Understanding Fairness in Software Engineering: Insights from Stack Exchange
本文通过人工分析八个 Stack Exchange 网站中的136条帖子，探索软件从业者的公平性经历与期望，发现收入公平最受关注，而招聘公平帖子浏览与得分最高。
2024-08-02 cs.SE
Exploring the Landscape of Fairness Interventions in Software Engineering
本文综述软件工程领域的公平性干预研究，梳理AI因数据偏见等因素引发的现实风险，并总结应对公平性问题的相关方法。
2025-07-24 cs.SE
How Fair is Software Fairness Testing?
University of Calgary（卡尔加里大学）；University College London（伦敦大学学院）；University of Otago（奥塔哥大学）；Federal Rural University of Pernambuco（伯南布哥联邦农村大学）；Radboud University（拉德堡德大学）
本文探讨软件公平性测试的文化背景，指出其指标编码特定价值观、数据集偏向西方文化，并引发伦理问题，呼吁建立尊重文化多样性的评估框架。
2026-03-12 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
Fairness-First Design Thinking for Software Architecture
Vrije Universiteit Amsterdam（阿姆斯特丹自由大学）
本文提出一种以公平性为核心的软件架构设计方法，通过课程实践验证了该方法在解决公平性问题及教学中的有效性，并探讨了其在问题空间和解决方案空间中的应用意义。
2026-04-20 cs.SE
From Literature to Practice: Exploring Fairness Testing Tools for the Software Industry Adoption
本文通过考察现有软件公平性测试工具的实用性，发现其存在易用性差、文档不足和数据类型受限等问题，并提出新工具应具备用户友好、文档完善和灵活处理多种数据的能力，以帮助开发者在早期识别并修正偏见。
2024-09-04 cs.SE
FairRF: Multi-Objective Search for Single and Intersectional Software Fairness
Simula Research Laboratory（西穆拉研究实验室）；University College London (UCL)（伦敦大学学院）
FairRF通过多目标进化搜索优化分类任务中的公平性和有效性，提供帕累托最优解以适应不同需求。
2026-01-12 cs.SE
Towards User-Focused Cross-Domain Testing: Disentangling Accessibility, Usability, and Fairness
本研究通过三级研究，基于12篇系统综述，探讨公平性测试与可用性、可访问性测试的重叠边界及其在当代软件开发中的交叉关系。
2025-01-18 cs.SE
How fair are we? From conceptualization to automated assessment of fairness definitions
提出MODNESS方法，允许用户通过建模环境自定义公平性概念并生成评估代码，覆盖更多应用领域并克服现有工具局限。
2025-01-28 cs.SE
A Metadata-Based Ecosystem to Improve the FAIRness of Research Software
本文提出DataDesc生态系统，通过机器可操作的元数据描述软件接口，提升研究软件的可发现性、可访问性、互操作性和可重用性，以促进软件复用并减少重复开发。
2023-06-18 cs.SE
Practitioner Insights on Fairness Requirements in the AI Development Life Cycle: An Interview Study
University of Calgary（卡尔加里大学）
通过26场半结构化访谈，从软件工程视角评估从业者对AI公平性的认知，发现实践不一致、公平性常被降级，需明确公平定义、评估指标和形式化流程。
2026-06-08 cs.SE
A Systematic Mapping on Software Fairness: Focus, Trends and Industrial Context
École de Technologie Supérieure（工程技术学院）
本文通过系统文献映射分析软件公平性研究的现状，指出其在方法和算法上的集中，以及在工业应用中的不足，呼吁加强学术与工业的合作。
2025-12-29 cs.CY cs.SE
Fairness Testing: A Comprehensive Survey and Analysis of Trends
本文针对机器学习软件不公平行为问题，对100篇公平性测试研究按测试工作流与组件分类梳理，分析领域研究重点、趋势及前景方向，明确了常用数据集与开源工具。
2024-03-06 cs.SE
LLMs Are Not a Silver Bullet: A Case Study on Software Fairness
Peking University（北京大学）；Xidian University（西安电子科技大学）；King’s College London（伦敦国王学院）；University of Alberta（阿尔伯塔大学）；Tsinghua University（清华大学）
本文通过对比传统机器学习与大语言模型在软件公平性中的表现，发现传统方法在公平性和预测性能上均优于LLM，指出LLM在现实数据中效果有限。
2026-04-14 cs.SE
Software Engineering for Fairness: A Case Study with Hyperparameter Optimization
North Carolina State University（北卡罗来纳州立大学）
我们主张，这是软件工程师的道德义务，努力减少软件歧视。本文讨论了如何做到这一点。这是一个重要的话题，因为机器学习软件越来越多地用于做出影响人们生活的决策。潜在地，该软件的应用将导致更公平的决策，因为（与人类不同）机器学习软件没有偏见。然而，最近的结果表明，许多数据采掘软件包中的软件表现出“群体歧视”;即，它们的决策受到“受保护属性”的不适当影响（例如，种族、性别、年龄等）。在验证机器学习模型的公平性（通过识别这种软件歧视何时存在）方面，已经有了很多先前的工作。但在发现之后，会有缓解。有道德的软件工程师可以采取哪些措施来减少他们所生产的软件中的歧视？本文表明，在超参数优化过程中将\textit{fairness}作为目标可以（a）保留从数据挖掘机学习的模型的预测能力，同时（b）生成更公平的结果。据我们所知，这是超参数优化作为软件工程师生成更公平软件的工具的首次应用。
2019-10-30 cs.LG cs.SE
Diversity Drives Fairness: Ensemble of Higher Order Mutants for Intersectional Fairness of Machine Learning Software
Nanyang Technological University（南洋理工大学）；Peking University（北京大学）；King’s College London（伦敦国王学院）；University College London（伦敦大学学院）；China-Singapore International Joint Research Institute（中新国际联合研究院）
针对机器学习软件的交叉公平性需求，提出无需重新训练模型、基于输入高阶突变体集成的FairHOME方法，在24项任务中公平性提升效果优于现有7种SOTA方法。
2024-12-11 cs.LG cs.SE
Astraea: Grammar-based Fairness Testing
Interdisciplinary Centre for Security, Reliability and Trust (SnT), University of Luxembourg（卢森堡大学安全、可靠性与信任跨学科中心）；Singapore University of Technology and Design（新加坡科技设计大学）
软件经常产生有偏差的输出。特别是，众所周知，基于机器学习（ML）的软件在处理歧视性输入时会产生错误的预测。这种不公平的程序行为可能是由社会偏见造成的。在过去的几年里，亚马逊、微软和谷歌提供的软件服务产生了不公平的输出，主要是由于社会偏见（例如性别或种族）。在这种情况下，开发人员承担了进行公平性测试的任务。公平性测试是具有挑战性的;开发人员的任务是生成揭示和解释偏见的歧视性输入。我们提出了一个基于语法的公平性测试方法（称为ASTRAEA），利用上下文无关文法产生歧视性的输入，揭示违反公平性的软件系统。使用概率文法，ASTRAEA还提供了故障诊断隔离观察到的软件偏差的原因。ASTRAEA的诊断有助于提高ML的公平性。ASTRAEA在18个提供三种主要自然语言处理（NLP）服务的软件系统上进行了评估。在我们的评估中，ASTRAEA产生的公平性违规率约为18%。ASTRAEA生成了超过57.3万个歧视性测试用例，并发现了超过10.2万个违反公平性的行为。此外，ASTRAEA通过模型再训练将软件公平性提高了约76%。
2022-01-10 cs.AI cs.LG 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
On the Robustness of Fairness Practices: A Causal Framework for Systematic Evaluation
University of Illinois Chicago（伊利诺伊大学芝加哥分校）；Penn State（宾夕法尼亚州立大学）；University of Colorado Boulder（科罗拉多大学博尔德分校）
本文提出一种因果框架，用于系统评估公平实践的鲁棒性，探讨其在数据不完美情况下的有效性。
2026-01-07 cs.SE
Fairness in Multi-Agent Systems for Software Engineering: An SDLC-Oriented Rapid Review
University of Calgary（卡尔加里大学）
本文综述了多代理系统在软件工程中的公平性研究，分析了LLM赋能环境下的公平性框架，指出当前研究在评估实践、泛化能力及缓解机制方面存在三大不足。
2026-04-10 cs.MA cs.SE
Preliminary Insights on Industry Practices for Addressing Fairness Debt
本文通过访谈和主题分析，初步揭示了软件从业者识别和应对AI系统偏见的实践策略，为管理公平债务和制定结构化指南奠定了基础。
2024-09-04 cs.SE
A First Look at Fairness of Machine Learning Based Code Reviewer Recommendation
本文首次研究软件工程领域ML应用的公平性问题，发现基于ML的代码评审者推荐存在性别不公平（男性获荐量平均多7.25%），分析原因并提出缓解方案，指出现有方法在不平衡数据上效果有限并给出改进思路。
2023-07-21 cs.SE
Towards Fair Machine Learning Software: Understanding and Addressing Model Bias Through Counterfactual Thinking
本文提出一种反事实方法，通过反事实思维解决机器学习软件中的偏差根源，结合性能与公平性优化模型，在10个基准任务中表现出色，优于现有方法。
2026-03-16 cs.AI cs.SE
From Expectation to Habit: Why Do Software Practitioners Adopt Fairness Toolkits?
University of Salerno（萨勒诺大学）
本研究基于UTAUT2理论和PLS-SEM分析，从个体视角探究软件从业者采用公平性工具包的认知与行为因素，发现绩效期望和习惯是主要驱动力，并提出了促进广泛采用的实践建议。
2024-12-19 cs.AI cs.SE
Adaptive Fairness Improvement Based on Causality Analysis
Singapore Management University（新加坡管理大学）
给定一个有区别的神经网络，公平性改进的问题是系统地减少区别而不显著牺牲其性能（即，准确度）。针对神经网络的公平性改进方法有多种，包括预处理、处理中和后处理。然而，我们的实证研究表明，这些方法并不总是有效的（例如，它们可以通过付出巨大的准确性下降的代价来提高公平性）或者甚至没有帮助（例如，它们甚至可能使公平性和准确性都恶化）。在这项工作中，我们提出了一种方法，自适应地选择基于因果关系分析的公平性改善方法。也就是说，我们选择的方法的基础上，神经元和属性负责不公平的分布在输入属性和隐藏的神经元。我们的实验评估表明，我们的方法是有效的（即，总是识别最佳的公平性改进方法）和高效（即，平均时间开销为5分钟）。
2022-09-15 cs.CY cs.LG cs.SE
Fairness Testing: Testing Software for Discrimination
University of Massachusetts, Amherst（马萨诸塞大学阿默斯特分校）
本文定义了软件公平和歧视，并开发了一种基于测试的方法来衡量软件是否歧视以及有多少歧视，重点是歧视行为中的因果关系。在现代软件系统中发现了软件歧视的证据，这些软件系统建议刑事判决，授予金融产品的访问权，并确定谁可以参加促销活动。我们的方法，Themis，生成有效的测试套件来衡量歧视。给定一个描述有效系统输入的模式，Themis自动生成判别测试，不需要oracle。我们评估Themis的20个软件系统，其中12个来自以前的工作，明确侧重于避免歧视。我们发现，（1）Themis在发现软件歧视方面是有效的，（2）从算法中消除歧视的最先进技术在许多情况下都失败了，有时歧视高达98%的输入子域，（3）Themis优化在产生有效的测试套件以测量歧视方面是有效的，（4）Themis在表现出更多辨别力的系统上更有效。因此，我们表明，公平性测试是一个重要的方面，软件开发周期的域可能的歧视，并提供初步的工具来衡量软件歧视。
2017-09-11 cs.AI cs.CY cs.DB
Fairness Is Not Just Ethical: Performance Trade-Off via Data Correlation Tuning to Mitigate Bias in ML Software
King's College London（伦敦国王学院）；National University of Defense Technology（国防科技大学）；Southern University of Science and Technology（南方科技大学）；The Hong Kong Polytechnic University（香港理工大学）
本文提出Correlation Tuning方法，通过调整数据相关性缓解ML软件中的偏见问题，提升非特权群体的预测性能并减少多个偏见度量。
2025-12-19 cs.AI cs.SE
Applications and Challenges of Fairness APIs in Machine Learning Software
DISA Lab, University of Calgary（DISA实验室，卡尔加里大学）；DISA Lab, York University（DISA实验室，约克大学）；University of Calgary（卡尔加里大学）；University of Manitoba（曼尼托巴大学）；SEA Lab, University of Calgary（SEA实验室，卡尔加里大学）
本文通过分析204个GitHub仓库中使用13个公平性API的情况，揭示其主要用于学习和解决现实问题，并指出开发者面临偏差检测与缓解技能不足及故障排查等挑战。
2025-08-22 cs.LG cs.SE
FairLay-ML: Intuitive Debugging of Fairness in Data-Driven Social-Critical Software
Pennsylvania State University（宾夕法尼亚州立大学）；University of Texas at El Paso（德克萨斯大学埃尔帕索分校）
FairLay-ML是一个面向数据驱动软件的公平性调试工具，通过可视化数据、模型与决策逻辑、训练多组公平性-准确性权衡模型并结合反事实测试，帮助开发者和最终用户发现并解释公平性缺陷。
2024-12-24 cs.CY cs.LG cs.SE
Once Upon a Team: Investigating Bias in LLM-Driven Software Team Composition and Task Allocation
Gran Sasso Science Institute（格兰萨索科学研究所）；University of Salerno（萨莱诺大学）
本研究发现LLM在软件团队组成和任务分配中存在偏见，加剧了人口不平等，需引入公平性评估。
2026-01-07 cs.SE
Engineering Trustworthy Self-Adaptive Software with Dynamic Assurance Cases
自适应软件基于控制理论中的概念，通过动态调整其架构和参数来应对工作负载变化和组件故障等事件，从而处理环境和内部不确定性。自适应软件越来越多地被期望满足来自制造业、医疗保健和金融等不同领域的应用程序的严格功能和非功能需求。为了满足这一需求，我们介绍了一种方法的可信的自适应软件（ENTRUST）的系统工程。ENTRUST结合使用（1）设计时和运行时建模和验证，以及（2）行业采用的保证过程，以开发值得信赖的自适应软件和保证案例，论证软件对其预期应用的适用性。为了评估我们的方法的有效性，我们提出了一个工具支持的ENTRUST的实例，并使用它来开发概念验证自适应软件的嵌入式和基于服务的系统，分别从海洋监测和电子金融领域。实验结果表明，ENTRUST可以用于工程不同应用领域的自适应软件系统，并为这些系统生成动态保证案例。
2018-11-22 cs.SE
A Catalog of Fairness-Aware Practices in Machine Learning Engineering
University of Salerno（萨勒诺大学）
本文通过系统性映射研究，提出包含28种实践的公平性感知目录，覆盖机器学习全生命周期，为软件工程领域提供可操作建议，以增强系统公平性与可信度。
2025-04-22 cs.LG cs.SE
Quality-aware Approach for Engineering Self-adaptive Software Systems
自适应性允许软件系统在运行时自主地调整其行为，以减少由手动维护引起的成本复杂性。提出了一种自适应软件系统外部自适应引擎的构造方法。为了提高自适应软件系统的质量，本研究解决了自适应软件系统中的两个挑战。第一个挑战是有效地管理适应空间的复杂性，第二个是处理运行时的不确定性，阻碍了适应过程。本研究利用案例为基础的推理作为一个适应引擎，以及实用功能，实现管理系统的要求和处理不确定性。
2014-02-11 cs.SE
Efficient DNN-Powered Software with Fair Sparse Models
Xi’an Jiaotong University（西安交通大学）；University of Massachusetts（马萨诸塞大学）
本文针对基于彩票票假设的模型剪枝导致深度神经网络软件公平性下降的问题，提出Ballot框架，通过基于冲突检测的子网络选择和改进的训练过程，在多个数据集和模型上显著提升了剪枝模型的公平性。
2024-07-03 cs.AI cs.SE
A Comprehensive Empirical Study of Bias Mitigation Methods for Machine Learning Classifiers
University College London（伦敦大学学院）；King’s College London（伦敦国王学院）
软件偏差是软件工程师越来越重要的操作问题。我们对机器学习（ML）分类器的17种代表性偏差缓解方法进行了大规模、全面的实证研究，使用11个ML性能指标（例如，准确性），4个公平性指标，和20种类型的公平性能权衡评估，适用于8个广泛采用的软件决策任务。经验的覆盖面更全面，涵盖了最大数量的偏见缓解方法，评估指标，和公平性能权衡措施相比，以前的工作，这一重要的软件属性。我们发现，（1）在53%的研究场景中，偏差缓解方法显著降低了ML性能（根据不同的ML性能指标，范围在42%~66%之间）;（2）在46%的场景中，偏见缓解方法显著提高了由4个使用的指标测量的公平性（根据不同的公平性度量，范围在24%~59%之间）;（3）在25%的场景中，偏差缓解方法甚至导致公平性和ML性能下降;（4）偏见缓解方法的有效性取决于任务、模型、受保护属性的选择以及用于评估公平性和ML性能的一组指标;（5）不存在可以在所有场景中实现最佳折衷的偏差减轻方法。我们发现的最佳方法在30%的情况下优于其他方法。研究人员和从业人员需要选择最适合其预期应用场景的偏倚缓解方法。
2023-02-10 cs.AI cs.SE
Towards Systematic Specification and Verification of Fairness Requirements: A Position Paper
本文提出基于知识图谱的公平性框架，以解决公平性需求缺乏形式化规约与验证机制的问题，并讨论了相关挑战与研究路线。
2025-09-22 cs.SE
A Framework for Evaluating Model-Driven Self-adaptive Software Systems
在过去的几年里，模型驱动开发（MDD），基于约束的软件开发（CBSD），和面向上下文的软件已经成为有趣的替代品的设计和自适应软件系统的建设。一般来说，这些技术的最终目标是能够降低开发成本和工作量，同时提高软件系统的模块化、灵活性、适应性和可靠性。对这些技术的分析表明，它们都包括关注点分离的原则，它们的进一步集成是获得高质量和自适应软件系统的关键因素。每种技术都识别不同的关注点，并分别处理它们，以指定自适应应用程序的设计，同时，支持软件具有适应性和上下文感知。本研究探讨以模型驱动开发原则建构自适应软体系统的开发方法。为此，本文提出了一个评估框架，用于分析和评估模型驱动方法的特点及其在高度动态的上下文环境中支持具有自适应性和可靠性的支持软件的能力。这种评价框架可以帮助软件开发人员选择适合自己需求的开发方法，减少构建自适应软件系统的开发工作量。本研究强调了相关工作中支撑模型驱动方法的主要缺点，并强调在开发方法的分析、设计和实现阶段考虑自适应软件的易变方面。此外，我们认为，开发方法应该离开的选择建模语言和建模工具的软件开发人员。
2019-01-13 cs.SE
Predicting Fairness of ML Software Configurations
University of Texas at El Paso（德克萨斯大学埃尔帕索分校）；University of Colorado Boulder（科罗拉多大学博尔德分校）
本文研究机器学习超参数与公平性的关系，提出用树回归器预测超参数配置的公平性，发现其在分布偏移下优于深度神经网络和支持向量机，为高效微调训练算法和理解超参数与公平性关系提供了框架。
2024-07-01 cs.AI cs.CY cs.LG
A Genetic Framework Model For Self-Adaptive Software
在自适应软件中已经进行了大量的仿生研究工作。他们专注于生物实体的外部行为，而没有导致这种行为的遗传物质，并构成了这项工作所面临的挑战。本文提出了一个整合外部行为和遗传物质的框架。该框架仅限于预测事件。无法预测的事件仍然是一个挑战。
2019-04-29 cs.SE
Systematic Mapping Protocol: Variability Management in Dynamic Software Product Lines for Self-Adaptive Systems
上下文：动态可变性管理在动态软件产品线中的重要性。目的：定义进行系统映射研究的协议，以总结和综合自适应系统中动态软件产品线动态可变性管理的证据。方法：应用该方案，按照K.彼得森结果：一个经过验证的方案，进行系统的映射研究。结论：第一个研究结果表明，有必要可视化的新方法来管理动态软件产品线的可变性。
2022-06-29 cs.SE
Adaptive Fine-tuning for Multiclass Classification over Software Requirement Data
利用自然语言处理（NLP）方法分析软件需求规格说明（SRS）是近年来软件工程领域的一个重要研究方向。特别是由于NLP中深度学习和迁移学习方法的进步，SRS数据可以更容易地用于各种学习任务。在这项研究中，我们采用了三个阶段的域自适应微调方法的三个预测任务的软件需求，提高了模型的鲁棒性上一个真正的分布偏移。多类分类任务涉及预测用户指定的需求文本的类型、优先级和严重性。我们将我们的结果与强大的分类基线（如词嵌入池和句子BERT）进行比较，并表明自适应微调可以提高整个任务的性能。我们发现，一个自适应微调模型可以专门用于特定的数据分布，这是能够产生准确的结果，并从大量可用的文本数据学习软件工程任务管理系统。
2023-01-02 cs.SE
Software Module Clustering based on the Fuzzy Adaptive Teaching Learning based Optimization Algorithm
基于教与学的优化算法（TLBO）虽然在许多实际优化问题中表现出了很好的性能，但由于对探索和利用的控制能力差而受到批评。为了解决这些问题，TLBO的一个新的变种称为自适应模糊教学基于优化（ATLBO）已在文献中开发。本文介绍了采用模糊自适应模糊教学优化（ATLBO）的软件模块聚类问题。与原有的基于教学的优化（TLBO）和其他模糊TLBO变体的比较研究表明，ATLBO提供了优越的性能，由于其自适应选择的搜索算子的基础上需要当前的搜索。
2019-02-13 cs.SE
Information-Theoretic Testing and Debugging of Fairness Defects in Deep Neural Networks
University of Texas at El Paso（得克萨斯大学埃尔帕索分校）；University of Colorado Boulder（科罗拉多大学博尔德分校）；Pennsylvania State University（宾夕法尼亚州立大学）
提出信息论测试与调试框架DICE，通过量化受保护信息比特数衡量公平性缺陷严重程度，并利用因果调试定位训练不足的层和神经元，有效发现、排序和定位DNN中的公平性缺陷。
2023-04-09 cs.LG cs.SE
A Drift Handling Approach for Self-Adaptive ML Software in Scalable Industrial Processes
在现实世界的制造应用中，大多数工业过程的特点是可扩展性，这需要一个自动化的策略，以自适应机器学习（ML）软件系统的新条件。在本文中，我们调查了Uddeholms AB钢铁公司的电渣重熔（ESR）用例过程。该用例涉及预测真空泵送事件的最小压力值。考虑到收集新记录并将新机器与内置ML软件系统有效集成所需的时间较长。此外，为了适应的变化，并满足非功能性的软件系统，即适应性的要求，我们提出了一种自动化和自适应的方法的基础上漂移处理技术称为重要性加权。其目的是解决在生产中添加新熔炉的问题，并启用ML软件的适应性属性。总体结果表明，通过实施所提出的方法，在经典的非自适应方法实现ML软件性能的改善。
2022-08-15 cs.SE
FairMask: Better Fairness via Model-based Rebalancing of Protected Attributes
North Carolina State University（北卡罗来纳州立大学）
背景：机器学习软件可以生成不适当地歧视特定受保护社会群体的模型（例如，基于性别、种族等的群体）。受这些结果的启发，软件工程研究人员提出了许多方法来减轻这些歧视性影响。虽然这些方法在减少偏见方面是有效的，但很少有人能解释偏见的根本原因是什么。目的：我们旨在更好地检测和减轻机器学习软件问题中的算法歧视。方法：在这里，我们提出了xFAIR，一种基于模型的外推方法，能够减轻偏倚并解释原因。在我们的xFAIR方法中，受保护的属性由从其他独立变量学习的模型表示（这些模型提供了对现有示例之间空间的外推）。然后，我们使用外推模型来重新标记稍后在测试数据或部署时间中看到的受保护属性。我们的方法旨在通过重新平衡受保护属性的分布来抵消分类模型的有偏预测。结果如下：本文的实验表明，在不影响（原始）模型性能的情况下，xFAIR可以实现比基准方法更好的组和个人公平性（以不同的度量标准衡量）。此外，与另一种基于实例的重新平衡方法相比，我们基于模型的方法显示出更快的运行时间，从而更好的可扩展性。结论：可以通过外推消除离群点来消除决策偏差。作为证据，我们提出的xFAIR不仅在性能方面优于两种最先进的公平算法（通过公平性和性能指标衡量）。
2022-10-27 cs.LG cs.SE
Rethinking Software Development as a Self-Adaptive Socio-Technical System
ITIS Software, Universidad de Málaga（马拉加大学 ITIS 软件）
本文提出将软件开发视为自适应社会技术系统，使软件项目与开发配置随环境动态调整，以应对智能体AI带来的组织固定性问题。
2026-09-15 cs.SE
Building Resource Adaptive Software Systems (BRASS): Objectives and System Evaluation
随着现代软件系统继续无情地增加复杂性和能力，用户已习惯于定期更新和升级，以避免过时-如果在挫折方面付出一些代价的话。就美国军方而言，获得运行良好的软件系统和底层内容对国家安全至关重要，但更新的问题并不比民用用户少，而且往往需要相当多的时间和费用。为了应对这些挑战，DARPA宣布了一项新的为期四年的研究项目，以调查软件系统和数据在超过100年的时间内保持稳健和功能所需的基本计算和算法要求。建筑资源自适应软件系统（BRASS）计划旨在实现长期软件系统的设计和实现的基础性进展，这些系统可以动态地适应它们所依赖的资源和运行环境的变化。麻省理工学院林肯实验室将提供测试框架和评估拟议的软件工具，以支持这一革命性的愿景。
2015-10-07 cs.SE
FairLint-DL: An IDE-Native Tool for Fairness Debugging of Deep Learning Software
University of Illinois at Chicago（伊利诺伊大学芝加哥分校）
FairLint-DL是一个Visual Studio Code扩展，通过代理模型和QID指标实现训练前公平性检测，并在多个基准上高效发现偏差。
2026-09-16 cs.AI cs.LG cs.SE
Fairness Concerns in App Reviews: A Study on AI-based Mobile Apps
School of Computer Science, Wuhan University（武汉大学计算机学院）；RMIT University（皇家墨尔本理工大学）；University of Melbourne（墨尔本大学）；Deakin University（迪肯大学）；Monash University（莫纳什大学）
本研究通过构建公平性评论数据集并训练机器学习模型，从约950万条基于AI的移动应用评论中识别出约9.2万条公平性评论，进而归纳出六类公平性问题和六种根本原因。
2024-07-31 cs.AI cs.CY cs.SE
Comparative Separation: Evaluating Separation on Comparative Judgment Test Data
Department of Software Engineering, Rochester Institute of Technology（软件工程系，罗切斯特理工学院）；University of California, Santa Barbara（加州大学圣巴巴拉分校）；University of Vermont（佛罗里达大学）
本文提出比较分离概念，通过比较判断测试数据评估机器学习模型的公平性，证明其在二元分类中等同于传统分离标准。
2026-01-11 cs.LG cs.SE
Designing Adaptive Developer-Chatbot Interactions: Context Integration, Experimental Studies, and Levels of Automation
针对软件开发复杂度高、上下文多样且相关交互研究不足的问题，本研究探索基于上下文的开发者-聊天机器人自适应交互设计，以形成支持开发者工作的方案与知识。
2023-05-01 cs.SE
How do we Evaluate Self-adaptive Software Systems?
随着自适应系统研究的增加，有必要更好地了解评估研究贡献的方式。这些见解将支持研究人员在为社区开发新知识时更好地比较新发现。然而，到目前为止，还没有一个清晰的概述如何评估自适应系统中进行。为了解决这一差距，我们进行了一项测绘研究。这项研究的重点是在过去十年中发表的实验评估在软件工程的自适应系统的研究的主要地点-自适应和自我管理系统（SEAMS）的软件工程国际研讨会。结果指出，自适应系统的细节需要在实验过程中特别注意，包括管理系统的区别（即，评估的目标）和管理的系统，影响系统行为的不确定性的存在，因此需要在数据分析中考虑，以及管理的系统在实验中重复使用的潜力，而不是复制。最后，我们提供了一组来自我们的研究，可以作为输入，以加强未来的自适应系统实验的建议。
2021-03-21 cs.SE
An adaptive 3D virtual learning environment for training software developers in scrum
由于其在生产力、质量和客户满意度方面的潜在改进，Sign是敏捷软件开发中最常用的框架之一。学术界还专注于教授STEM实践，以帮助学生面对常见的软件工程挑战，并促进他们在专业环境中的插入。此外，学习技术的进步目前提供了许多虚拟学习环境，以多种方式增强学习。他们考虑个人学习者偏好的能力导致了向更个性化的培训方法的转变，要求环境适应学习者。我们提出了一种自适应的方法来培训开发人员在Sunday，包括一个自适应的虚拟学习环境的基础上费尔德的学习风格理论。虽然仍然是初步的，我们的研究结果表明，学生使用的环境，并收到指令匹配他们的喜好获得更高的学习收益比学生谁收到了不同的指令比他们喜欢的。我们还注意到，那些接受了与自己偏好相匹配的指导的学生，学习成绩的变化较小。这项工作的相关性超出了学习收益的影响，因为它描述了自适应虚拟学习环境可以在软件工程领域中使用。
2021-11-09 cs.SE
Fix Fairness, Don't Ruin Accuracy: Performance Aware Fairness Repair using AutoML
Iowa State University（爱荷华州立大学）；Carnegie Mellon University（卡内基梅隆大学）
本研究提出Fair-AutoML，利用AutoML改进优化函数和公平性感知搜索空间，在几乎不损失准确性的前提下修复ML模型偏见，实验显示显著优于现有方法。
2023-08-29 cs.LG cs.SE
