Protocol and Tools for Conducting Agile Software Engineering Research in an Industrial-Academic Setting: A Preliminary Study
在软件工程行业进行实证研究是一个过程，因此，它应该具有普遍性。本文的目的是讨论学术研究人员如何通过系统和结构化的方法来解决他们在软件行业进行实证研究时遇到的一些挑战。本文中开发的协议应作为一个实际的指导研究人员，并帮助他们在这个复杂的环境中进行实证研究。
2018-04-10 cs.SE
Be a Partner, not a Bystander in Software Engineering Practice: Bridging the Gaps between Academia and Industry
Dalhousie University（达尔豪斯大学）
本文通过实证研究探讨软件工程界与产业界的关系，提出新的行动呼吁和改革，以提升学术研究对产业实践的影响力。
2026-02-08 cs.SE
Industry Practices for Challenging Autonomous Driving Systems with Critical Scenarios
本研究通过访谈瑞典7家自动驾驶公司的13名从业者，运用主题建模分析了关键场景识别与测试的行业实践，发现各方法均有局限且业界缺乏合作，建议结合不同方法并加强利益相关者协作。
2023-05-23 cs.SE
Insights Towards Better Case Study Reporting in Software Engineering
本文通过反思性分析指出软件工程案例研究报告在情境描述、分类、可推广性及效度威胁等方面的不足，提出遵循指南、准确分类和详述情境等改进建议，以增强研究的现实适用性并弥合学术界与工业界的差距。
2024-02-13 cs.SE
Software Testing Education and Industry Needs - Report from the ENACTEST EU Project
本研究通过焦点小组、访谈和范围综述，调查了软件测试的行业能力需求与教育差距，发现AI测试、安全测试和软技能方面存在明显不足，并提出了改进建议。
2025-10-16 cs.SE
Fuzzing REST APIs in Industry: Necessary Features and Open Problems
Kristiania University of Applied Sciences（克里斯蒂亚尼亚应用科学大学）；Oslo Metropolitan University（奥斯陆都市大学）；Volkswagen AG（大众汽车股份公司）；University of Buenos Aires（布宜诺斯艾利斯大学）；CONICET（阿根廷国家科学研究委员会）；Erciyes University（埃尔吉耶斯大学）；Beihang University（北京航空航天大学）
本文探讨了在工业中使用EvoMaster模糊测试REST API的挑战，总结了经验教训和需要改进的特征，同时指出了仍需解决的实际研究问题。
2026-04-02 cs.SE
From Research to Practice: An Interactive Rapid Review of Autonomous Driving System Testing in Industry
University College London（伦敦大学学院）；Volvo Cars（沃尔沃汽车）；Chalmers University of Technology（查尔姆斯理工大学）
本文通过与21名汽车行业从业者的互动快速审查，揭示了自动驾驶系统测试中的关键挑战，特别是端到端系统测试的完整性和方法，为行业提供实践洞察。
2026-10-26 cs.SE
Tracking the Moving Target: A Framework for Continuous Evaluation of LLM Test Generation in Industry
本文提出一个工业环境中持续评估商业LLM测试生成器的测量框架，通过在LKS Next的纵向研究证明其有效性，为企业集成LLM技术提供实用指导。
2025-04-26 cs.SE
AI for Better UX in Computer-Aided Engineering: Is Academia Catching Up with Industry Demands? A Multivocal Literature Review
Siemens AG（西门子公司）；Chalmers University of Technology（查尔姆斯理工大学）；Eindhoven University of Technology（埃因霍温理工大学）；Malmö University（马尔默大学）
本文通过多来源文献综述揭示AI提升CAE用户体验方面学术界与行业实践之间的显著差距，指出AI引导、自适应界面和工作流自动化是未来研究的关键机遇。
2025-07-22 cs.AI cs.HC cs.SE
Understanding Everything as Code: A Taxonomy and Conceptual Model
本文通过大规模多来源文献综述系统梳理一切皆代码（EaC）范式，提出包含25种实践、六个层次的分类法和概念模型，并经行业专家验证，为该领域提供首个全面理论框架和实践指导。
2025-07-07 cs.SE
On the Need for Artifacts to Support Research on Self-Adaptation Mature for Industrial Adoption
尽管自适应系统社区开发了大量的知识，并在工业中广泛使用自适应，但目前还不清楚工业是否或在多大程度上利用学术成果。因此，研究界必须回答这样一个问题：自适应系统社区开发的解决方案是否足够成熟，可以在工业上采用？利用一套基于实践的行业相关工件自适应指南，我们从使用工件评估自适应研究成果的角度来回答这个问题，这是积极激励和应用的社区。
2023-03-27 cs.SE
Approaching Unanticipated Consequences
针对软件可能产生未预见的重大后续效应的问题，研究结合多案例与多学科文献开发概念框架，经研讨会验证其可帮助不同群体理解技术影响，为预设计阶段的组织准备提供工具支持。
2023-06-16 cs.SE
From Blackboard to the Office: A Look Into How Practitioners Perceive Software Testing Education
教学过程可能需要具体的教学方法，以建立与行业惯例的关系。最近，一些研究调查了教育工作者的观点和本科课程，以确定潜在的弱点和解决方案的软件测试教学过程。然而，目前还不清楚从业人员如何评价获得有关软件测试的知识，在本科课程。这项研究对68名新毕业的从业人员进行了专家调查，以确定行业对他们的期望以及他们在学术界学到了什么。结果表明，这些从业者的学习速度与其他具有长期行业经验的人相似。此外，他们研究了调查中收集的35个软件测试主题中的不到一半，并参加了行业支持的课外课程，以补充他们的学习。此外，我们的研究结果指出了一系列对未来研究的影响，因为受访者的学习困难（例如，缺乏学习资源）以及学术教育与行业期望之间的差距（例如，认证）。
2021-06-11 cs.SE
Software Fairness Testing in Practice
本文访谈22名AI/ML从业者，揭示公平性测试从理论到工业落地的差距，并指出工具、指标、数据与流程等关键挑战。
2025-07-27 cs.SE
A Decision Model for Decentralized Autonomous Organization Platform Selection: Three Industry Case Studies
Utrecht University（乌得勒支大学）；University of Amsterdam（阿姆斯特丹大学）；Lappeenranta University of Technology（拉彭兰塔理工大学）
去中心化自治组织作为一种新的在线治理形式，是部署在区块链平台上的智能合约的集合，可以为人群进行调解。越来越多的去中心化自治组织平台，如Aragon和Colony，已被引入市场，以促进此类组织的发展过程。选择最合适的平台对于组织来说是一个挑战，因为应该考虑大量的决策标准，例如流行度，开发人员可用性，治理问题以及这些平台的一致性文档。此外，组织中的决策者并不是每个领域的专家，因此他们必须不断地获取关于这些平台的易变知识并保持更新。因此，需要一个决策模型来分析决策标准，使用系统识别和评估开发项目的潜在替代解决方案。本文建立了一个理论框架来帮助软件工程师解决软件生产中的一系列多准则决策问题，并提出了一个多准则决策模型来解决分散自治组织平台选择问题。我们进行了三个行业的案例研究，在三个分散的自治组织的背景下，评估的有效性和效率的决策模型，在协助决策者。
2021-07-07 cs.AI cs.CR cs.CY
Teaching Software Engineering with LLM and MCP Integration: From Classroom to Industry Practice
City University of Hong Kong（香港城市大学）；HSBC（汇丰银行）；Hong Kong Metropolitan University（香港都会大学）
本研究将LLM和MCP集成到软件工程协作教学模式中，通过嵌入驱动工具到教学、代码辅助和工程模拟，弥合传统教学与工业流程的差距，提升学生编程、问题解决和智能工具使用能力。
2026-06-18 cs.SE
Understanding the Role of Large Language Models in Software Engineering: Evidence from an Industry Survey
University of Vale do Rio dos Sinos（里奥达斯西诺斯河谷大学）
本文通过行业调查揭示大型语言模型在软件工程中的应用现状与影响，探讨其积极效果与潜在风险，提出需批判性使用LLM工具以提升开发效率与安全性。
2025-12-19 cs.SE
Industry Practice of Coverage-Guided Enterprise-Level DBMS Fuzzing
作为数据持久化和分析的基础设施，数据库管理系统（DBMS）是现代企业软件的基石。为了提高它们的正确性，业界几十年来一直在应用黑盒模糊技术。最近，研究界取得了令人印象深刻的模糊增益使用覆盖指导。然而，由于企业级数据库管理系统的复杂性和分布式性，这些研究很少应用于行业。在本文中，我们将覆盖率引导的模糊应用于华为和Bloomberg LP的企业级DBMS。在我们测试GaussDB和Comdb2的实践中，我们发现所有三个测试阶段都存在重大挑战。挑战是收集精确的覆盖率，优化模糊性能，并分析根本原因。在寻找一个通用的方法来克服这些挑战，我们提出Ratel，覆盖率为导向的模糊企业级DBMS。通过面向行业的设计，Ratel提高了反馈精度，增强了输入生成的鲁棒性，并对错误的根本原因进行了在线调查。因此，Ratel在覆盖率和错误方面优于其他模糊器。与工业黑盒模糊器SQLsmith和SQLANCER以及覆盖率引导的学术模糊器Squirrel相比，Ratel覆盖的基本块分别比GaussDB，PostgreSQL和Comdb2中其他三个模糊器的最佳结果多38.38%，106.14%，583.05%。更重要的是，Ratel在GaussDB、Comdb2和PostgreSQL中发现了32个、42个和5个未知错误。
2021-03-01 cs.SE
Communication Skills in Software Engineering: A Multivocal Review
Universidade Federal do Pará（帕拉联邦大学）；Universidade Federal de Pernambuco（伯南布哥联邦大学）
通过多声部文献综述，发现学术界与灰色文献在将沟通视为核心能力上高度一致，但在概念化、实证证据与行业实践侧重点上存在差异。
2026-06-09 cs.SE
Systematic Review Protocol: Requirements Engineering in Quantum Computing
本文提出了一个基于Barbara Kitchenham指南的系统综述协议，旨在识别和分析量子计算软件需求工程中的挑战，评估现有方法并为其未来演进提供前瞻性视角与见解。
2023-11-21 cs.SE quant-ph
The server is dead, long live the server: Rise of Serverless Computing, Overview of Current State and Future Trends in Research and Industry
无服务器计算--一种用于部署应用程序和服务的新兴云原生范例--代表了云应用程序开发、编程模型、抽象和平台的发展。它承诺真正的按需付费计费（毫秒级粒度），不会浪费资源，并通过要求开发人员将所有操作复杂性和可扩展性委托给云提供商来降低开发人员的门槛。实现这些承诺是以限制功能为代价的。在本文中，我们概述了无服务器计算，它的发展，一般架构，关键特性和用例，使其成为应用程序开发的一个有吸引力的选择。基于在一系列有组织的无服务器计算研讨会（WoSC）期间与学者和行业专家的讨论，我们还确定了技术挑战和开放问题。
2019-06-07 cs.DC cs.SE
Bridging the Gap: A Study of AI-based Vulnerability Management between Industry and Academia
本文通过基于讨论的研究识别出工业界难以采用学术AI漏洞管理模型的三大障碍，并提出未来方向以提升研究的实际可用性并促进产学协同。
2024-05-03 cs.CR cs.SE
Improving fairness in machine learning systems: What do industry practitioners need?
Carnegie Mellon University（卡内基梅隆大学）；Microsoft Research（微软研究院）；University of Maryland（马里兰大学）
机器学习（ML）系统放大社会不平等和不公平的潜力正在受到越来越多的公众和学术界的关注。最近大量的工作集中在开发算法工具来评估和减轻这种不公平。然而，如果这些工具要对行业实践产生积极影响，那么它们的设计必须了解现实世界的需求。通过35次半结构化访谈和对267名机器学习从业者的匿名调查，我们首次系统地调查了商业产品团队在开发更公平的机器学习系统方面的挑战和支持需求。我们确定了行业从业者面临的挑战与公平ML研究文献中提出的解决方案之间的一致性和脱节性。基于这些发现，我们强调了未来ML和HCI研究的方向，这些研究将更好地满足行业从业者的需求。
2019-01-07 cs.CY cs.HC cs.LG
On STPA for Distributed Development of Safe Autonomous Driving: An Interview Study
Volvo Cars（沃尔沃汽车）；University of Gothenburg（哥德堡大学）
本文通过访谈研究，评估STPA指南在自动驾驶分布式开发中的适用性，并提出克服多层级设计挑战的方法，以提升可追溯性和可维护性。
2024-03-14 cs.LG cs.SE
Using Gray Literature to Influence Software Engineering Curricula
针对软件工程课程更新滞后问题，提出利用灰色文献补充传统学术文献，以跟踪行业趋势并指导课程设计，帮助教育者敏捷适应技术变化。
2023-12-27 cs.CY cs.SE
