有效地重用机器学习模型成为必要。实践者和研究人员的这种发现和重用正在由公共ML包存储库解决，该存储库将预先训练的模型捆绑到包中以供发布。由于这类储存库是最近才出现的现象，因此没有关于其现状和挑战的经验数据。因此，本文进行了一项探索性研究，分析了两个流行的ML包存储库TFHub和PyTorch Hub的结构和内容，比较了它们的信息元素（功能和策略），包组织，包管理器功能和使用上下文与流行的软件包存储库（npm，PyPI和CRAN）。通过这些研究，我们确定了共享ML包的独特SE实践和挑战。这些发现和影响对于打算使用这些共享ML包的数据科学家，研究人员和软件开发人员来说非常有用。
2020-12-08 cs.AI 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
Authoring Agent Skills: A Software-Engineering Approach
University College London（伦敦大学学院）
研究如何编写智能体技能，遵循软件工程原则，以Claude Code为参考实现阐述技能结构等，与其他塑造智能体行为机制比较并给出选择规则，还介绍评估驱动编写过程等，为智能体技能编写提供方法。
2026-07-29 cs.AI cs.SE
The Future of Generative AI in Software Engineering: A Vision from Industry and Academia in the European GENIUS Project
Akkodis Germany Solutions GmbH（德国Akkodis解决方案公司）；University of Hildesheim（希尔德斯海姆大学）；University of Innsbruck（因斯布鲁克大学）；Bilkent University（比尔肯特大学）；King’s College London（伦敦国王学院）
本文基于欧洲GENIUS项目提出GenAI驱动软件工程的愿景，系统梳理SDLC各阶段应用挑战，展望未来五年技术方法进展与专业人员角色转变，并强调通过实用工具和工业验证推动可靠、可扩展的产业级解决方案。
2025-11-06 cs.AI cs.SE
SWE-Hub: A Unified Production System for Scalable, Executable Software Engineering Tasks
Qianfan Team, Baidu Inc.（百度公司）
SWE-Hub通过统一的生产系统解决软件工程任务中可执行、可扩展和现实数据的稀缺问题，整合环境自动化、大规模合成和多样化任务生成，实现持续交付可执行任务。
2026-02-28 cs.AI cs.SE
SWE-Nexus: Automated Composition of Software Engineering Tasks from Test Execution
National University of Singapore（新加坡国立大学）；Shanghai Artificial Intelligence Laboratory（上海人工智能实验室）；Tsinghua University（清华大学）
该研究提出SWE-Nexus自动化流水线，通过测试执行构建仓库级软件工程任务，基于105个仓库的600个任务基准评估模型，最佳配置单次解决37.8%任务，可实现跨变更的验证行为组合。
2026-10-16 cs.AI cs.SE
SEntiMoji: An Emoji-Powered Learning Approach for Sentiment Analysis in Software Engineering
Peking University（北京大学）；University of Michigan（密歇根大学）
情感分析在软件工程（SE）中有各种应用场景，比如检测提交消息中开发人员的情绪，识别他们在问答论坛上的观点。然而，常用的开箱即用的情感分析工具不能获得可靠的结果，对技术术语的误解被证明是主要原因。然后，研究人员必须利用标记的SE相关文本，通过各种算法定制SE任务的情感分析。然而，稀缺的标记数据只能覆盖非常有限的表达式，因此不能保证分析质量。为了解决这个问题，我们求助于容易获得的表情符号使用数据。更具体地说，我们采用情绪表情符号作为情绪的嘈杂标签，并提出了一种表示学习方法，使用包含表情符号的推文和GitHub帖子来学习SE相关文本的情感感知表示。这些带有表情符号标签的帖子不仅可以提供技术术语，还可以包含跨领域共享的更一般的情感模式。它们以及标记数据用于学习最终的情感分类器。与现有的情感分析方法相比，该方法在典型的基准数据集上有显著的改进。通过进一步的对比实验，我们发现推文对我们的方法的力量做出了关键贡献。这一发现告诉未来的研究不要单方面追求特定领域的资源，而是试图通过无处不在的信号（如表情符号）从开放领域转化知识。
2019-07-04 cs.CL cs.SE
AI for Requirements Engineering: Industry adoption and Practitioner perspectives
Department of Computer Science（计算机科学系）；Engineering Chalmers University of Technology（查尔姆斯理工大学）；University of Gothenburg, Sweden（戈尔丁大学）
本文通过调查55位从业者，发现AI在需求工程中已广泛采用且以人机协作（HAIC）为主，指出AI应作为协作伙伴而非替代人类，并呼吁建立RE专用HAIC框架与负责任治理。
2025-11-05 cs.AI cs.HC cs.SE
Lessons Learned from the Use of Generative AI in Engineering and Quality Assurance of a WEB System for Healthcare
Universidade Federal do Rio de Janeiro (UFRJ)（巴西里约热内卢联邦大学）
本文分享了在医疗保健Web系统开发中应用生成式AI的经验，涵盖项目管理到质量保证全过程，为软件组织利用AI提升开发实践与软件质量提供了宝贵见解。
2025-11-01 cs.AI cs.ET 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
