SmartDelta Methodology: Automated Quality Assurance and Optimization for Incremental System Engineering
本文介绍SmartDelta项目提出的SmartDelta方法论，一种领域无关的增量管理概念，通过六个阶段识别工程差距并发现新工具，同时展示七个工具实例。
2025-02-26 cs.SE
A Retrieval-Augmented Automated Stakeholder for Requirements Elicitation Education: A Comparative Study
King Saud University（沙特国王大学）
本研究针对需求工程教育中角色扮演受资源限制及LLM幻觉问题，采用基于LangChain的检索增强生成模拟干系人，实验表明其能提升需求获取问题质量与特征识别完整性。
2026-09-14 cs.SE
Automated Testing of the GUI of a Real-Life Engineering Software using Large Language Models
本文提出GERALLT系统，利用大型语言模型自动测试真实工程软件GUI，生成潜在不直观和不一致界面问题列表，经真实用例评估，能有效支持软件开发团队。
2025-05-23 cs.SE
Reporting LLM Prompting in Automated Software Engineering: A Guideline Based on Current Practices and Expectations
University of Duisburg-Essen（杜伊斯堡-埃森大学）；University of Cologne（科隆大学）；Monash University（蒙纳士大学）
本文提出了一项基于当前实践和期望的指南，旨在提高LLM在自动化软件工程中的透明度、可重复性和方法学严谨性。
2026-01-05 cs.SE
Explanation by Automated Reasoning Using the Isabelle Infrastructure Framework
在本文中，我们提出了使用交互式定理证明可解释的机器学习。在提出我们的主张后，我们说明了它的专用应用程序的解释安全攻击使用的伊莎贝尔基础设施框架及其过程中的可靠性工程。这个正式的框架和过程提供了规范和建模的逻辑。通过Isabelle基础架构中的规范和证明来说明对系统安全性的攻击。现有的案例研究的可靠性工程在伊莎贝尔作为可行性研究，以说明如何不同方面的解释所涵盖的伊莎贝尔基础设施框架。
2021-12-29 cs.SE
Prompt Engineering or Fine-Tuning: An Empirical Assessment of LLMs for Code
本文实证比较 GPT-4 的三种提示策略与 17 个微调模型在代码摘要、生成和翻译任务上的表现，并结合用户研究评估人类反馈的作用。
2025-02-19 cs.SE
From Rookie to Pro: Social Engineering LLMs for Automated Vulnerability Exploitation in Enterprise Software
SnT, University of Luxembourg（卢森堡大学 S&TT 研究中心）；University Cheikh Anta Diop（谢赫·安塔·迪奥普大学）；Cheikh H. KANE Digital University（谢赫·H·卡内数字大学）
本文展示如何利用公开的LLMs将新手转变为具备攻击能力的用户，提出RSA策略以绕过安全机制，验证了LLMs在漏洞利用中的有效性，挑战了传统安全原则。
2026-09-02 cs.SE
Tools and Benchmarks for Automated Log Parsing
在许多软件系统的开发和维护过程中，测试是必不可少的。它们记录详细的运行时信息，使开发人员和支持工程师能够监控他们的系统并分析异常行为和错误。然而，现代软件系统的规模和复杂性不断增加，使得日志的数量呈爆炸式增长。在许多情况下，传统的人工日志检查方式变得不切实际。最近的许多研究以及工业工具都求助于强大的文本搜索和基于机器学习的分析解决方案。由于日志的非结构化性质，第一个关键步骤是将日志消息解析为结构化数据，以便进行后续分析。近年来，日志自动解析技术在学术界和工业界得到了广泛的研究，产生了一系列基于不同技术的日志解析器。为了更好地了解这些日志解析器的特点，在本文中，我们提出了一个全面的评估研究自动日志解析，并进一步发布的工具和基准测试，以便于重用。更具体地说，我们评估了13个日志解析器，共16个日志数据集，跨越分布式系统，超级计算机，操作系统，移动系统，服务器应用程序和独立软件。我们报告的基准测试结果的准确性，鲁棒性和效率，这是在生产中部署自动化日志解析的实际重要性。我们还分享了华为工业应用的成功案例和经验教训。我们相信，我们的工作可以作为基础，并提供有价值的指导，未来的研究和部署的自动日志解析。
2019-01-03 cs.SE
Logic Mining from Process Logs: Towards Automated Specification and Verification
本文提出结合基于模式转换与自动化推理，从工作流挖掘得到的流程模型生成逻辑规约，并在通用及真实日志上评估噪声影响与多种逻辑性质。
2025-06-10 cs.SE
LLM-based Zero-shot Triple Extraction for Automated Ontology Generation from Software Engineering Standards
Computer Science Department（计算机科学系）；Charleston Southern University（查尔斯顿南方大学）
本文提出基于LLM的零样本三元组提取方法，用于从软件工程标准中自动生成本体，通过改进的工作流程和专家标注集验证了其有效性。
2026-01-10 cs.AI cs.SE
GLiSE: A Prompt-Driven and ML-Powered Tool for Automated Grey Literature Extraction in Software Engineering
École de technologie supérieure（高等电力技术学院）；Université du Québec à Montréal（蒙特利尔魁北克大学）
GLiSE是一种基于提示和机器学习的自动化灰色文献提取工具，通过平台特定查询和语义分类器实现大规模可重复的综合。
2026-02-02 cs.DL cs.SE
FREPA: An Automated and Formal Approach to Requirement Modeling and Analysis in Aircraft Control Domain
本文提出面向航空控制领域的形式化需求工程平台 FREPA，结合 AASRDL 与 AeroReq 工具，实现需求建模、验证与确认的自动化，并在九个真实系统中验证其工业有效性。
2023-06-02 cs.SE
Automated Discovery of Process Models from Event Logs: Review and Benchmark
流程挖掘允许分析人员利用业务流程的历史执行日志来提取关于这些流程的实际性能的见解。研究最广泛的流程挖掘操作之一是自动化流程发现。一种自动化过程发现方法将事件日志作为输入，并产生业务过程模型作为输出，该业务过程模型捕获在事件日志中观察到的或由事件日志暗示的任务之间的控制流关系。在过去的二十年中，已经提出了各种自动化过程发现方法，在所得到的模型的可扩展性、准确性和复杂性之间进行了不同的权衡。然而，这些方法是以特别的方式进行评估的，采用不同的数据集，实验设置，评估措施和基线，由于使用封闭的数据集，往往导致无法比较的结论，有时无法重现的结果。本文提供了一个系统的回顾和比较评估的自动化过程发现方法，使用开源基准，并涵盖了12个公开的真实事件日志，12个专有的真实事件日志，和9个质量指标。结果突出了该领域的差距和未探索的权衡，包括一些方法缺乏可扩展性，以及它们在使用的不同质量指标方面的性能存在很大差异。
2018-01-30 cs.SE
Automated categorization of pre-trained models for software engineering: A case study with a Hugging Face dataset
针对 Hugging Face 缺乏面向软件工程的预训练模型分类问题，本文结合模型卡片、标签、文献与相似度策略实现自动分类，并建立 SE 任务与 PTM 的映射。
2024-05-21 cs.SE
Towards Automated Continuous Security Compliance
针对高度监管领域中人工安全合规活动资源密集且易出错的问题，本文定义了持续安全合规概念，梳理了自动化持续安全合规面临的挑战，并提出研究路线图以推动自动化持续安全合规的实现。
2024-08-01 cs.SE
AutoOffAB: Toward Automated Offline A/B Testing for Data-Driven Requirement Engineering
本文提出AutoOffAB，通过自动对近期日志运行多种离线A/B测试变体并更新评估结果，以更可靠、系统化地支持数据驱动需求决策。
2024-08-09 cs.SE
Integrating Software Engineering Key Practices into an OOP Massive In-Classroom Course: an Experience Report
计算机科学课程中的编程和软件工程课程通常侧重于提供程序设计语言和最佳实践的理论知识，并培养实际的开发技能。在一个大规模的课程-几百名学生-教师无法充分注意到实际的一部分，因此，过程自动化和激励学生必须用来驱动学生在正确的方向。我们的目标是设计一个能够支持大规模课程的自动编程作业基础设施。基础设施应鼓励学生应用关键的软件工程（SE）实践-自动化测试，配置管理和集成开发环境（IDE）-并获得使用相应工具的基本技能。我们选择了几个被广泛采用的开发工具来支持关键的软件工程实践，并将它们映射到我们的考试作业管理过程中的基本活动。这份经验报告描述了过去一学年的结果。我们建造的基础设施已经使用了一个完整的学年，并支持了四次考试，总共有一千多名学生。学生的满意度普遍较高。
2018-04-05 cs.SE
GitSEED: A Git-backed Automated Assessment Tool for Software Engineering and Programming Education
针对编程课程人数多、现有自动化评估工具难定制、语言支持有限的问题，本文提出GitLab支撑的语言无关评估工具GitSEED，助力学生学习git与编程，支持教师定制反馈，实验证实其与学生参与度正相关。
2024-09-11 cs.CY cs.SE
MBTModelGenerator: Automated Reverse Engineering of Test Models from Clickstream Data for Model-Based Testing of Web Applications
Queen’s University Belfast（贝尔法斯特女王大学）；Testinium A.Ş.（Testinium 股份公司）；Azerbaijan Technical University（阿塞拜疆技术大学）
MBTModelGenerator通过自动反向工程点击流数据生成Web应用的测试模型，大幅降低手动设计MBT模型的工作量。
2025-12-09 cs.SE
A User Evaluation of Automated Process Discovery Algorithms
流程挖掘方法允许分析人员使用业务流程的历史执行日志，以获得有关这些流程的实际行为的知识。研究最广泛的流程挖掘操作之一是自动化流程发现。自动化流程发现方法将事件日志作为输入，并生成业务流程模型作为输出，该模型捕获事件日志所描述的任务之间的控制流关系。在这种情况下，本文提供了一个系统的比较评估现有的实现自动化的过程发现方法与领域专家使用现实生活中的事件日志提取的国际软件工程公司和四个质量指标。评估结果突出的差距和未探索的权衡在该领域，并允许研究人员，以改善缺乏自动化的过程发现方法在工业过程发现技术的可用性方面。
2018-06-08 cs.SE
The Framework For The Discipline Of Software Engineering in Connection to Information Technology Discipline
本文代表了初步的工作，在确定软件工程的学科基础，并发现之间的联系领域的软件工程和信息技术（IT）。我们的研究利用IEEE Transactions on软件工程（IEEE-TSE）、ACM Transactions on软件工程and Methodology（ACM-TOSEM）、Automated软件工程（ASE）、International Conference on软件工程（ICSE）以及其他软件工程领域的相关期刊出版物来解决我们的研究问题。我们探索了现有的框架，并描述了软件工程作为一门学科的必要性。我们进一步澄清了软件工程和计算机科学之间的区别。通过这些努力，我们有助于了解如何从IT研究的证据可以用来提高软件工程作为一门学科。
2022-10-27 cs.SE
A Critical Review of Large Language Model on Software Engineering: An Example from ChatGPT and Automated Program Repair
该研究构建了ChatGPT训练截止时间后的全新APR基准，评估其漏洞修复能力，验证了不同提示词及对话式修复流程的效果，指出需重新评估黑盒大模型在软件工程任务中的成果。
2024-04-17 cs.SE
A Brief Survey of Current Software Engineering Practices in Continuous Integration and Automated Accessibility Testing
本文综述了通过持续集成改善软件无障碍性的现状与采用障碍，并探讨了敏捷团队实施自动化无障碍测试的培训步骤及可视化流程。
2021-02-27 cs.CY cs.HC cs.MM
Identifying Quality Indicators in Student Self-Reflections in Software Engineering
University of Canterbury（坎特伯雷大学）；University of Bamberg（班贝格大学）
本研究基于反思写作框架，提出八指标评估方案，并验证了基于RoBERTa的自动分类器在软件工程学生反思评估中的有效性，实现快速结构化反馈。
2026-07-21 cs.SE
Automated Validation of LLM-based Evaluators for Software Engineering Artifacts
IBM Research（IBM研究院）
针对LLM评估器可靠性挑战，提出REFINE框架，通过合成降级工件和排名对齐测试自动验证评估器，在COBOL任务中将一致性得分从0.7提升至0.9以上。
2025-08-04 cs.AI cs.SE
Enhancing Automated Program Repair through Fine-tuning and Prompt Engineering
BUET（孟加拉国工程技术大学）；University of Notre Dame（圣母大学）；University of Rochester（罗切斯特大学）
本研究探究大语言模型的编程语言与自然语言固有知识对自动化程序修复的提升作用，验证了微调预训练模型的效果优势，同时测试了提示工程方法的表现，指出大语言模型落地该场景仍有距离。
2023-07-21 cs.LG cs.SE
Retrieval-Augmented Instruction Tuning for Automated Process Engineering Calculations : A Tool-Chaining Problem-Solving Framework with Attributable Reflection
TCS Research（塔塔咨询服务研究中心）；IIIT Pune（印度信息技术学院浦那分校）
针对过程工程计算缺乏基础AI模型的问题，提出基于检索增强指令微调（RAIT）的自主智能体框架，结合小型代码语言模型与外部工具进行代码生成与调试，其性能媲美大规模专有模型且具成本效益。
2024-08-28 cs.AI cs.LG cs.SE
AnomalyGen: An Automated Semantic Log Sequence Generation Framework with LLM for Anomaly Detection
针对基于日志的异常检测中高质量公共日志数据集稀缺的问题，提出首个自动化日志合成框架AnomalyGen，通过四阶段架构整合程序分析与CoT推理，生成的日志提升事件覆盖38-95倍，增强基准数据集后模型F1分数最大提升3.7%。
2025-04-16 cs.SE
PyPackIT: Automated Research Software Engineering for Scientific Python Applications on GitHub
本文提出PyPackIT，一款基于云的自动化工具，利用现代持续软件工程与DevOps方法论，为科学Python应用提供构建包骨架、文档测试套件及自动化流水线，助力研究人员遵循FAIR与开放科学原则高效开发高质量软件。
2025-03-06 cs.CE cs.SE
Automated Evolution of Feature Logging Statement Levels Using Git Histories and Degree of Interest
日志记录--用于系统事件和安全漏洞来描述软件功能的更多信息但基本方面--很普遍。考虑到当今软件的高事务性，信息过载可能会降低日志记录的有效性。日志级别通过将优先级与以后可以过滤的日志相关联来帮助缓解此问题。然而，随着软件的发展，记录周围功能实现的日志级别也可能需要修改，因为曾经被认为重要的功能可能已经降低了紧迫性，反之亦然。我们提出了一个自动化的方法，帮助开发人员在不断发展的水平，这样的（功能）日志。该方法基于挖掘Git历史和操纵兴趣度（DOI）模型，根据周围代码的“兴趣度”转换源代码以恢复功能日志级别。该方法基于JGit和Mylyn构建，作为Eclipse IDE插件实现，并在18个Java项目上进行了评估，其中包含$\sim$ 300万行代码和$\sim$ 4K日志语句。我们的工具成功地分析了99.22%的日志语句，增加了$\sim$ 20%的日志级别分布，并增加了$\sim$ 83%的时间在错误修复上下文中的日志的焦点。此外，pull（补丁）请求被集成到大型和流行的开源项目中。结果表明，该方法是有前途的，在协助开发人员在不断变化的功能日志级别。
2021-09-13 cs.SE
Multi-Docker-Eval: A `Shovel of the Gold Rush' Benchmark on Automatic Environment Building for Software Engineering
Peking University（北京大学）；Moonshot AI（月之暗面）
Multi-Docker-Eval基准通过评估自动环境构建的性能，揭示了当前模型在成功率、效率及影响因素上的关键发现，为构建全自动SWE流水线提供指导。
2025-12-12 cs.SE
reAnalyst: Scalable Annotation of Reverse Engineering Activities
本文提出 reAnalyst 框架，通过跨工具采集截图、按键和进程等数据并进行半自动标注，解决逆向工程研究中人工收集与主观分析的问题，实验和调查验证了其识别能力、可接受性与实用性。
2025-03-15 cs.SE
BOA: Framework for Automated Builds
管理大型软件产品是一项复杂的软件工程任务。软件开发、发布和分发过程的自动化在大型协作中最为有利，其中大量开发人员、多平台和分布式环境是典型因素。本文介绍了在CMS中开发的构建和输出分析器框架及其组件，以方便软件维护和提高软件质量。该系统允许生成、控制和分析各种类型的自动化软件构建和测试，例如开发代码的定期重建、现有版本的发布和安装的软件集成。
2003-06-14 cs.SE
Engineering as Code: Bringing Software Engineering Methodology to Engineering Design
Huaxin Consulting, Design, and Research Institute（华信咨询设计研究院）
该研究提出EaC范式，构建ADL与ESA解决工程设计的可计算表示问题，原型在跨域样本上实现69条规则200ms内检查、100%检测率零误报的成果。
2026-09-07 cs.SE
Automated Prompt Engineering for Cost-Effective Code Generation Using Evolutionary Algorithm
York University（约克大学）
针对现有带执行反馈的大语言模型代码生成方法交互多、成本高的问题，提出轻量级进化算法框架EPiC优化提示词，在更少交互下实现pass@k最高提升6%，成本效益达基线的2-10倍。
2025-07-29 cs.AI cs.NE cs.SE
Synergy of Large Language Model and Model Driven Engineering for Automated Development of Centralized Vehicular Systems
Technical University of Munich (TUM)（慕尼黑工业大学）；School of Computation, Information and Technology (CIT)（计算、信息与技术学院）
本文提出融合 MDE 与 LLM 的汽车软件开发自动化工具原型，将文本需求经 Ecore 建模、OCL 一致性检查后生成代码，并在 CARLA 紧急制动场景中验证。
2024-04-08 cs.AI cs.CL cs.SE
Leveraging Graph-RAG and Prompt Engineering to Enhance LLM-Based Automated Requirement Traceability and Compliance Checks
本研究针对大语言模型在需求合规检查中信息检索与推理能力不足的问题，提出结合Graph-RAG框架与思维链、思维树等提示工程技术的方案，相比基线方法显著提升了准确性与上下文感知能力，同时指出了其成本、适配性与数据依赖方面的局限。
2024-12-11 cs.IR cs.SE
SWE-rebench: An Automated Pipeline for Task Collection and Decontaminated Evaluation of Software Engineering Agents
Nebius
针对真实世界SWE任务数据稀缺和静态基准易受污染的问题，提出自动化流水线构建了包含超2.1万个任务的SWE-rebench数据集和无污染评估基准，揭示了部分模型因污染导致性能虚高。
2025-11-04 cs.CL cs.SE
Automated Modernization of Machine Learning Engineering Notebooks for Reproducibility
University of Waterloo（滑铁卢大学）；Google（谷歌公司）
本文提出MLEModernizer，通过LLM驱动的框架自动化现代化工机器学习工程笔记本，以恢复其在不断变化的环境中的可重现性。
2026-07-29 cs.LG cs.SE
Towards Fully Automated Medical Imaging Code Generation via Validation-based Context Engineering
University of Auckland（奥克兰大学）；Griffith University（格里菲斯大学）；Suzhou Industrial Park Monash Research Institute of Science and Technology（苏州工业园区莫纳什科技研究院）；Beijing Institute of Technology（北京理工大学）；National University of Singapore（新加坡国立大学）
本文提出AutoMedImg多智能体框架，通过规划与编码阶段的多阶段验证及自动上下文工程，实现零人工干预的全自动医学影像代码生成，在六个数据集上分割任务Dice最高0.90、分类准确率99%。
2026-09-01 cs.CV 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
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
Software Engineering Methods For AI-Driven Deductive Legal Reasoning
Carnegie Mellon University（卡内基梅隆大学）
本文将LLMs视为自然语言程序解释器，从软件工程视角提出增强AI演绎法律推理的方法，并引入变异引导示例生成和蜕变测试等自动化元推理新应用。
2024-06-27 cs.CL cs.CY cs.SE
Foundation Model Engineering: Engineering Foundation Models Just as Engineering Software
School of Computer Science, Peking University（北京大学计算机学院）；School of EECS, Peking University（北京大学电子工程与计算机科学学院）；University of Texas at Dallas（德州大学达拉斯分校）
针对基础模型复杂度提升可能引发的“基础模型危机”，本文提出基础模型工程方向，通过声明式、自动化的统一编程接口管理数据与模型，降低开发复杂度，为软件工程领域提供新研究机遇。
2024-07-11 cs.AI cs.LG cs.SE
Model-based Workflow for the Automated Generation of PDDL Descriptions
Ruhr University（鲁尔大学）；Chair of Automation（自动化系）
本文提出一种基于MBSE的工作流，从集成系统与产品模型自动生成PDDL规划描述，并在飞机装配用例中验证其有效性。
2024-08-15 cs.AI cs.SE
LLM-Powered Fully Automated Chaos Engineering: Towards Enabling Anyone to Build Resilient Software Systems at Low Cost
NTT, Inc., Japan（日本NTT公司）
本文提出ChaosEater系统，利用大语言模型自动化混沌工程周期，使任何人能低成本构建容错软件系统。
2025-11-11 cs.AI cs.CL cs.MA
MLOS: An Infrastructure for Automated Software Performance Engineering
Microsoft（微软）
开发现代系统软件是一项复杂的任务，它结合了业务逻辑编程和软件性能工程（SPE）。后者是一个实验性的劳动密集型活动，专注于针对给定的硬件、软件和工作负载（hw/sw/wl）环境优化系统。今天的SPE是由专业团队在构建/发布阶段执行的，并且受到以下问题的困扰：1）缺乏标准化和自动化的工具，2）随着硬件/软件/硬件环境的变化，大量重复的工作，3）“一刀切”调优（其中一个工作负载或组件的改进可能会影响其他工作负载或组件）导致的脆弱性。最终结果是：尽管有昂贵的投资，系统软件经常处于其最佳工作点之外--据说会留下30%到40%的性能。数据科学（DS）的最新发展暗示了一个机会：将DS工具和方法与新的开发人员体验相结合，以改变SPE的实践。在本文中，我们提出：MLOS，ML供电的基础设施和方法，民主化和自动化软件性能工程。MLOS支持连续、实例级、鲁棒且可跟踪的系统优化。MLOS正在Microsoft内部开发和使用，以优化SQL Server性能。早期的结果表明，当针对特定硬件/软件/硬件进行自定义调优时，组件级优化可以带来20%-90%的改进，这暗示着一个重要的机会。然而，仍存在一些研究挑战，需要社区参与。为此，我们正在开源MLOS核心基础设施，并与学术机构合作，围绕软件2.0和MLOS理念创建教育计划。
2020-06-04 cs.DB cs.DC cs.LG
SWE-agent: Agent-Computer Interfaces Enable Automated Software Engineering
Princeton University（普林斯顿大学）
研究接口设计对语言模型智能体性能的影响，提出SWE-agent系统及其定制的智能体-计算机接口（ACI），使智能体能自主解决软件工程任务，在SWE-bench和HumanEvalFix上达到最先进性能。
2024-11-11 cs.AI cs.CL cs.HC
More Programming Than Programming: Teaching Formal Methods in a Software Engineering Programme
软件正确性的形式化方法对软件工程的未来至关重要，因此必须成为软件工程教育的重要组成部分。不幸的是，正式的方法往往是抵制学生由于感知困难，不确定性和实际无关性。我们通过采用编程密集型方法重新开发了我们的软件正确性课程，使用求解器辅助语言Dafny通过自动评估提供即时形成反馈。我们重新开发的课程提高了学生的保留率，并获得了至少十年来该课程的最佳评价。
2022-05-02 cs.LO cs.SE
The Present and Future of Bots in Software Engineering
Concordia University（康考迪亚大学）；University of Stuttgart（斯图加特大学）；Northern Arizona University（北亚利桑那大学）；Radboud University（拉德堡德大学）；ICREA（加泰罗尼亚高等研究院）
本文围绕软件工程机器人的广泛应用，梳理其事件驱动、自动执行任务的机制，并总结相关实践经验与未来挑战。
2022-07-04 cs.AI cs.SE
Automated Non-Functional Requirements Generation in Software Engineering with Large Language Models: A Comparative Study
The Pennsylvania State University（宾夕法尼亚州立大学）
本研究构建基于大语言模型的非功能需求自动生成框架，通过定制提示技术从功能需求推导质量驱动型非功能需求，经专家评估验证了生成质量，并对比了8款大语言模型的性能差异。
2025-03-19 cs.AI cs.SE
ACCESS: Prompt Engineering for Automated Web Accessibility Violation Corrections
Carlmont High School（卡尔蒙特高中）；Crofton House School（克罗夫顿豪斯学校）；Lynbrook High School（林布鲁克高中）；International School of Zug and Luzern（楚格与卢塞恩国际学校）；Columbia University（哥伦比亚大学）；Taipei American School（台北美国学校）；University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；University of California Berkeley（加州大学伯克利分校）
本文提出利用基础模型、LLMs和提示工程技术实时修改DOM以自动纠正Web可访问性违规，在基准ACCESS上实现了超过51%的错误减少率。
2024-02-10 cs.AI cs.HC cs.SE
Challenges and Paths Towards AI for Software Engineering
MIT CSAIL（麻省理工学院计算机科学与人工智能实验室）；University of California, Berkeley（加州大学伯克利分校）；Cornell University（康奈尔大学）；Stanford University（斯坦福大学）；University of Pennsylvania（宾夕法尼亚大学）
本文探讨AI用于软件工程的挑战与路径，提出任务分类、瓶颈分析及有前景的研究方向，旨在推动自动化水平提升。
2025-03-28 cs.AI cs.LG cs.SE
Automated data validation: an industrial experience report
在过去的十年里，客户生成的数据和公司保留的数据大量爆炸。然而，数据量的增加与缺乏自动化方法和工具之间存在着严重的不匹配。数据科学编程中缺乏最佳实践可能会导致软件质量下降，发布时间表延误和预算超支。为了缓解这些担忧，我们希望将软件工程最佳实践引入数据科学。具体来说，我们关注于软件开发生存周期的数据准备阶段的自动化数据验证。本文研究了一个真实的工业案例，并应用软件工程最佳实践来开发一个自动化测试工具RESTORE。我们将RESTORE作为开源R包发布。我们在地理人口数据上完成的经验报告表明，RESTORE可以高效地检测数据准备阶段注入的错误。RESTORE还大大降低了测试成本。我们希望社区能够从开源项目和基于我们经验的实用建议中受益。
2022-12-05 cs.DB cs.SE stat.AP
