Evaluating Code Metrics in GitHub Repositories Related to Fake News and Misinformation
本文系统评估 GitHub 上假新闻与错误信息相关 Python 仓库的质量和复杂度指标，发现高人气、高引用项目通常代码更可维护、路径更复杂、规模和 Halstead 工作量更大但注释更少。
2023-04-26 cs.SE
TestMiner: Software Testing Analysis for GitHub Repositories
UFMG（米纳斯吉拉斯联邦大学）；University of Sheffield（谢菲尔德大学）；University of Bordeaux, CNRS（波尔多大学，法国国家科学研究中心）
研究针对软件系统测试特性差异带来的理解困难，提出TestMiner工具，可提供项目测试实践概述。通过本科课程中50名学生使用该工具探索真实仓库测试实践，学生反馈良好，此为其主要贡献。
2026-07-15 cs.SE
Topic Recommendation for Software Repositories using Multi-label Classification Algorithms
许多平台利用协作标记来在搜索或导航时为用户提供更快、更准确的结果。标签可以传达不同的概念，例如主要特性、技术、功能和软件存储库的目标。最近，GitHub允许用户使用主题标签来注释存储库。它还提供了一组特色主题，以及在社区的帮助下精心策划的可能的别名。这就创造了一个机会，通过训练模型向开发人员推荐高质量的主题标签，使用这个初始的主题种子来自动注释所有剩余的存储库。在这项工作中，我们研究了应用多标签分类技术预测软件仓库的主题。首先，我们将大量的用户自定义主题映射到GitHub上的主题。其核心思想是从项目的可用文档中获取更多信息。我们的数据包含有关$152$ K GitHub存储库和$228$特色主题。然后，我们将监督模型应用于存储库的文本信息，如描述、README文件、wiki页面和文件名。我们评估我们的方法的性能定量和定性。我们提出的模型分别达到了$0.890$和$0.805$的Recall@5和LRAP分数。此外，根据用户的评估，我们的方法是高度能够推荐一个正确的和完整的主题集。最后，我们使用我们的模型来开发一个名为\texttt{Repository Catalogue}的在线工具，它可以自动预测GitHub存储库的主题，并且可以公开使用。
2021-06-13 cs.SE
Sampling Projects in GitHub for MSR Studies
几乎每一个采矿软件库（MSR）的研究需要，作为第一步，选择主题软件库。这些存储库通常从GitHub等托管服务中收集，使用由研究目标指定的特定选择标准。例如，一项与许可证有关的研究可能对选择明确声明许可证的项目感兴趣。一旦定义了选择标准，就可以使用GitHub API等实用程序来“查询”托管服务。然而，研究人员必须处理这些API的使用限制和缺乏所需信息。例如，GitHub搜索API允许每分钟30个请求，并且在搜索存储库时，仅提供有限的信息（例如，不包括存储库中的提交数量）。为了支持研究人员从GitHub中对项目进行采样，我们提出了GHS（GitHub搜索），这是一个包含25个特征的数据集（例如，提交次数、许可证等）735，669个存储库，用10种程序设计语言编写。这组特征是通过在MSR研究中寻找常用的项目选择标准得出的，数据集不断更新，以（i）始终提供有关现有项目的新数据，以及（ii）增加索引项目的数量。GHS数据集可以通过我们构建的Web应用程序进行查询，该应用程序允许设置研究所需的选择标准的许多组合，并下载匹配存储库的信息：https://seart-ghs.si.usi.ch。
2021-03-08 cs.SE
Unveiling A Hidden Risk: Exposing Educational but Malicious Repositories in GitHub
本研究利用ChatGPT对3.52万个GitHub教育类代码仓库开展恶意性标注研究，发现其中9294个为恶意且分属14个恶意软件家族，揭示了教育类仓库的隐藏风险，为软件平台的安全分析敲响警钟。
2024-03-07 cs.CR cs.SE
Same File, Different Changes: The Potential of Meta-Maintenance on GitHub
GitHub等在线协作平台为软件开发人员提供了在存储库之间轻松重用和共享代码的能力。随着克隆并拥有和派生的流行，维护这些共享文件非常重要，特别是为了保持重用代码的最新版本。与相关工作不同的是，我们提出了元维护的概念，即，跟踪相同文件在不同存储库中的演变，目的是为这些文件提供有用的维护机会。我们进行了探索性的研究，通过分析来自七种不同的程序设计语言的存储库，探索元维护的潜力。我们的研究结果表明，GitHub上的大多数活动存储库至少包含一个文件，该文件也存在于另一个存储库中，并且这些文件中的一小部分在包含它们的不同存储库中以不同的方式进行维护。我们手动分析了共享文件及其变体的代表性样本，以了解哪些更改可能对元维护有用。我们的研究结果支持了元维护的潜力，并为未来的工作开辟了利用这种潜力的途径。
2021-02-12 cs.SE
Automatically Categorising GitHub Repositories by Application Domain
The University of Adelaide（阿德莱德大学）；Federal Institute of Pernambuco（伯南布哥联邦学院）；Federal University of Mato Grosso do Sul（南马托格罗索联邦大学）；Federal University of Pará（帕拉联邦大学）；Zup Innovation（Zup创新公司）；The University of Melbourne（墨尔本大学）
GitHub是互联网上最大的开源软件主机。这个庞大的、可免费访问的数据库吸引了从业人员和研究人员的关注。但随着GitHub的持续增长，越来越难以浏览跨越广泛领域的过多存储库。过去的工作表明，考虑应用程序域对于预测存储库的流行程度和推理项目质量等任务至关重要。在这项工作中，我们建立在先前注释的5，000个GitHub存储库的数据集上，以设计一个自动分类器，用于按应用程序域对存储库进行分类。分类器使用最先进的自然语言处理技术和机器学习，根据五个应用领域从多个数据源和目录库中学习。我们的贡献与（1）一个自动分类器，可以分配流行的存储库到每个应用程序域至少有70%的精度，（2）调查的方法的性能不太流行的存储库，和（3）这种方法的实际应用，以回答如何通过软件工程实践不同的应用程序域。我们的工作旨在帮助GitHub社区识别感兴趣的存储库，并为未来调查不同应用程序域存储库之间差异的工作开辟有希望的途径。
2022-07-30 cs.LG cs.SE
Automated DevOps Pipeline Generation for Code Repositories using Large Language Models
本研究利用GPT 3.5和GPT 4生成并评估GitHub Action工作流，提出DevOps感知分数，验证GPT 4在语法和DevOps感知上的显著提升，并开发了基于Probot的自动化应用。
2023-12-20 cs.SE
GitRank: A Framework to Rank GitHub Repositories
Intel Labs（英特尔研究院）
开源存储库提供了丰富的信息，并且越来越多地用于构建基于人工智能（AI）的系统，以解决软件工程中的问题。开源存储库可能具有不同的质量级别，质量差的存储库可能会降低这些系统的性能。因此，评估开源存储库的质量非常重要，因为在GitHub等代码托管网站上无法直接获得。在这个黑客程序中，我们利用已知的代码质量度量和GrimoireLab工具包来实现一个名为GitRank的框架，以三种不同的标准对开源存储库进行排名。我们在这份黑客报告中讨论了我们的发现和初步评估。
2022-05-04 cs.AI cs.LG cs.SE
GitHub Repositories with Links to Academic Papers: Public Access, Traceability, and Evolution
已发表的科学突破及其实施之间的可追溯性至关重要，特别是在开源科学软件的情况下，这些软件在其代码中实现了前沿科学。然而，调整GitHub存储库和学术论文之间的链接可能很困难，目前建立和维护此类链接的做法仍然未知。本文探讨了这些知识库中所包含的学术论文参考文献的作用。我们对2万个引用学术论文的GitHub存储库进行了大规模研究。我们使用混合方法的方法来确定公共访问，可追溯性和进化方面的链接。虽然引用论文并不典型，但我们发现绝大多数引用的学术论文都是公共访问的。这些资料库往往与学术界有联系。超过一半的论文没有链接到任何存储库。我们发现，来自顶级SE场所的学术论文不太可能引用存储库，但当它们引用时，它们通常会链接到GitHub软件存储库。在arXiv论文和引用库的网络中，我们发现引用最多的论文（i）在学术界被高度引用，（ii）被不同程序设计语言编写的库引用。
2021-10-04 cs.DL cs.SE
Predicting the Popularity of GitHub Repositories
GitHub是世界上最大的源代码库。它提供了一个基于git的源代码管理平台，以及许多受社交网络启发的功能。例如，GitHub用户可以通过为项目添加星星来表示赞赏。因此，一个仓库的星级数量是衡量其受欢迎程度的直接标准。在本文中，我们使用多元线性回归来预测GitHub存储库的星数。这些预测对存储库所有者和客户都很有用，他们通常想知道他们的项目在竞争激烈的开源开发市场中的表现如何。在大规模分析中，我们发现，在使用过去六个月收到的恒星数量进行训练后，所提出的模型开始提供准确的预测。此外，对于增长缓慢的存储库和/或星级较少的存储库，建议使用特定的模型（使用来自具有相同增长趋势的存储库的数据生成）。最后，我们评估了预测存储库星级数量的能力，但它在GitHub存储库中的排名。我们发现预测和实际排名之间有很强的相关性（斯皮尔曼的rho大于0.95）。
2016-07-14 cs.SE cs.SI
What Makes a Popular Academic AI Repository?
许多人工智能研究人员正在GitHub存储库中发布伴随他们论文的代码，数据和其他资源。在本文中，我们将这些知识库称为学术AI知识库。我们的初步研究表明，高被引论文更有可能拥有流行的学术AI知识库（反之亦然）。因此，在这项研究中，我们对学术人工智能知识库进行了实证研究，以突出流行的学术人工智能知识库的良好软件工程实践。我们收集了1，149个学术AI存储库，其中我们将拥有最多星星的前20%存储库标记为受欢迎，我们将底部70%的存储库标记为不受欢迎。剩下的10%存储库被设置为流行和不流行的学术AI存储库之间的差距。我们提出了21个特征来描述学术AI知识库的软件工程实践。我们的实验结果表明，流行和不流行的学术AI存储库在11个研究特征上存在统计学显著差异--表明这两组存储库具有显著不同的软件工程实践。此外，我们发现README文件中指向其他GitHub存储库的链接数量、README文件中的图像数量以及包含许可证是区分两组学术AI存储库的最重要特征。我们的数据集和代码是公开的，可以与社区共享。
2020-10-10 cs.SE
Unusual Events in GitHub Repositories
在大型和活跃的软件项目中，让开发人员了解所有项目活动变得不切实际。虽然可能没有必要了解每个提交或问题，但可以说了解不寻常的提交或问题是很重要的。为了研究这一假设，我们在200个GitHub项目中识别出了异常事件，使用了一个全面的列表，列出了工件可能异常的方式，并要求140名负责这些事件或受这些事件影响的开发人员对相应信息的有用性发表评论。基于2,096个答案，我们确定了开发人员认为特别有用的不寻常事件的子集，包括大量的代码修改和不寻常的审查活动，以及这些答案背后原因的定性证据。我们的研究结果提供了一种方法，可以减少开发人员需要解析的信息量，以便在项目中保持最新的开发活动。
2018-04-30 cs.SE
GitHub Template Repositories: Served Domains, Maintenance, and Practitioner Guidelines
Polytechnique Montréal（蒙特利尔理工学院）；Centro de Informática, Universidade Federal de Pernambuco（伯南布哥联邦大学信息学中心）
通过对五种主流编程语言的 GitHub 模板仓库进行大规模实证研究，分析了模板的服务领域、维护特征及质量问题，并提出了设计和管理模板的实用指南。
2026-06-15 cs.SE
How do Software Engineering Researchers Use GitHub? An Empirical Study of Artifacts & Impact
本文通过手工标注顶级软件工程会议论文中的 GitHub/Zenodo 链接并深入分析309个仓库，考察研究制品的维护、社区关注与学术影响力。
2024-04-05 cs.SE
Anomalicious: Automated Detection of Anomalous and Potentially Malicious Commits on GitHub
安全性对于采用开源软件（OSS）至关重要，但目前很少有自动化解决方案可以帮助检测和防止恶意贡献感染开源存储库。在GitHub上，OSS的主要主机，存储库不仅包含代码，还包含大量与提交相关的上下文元数据-如果这些元数据可以用于自动识别恶意OSS贡献呢？在这项工作中，我们将展示如何仅使用提交日志和存储库元数据来自动检测异常和潜在的恶意提交。我们识别并评估了几个相关因素，这些因素可以从这些数据中自动计算出来，例如敏感文件的修改，异常值更改属性，或对提交作者缺乏信任。我们的工具Anomalicious自动计算这些因素，并使用基于规则的决策模型全面考虑它们。在对15个受恶意软件感染的存储库的数据集进行评估时，Anomalicious显示出令人鼓舞的结果，并识别出53.33%的恶意提交，而大多数存储库的提交标记率不到1%。此外，该工具在分析没有已知恶意提交的存储库时发现了其他与恶意提交无关的有趣异常。
2021-03-09 cs.SE
Analyzing developer discussions on EU and US privacy legislation compliance in GitHub repositories
University of Cyprus（塞浦路斯大学）；Singapore Management University（新加坡管理大学）
借助GitHub仓库中开发者问题数据，通过挖掘分析32820个问题（部分自动、部分手动），探究开源软件开发者为遵守隐私立法所讨论的问题，构建分类法助从业者、教育界和研究界应对隐私合规。
2026-07-07 cs.SE
What's Inside a GitHub Repository? An Empirical Study on the Contents of 10K Projects
DCC, UFMG（联邦米纳斯吉拉斯大学计算机系）；REALISE Lab, Concordia University（康科迪亚大学）
本文通过分析10000个GitHub仓库的文件和目录，揭示了过去十年仓库内容的变化，包括README.md标准化、GitHub Actions兴起、配置格式演变及生成式AI相关内容的增长。
2026-07-15 cs.SE
Measuring the effectiveness of code review comments in GitHub repositories: A machine learning approach
本文通过人工标注13557条GitHub代码审查评论，比较七种机器学习算法的情感极性分类效果，发现线性SVC准确率最高，以帮助程序员避免误解并改进决策。
2025-08-22 cs.SE
Demystifying the Evolution of Neural Networks with BOM Analysis: Insights from a Large-Scale Study of 55,997 GitHub Repositories
针对神经网络软件演化分析缺乏适用物料清单的问题，提出NNBOM数据集，基于55,997个PyTorch仓库构建数据库，实证研究规模、复用与依赖演化，并开发两个原型应用。
2025-09-24 cs.SE
Generating GitHub Repository Descriptions: A Comparison of Manual and Automated Approaches
鉴于GitHub上托管了大量的存储库，项目发现和检索对GitHub用户来说变得越来越重要。存储库描述是访问存储库的用户的第一个联系点之一。然而，存储库所有者通常无法提供高质量的描述;相反，他们使用模糊的术语，对存储库的目的解释得很差，或者完全省略了描述。在这项工作中，我们研究了编写GitHub存储库描述的当前实践。我们的调查导致LSP（语言，软件技术和目的）模板的建议，以制定清晰，简洁和信息丰富的GitHub存储库的良好描述。为了了解目前的自动化技术可以支持生成存储库描述的程度，我们比较了最先进的文本摘要方法在这项任务上的性能。最后，我们对GitHub用户的用户研究表明，自动摘要可以充分用于GitHub存储库的默认描述生成，而遵循LSP模板的描述提供了与GitHub用户沟通的最有效工具。
2021-10-25 cs.SE
CAM: A Collection of Snapshots of GitHub Java Repositories Together with Metrics
CAM 项目提供开源工具，从 GitHub 克隆 Java 仓库并计算多种度量，定期生成含 532K 类、每类 48 个指标的数据集，供研究人员使用。
2024-03-13 cs.SE
GIRT-Data: Sampling GitHub Issue Report Templates
GitHub的问题报告为开发人员提供了对软件开发项目的发展至关重要的宝贵信息。贡献者可以使用这些报告来执行软件工程任务，如提交bug、请求功能和协作构思。在最初版本的问题报告中，没有使用它们的标准方法。因此，问题报告的质量差别很大。为了提高问题报告的质量，GitHub引入了问题报告模板（IRT），当打开新问题时，该模板会预填充问题描述。IRT通常包含问候贡献者，描述项目指南和收集相关信息。然而，尽管这个功能在2016年推出，但只有近5%的GitHub存储库（超过10颗星）使用它。目前关于IRT的文章很少，可用的文章只考虑了少数存储库。在这项工作中，我们引入了GIRT数据，这是YAML和Markdown格式的第一个也是最大的IRT数据集。该数据集及其相应的开源爬虫工具旨在支持这一领域的研究，并鼓励更多的开发人员在其存储库中使用IRT。数据集的稳定版本包含1，084，300个存储库，其中50，032个支持IRT。数据集和爬虫程序的稳定版本可在此处获得：www.example.com
2023-03-21 cs.SE
Analyzing the Accessibility of GitHub Repositories for PyPI and NPM Libraries
本研究通过 PageRank 算法分析 PyPI 和 NPM 库的 GitHub 仓库可访问性，发现多数库（尤其重要库）可监控，但部分库缺少 URL，建议维护者更新信息。
2025-04-23 cs.SE
An Empirical Study on Workflows and Security Policies in Popular GitHub Repositories
本研究通过分析大量热门 GitHub 仓库，发现工作流和安全策略的采用率较低，强调维护者应优先配置 CI/CD 工作流、启用静态分析并制定安全策略以降低供应链风险。
2023-05-25 cs.CR cs.SE
What's in a GitHub Repository? -- A Software Documentation Perspective
开发人员在GitHub上使用和贡献存储库。存储库中的文档是一个重要的资源，可以帮助开发人员理解、维护和为项目做出贡献。目前，存储库中的文档是多样化的，存在于各种文件中，其中大部分存在于自述文件中。然而，存储库中的其他软件工件，如问题报告和拉取请求，也可以对文档有所贡献，而无需显式指定文档。因此，在本文中，我们提出了一个分类的文档来源，通过分析不同的软件工件，开发人员的采访和卡片排序的方法。我们检查了950个公共GitHub存储库中的多个工件，这些工件是用四种不同的程序设计语言编写的，C++，C#，Python和Java，并分析了可以从这些工件中提取的文档的类型和数量。为此，我们观察到，约25.93%的信息提取的所有来源中提出的分类包含错误相关的文档，并拉请求贡献了约18.21%的提取信息。
2021-03-01 cs.SE
GitQ- Towards Using Badges as Visual Cues for GitHub Projects
GitHub托管数百万个软件存储库，方便开发人员以多种方式为许多项目做出贡献。大多数关于仓库的信息都是基于文本的，以star、fork、commits等形式出现。然而，愿意为GitHub上的项目贡献内容的开发人员通常会发现，由于GitHub上存在大量的仓库，因此选择合适的项目进行贡献或重用是一件很有挑战性的事情。此外，获取这些所需的信息往往成为一个繁琐的过程，因为人们必须仔细挖掘隐藏在存储库中的信息。为了减轻工作密集型的挖掘过程，研究人员提出了npm标记来概述与项目的构建状态相关的信息。然而，这些标记是静态的，并且将它们的使用限制在包依赖性和构建细节上。向存储库添加诸如标记之类的可视提示可能会减少开发人员的搜索空间。因此，我们提出了GitQ，以自动增加GitHub存储库，其中包含代表源代码和项目维护信息的徽章。将GitQ作为浏览器插件呈现给GitHub可以让使用GitHub的开发人员轻松访问它。基于UTAUT模型，GitQ由15名开发人员进行评估，以了解开发人员对其有用性的看法。我们观察到，15个开发人员中有11个认为GitQ在使用GitQ生成的视觉提示来识别正确的存储库集方面很有用。源代码和工具可以在GitHub上下载，网址是https：//github.com/gitq-for-github/plugin，演示可以在https://youtu.be/c0yohmIat3A上找到…
2022-05-02 cs.HC cs.SE
Understanding the Factors that Impact the Popularity of GitHub Repositories
软件流行度对于现代开源开发人员来说是一个有价值的信息，他们不断地想知道他们的系统是否吸引了新用户，新版本是否被接受，或者他们是否满足用户的期望。在本文中，我们描述了一项关于GitHub上托管的软件系统流行度的研究，GitHub是世界上最大的开源软件集合。GitHub为用户提供了一种明确的方式来表达他们对托管存储库的满意度：stargazers按钮。在我们的研究中，我们揭示了影响GitHub项目星级数量的主要因素，包括程序设计语言和应用领域。我们还研究了新功能对项目受欢迎程度的影响。最后，我们确定了流行度增长的四种主要模式，这些模式是在对代表2，279个流行GitHub存储库的星星数量的时间序列进行聚类后得出的。我们希望我们的结果为开发人员和维护人员提供有价值的见解，这可以帮助他们在竞争激烈的软件市场中构建和发展系统。
2016-07-14 cs.SE cs.SI
Technical Debt Management in OSS Projects: An Empirical Study on GitHub
技术债（TD）是指延迟的任务和不成熟的工件，可能会带来短期的好处，但在长期的维护和发展过程中会产生额外的更改成本。在过去的十年中，人们对TD进行了广泛的研究，许多开源软件项目被用来探索TD的具体方面，并验证TD管理的各种方法。然而，对于开放源码软件开发中的时分复用实践，仍然缺乏全面的理解，这渗透了开放源码软件社区对时分复用概念的理解，以及在开放源码软件开发中如何管理时分复用。为此，我们对整个GitHub进行了实证研究，以探索基于OSS项目中的问题的TDM的采用和执行。我们从GitHub的问题跟踪系统中收集了2009年至2020年期间分布在3，598个存储库中的35，278个标记为TD（TD问题）的问题。调查结果如下：（1）开放源码软件社区正在接受TD概念;（2）对TD实例的分析表明，TD可能会影响软件系统的内部和外部质量;（3）在31.1%的存储库中只发现了一个TD问题，在69.0%的存储库中，所有TD问题都是由一个开发人员发现的;（4）27.3%的知识库在发现TD问题后忽视了TDM;（5）在有TD标签的知识库中，32.9%的知识库放弃了TDM，只有8.2%的知识库采用TDM作为一贯做法。这些发现为TDM实践者提供了有价值的见解，并为进一步调查提供了有前途的研究方向。
2022-12-11 cs.SE
Integrating Large Language Models in Software Engineering Education: A Pilot Study through GitHub Repositories Mining
本研究通过挖掘400个GitHub项目开展试点，实证验证了SE教育中LLM应用的激励与阻碍因素分类体系，为构建负责任融入的综合框架奠定基础。
2025-09-05 cs.SE
Understanding Prompt Management in GitHub Repositories: A Call for Best Practices
Queen’s University（女王大学）；Huawei Technologies（华为技术）；L L ahore University of Management Sciences（拉瓦尔管理科学大学）
本研究通过分析GitHub仓库中的开源提示，揭示了提示管理中的关键挑战，并提出了提升提示软件可用性和可维护性的最佳实践建议。
2026-01-04 cs.AI cs.SE
Analyzing the Productivity of GitHub Teams based on Formation Phase Activity
我们的目标是了解GitHub上高绩效团队的特征。为此，我们从软件存储库中收集数据，并通过检查生产力的差异来评估团队。我们的研究集中在团队形成阶段，即存储库创建后的前六个月。为了更好地理解团队活动，我们根据他们的工作活动的比例对存储库进行了聚类，并发现了团队中的三种工作风格：沟通者，沟通者和合作者。根据我们的研究结果，我们认为GitHub上软件开发存储库中的早期活动建立了协调流程，随着时间的推移实现了有效的协作。
2020-11-06 cs.SE cs.SI
A Quantitative Study of Security Bug Fixes of GitHub Repositories
软件容易出现错误和故障。安全漏洞是那些违反软件要求而暴露或共享特权信息和访问的漏洞。考虑到安全漏洞的严重性，存在用于跨多个产品支持和跟踪这些漏洞的集中机制，其中一种机制是通用漏洞和暴露（CVE）ID描述。当一个bug获得一个CVE时，它是通过它的CVE ID引用的。因此，我们在Github上探索了数千个自由/自由开源软件（FLOSS）项目，以确定开发人员是否在他们的代码，提交和问题中引用或讨论CVE。CVE通常会引用项目的第三方软件依赖项，因此错误不会出现在实际产品本身中。我们研究这些引用中有多少是故意的CVE引用，以及有多少是项目本身的相关错误。我们研究如何修复引用CVE的错误以及修复这些错误需要多长时间。我们对250个错误报告进行手动分类的结果显示，88个（35%）、32个（13%）和130个（52%）被分类为“版本更新”、“修复代码”和“讨论”。为了了解修复这些错误需要多长时间，我们比较了两个时间段，报告期，CVE存储库中漏洞信息的披露日期和项目中错误报告的创建日期之间的时间段，以及修复期，错误报告的创建日期和错误报告的修复日期之间的时间段。我们发现，44%的bug报告被归类为“版本更新”或“修复代码”，报告期比修复期长。这表明，那些提交CVE的人应该更直接地通知受影响的项目。
2020-12-15 cs.SE
RepoMaster: Autonomous Exploration and Understanding of GitHub Repositories for Complex Task Solving
UCAS（中国科学技术大学）；CASIA（中国科学院自动化研究所）；BUPT（北京邮电大学）；PKU（北京大学）；NUS（新加坡国立大学）；StepFun；THU（清华大学）；SCNU（华南师范大学）；USTC（中国科学技术大学）；SDU（山东大学）
针对代码智能体难以利用GitHub仓库解决复杂任务的问题，提出RepoMaster自主框架，通过构建函数调用图等识别核心组件并优化上下文，在两个基准测试中显著提升任务表现并降低token消耗。
2025-08-25 cs.AI cs.SE
Forecasting the Maintained Score from the OpenSSF Scorecard: A Study of GitHub Repositories Linked to PyPI Packages
fortiss GmbH（fortiss公司）；Technical University of Munich（慕尼黑工业大学）
本文研究如何通过机器学习和深度学习模型预测OpenSSF评分卡中的维护分数，发现聚合表示如分桶分数和趋势类型能实现较高准确率。
2026-04-30 cs.SE
Predicting the Objective and Priority of Issue Reports in Software Repositories
开发人员协作讨论、实现、使用和共享托管在软件存储库上的软件实体。正确的文档在成功的软件管理和维护中起着重要的作用。用户利用问题跟踪系统（一种软件存储库工具）跟踪问题报告，管理工作量和流程，最后记录团队工作的亮点。问题报告是协作管理的软件知识的丰富来源，可以包含报告的问题，对新功能的请求，或者仅仅是关于软件产品的问题。随着这些问题数量的增加，手动管理它们变得越来越困难。GitHub提供了标记问题的标签，作为问题管理的一种手段。然而，在GitHub的前1000个存储库中，大约有一半的问题没有任何标签。我们的目标是自动化软件团队管理问题报告的过程。我们提出了一个两阶段的方法来预测背后的目标打开一个问题，它的优先级使用功能工程方法和国家的最先进的文本分类。据我们所知，我们是第一个微调Transformer以进行问题分类的公司。我们在基于项目和跨项目的环境中对模型进行训练和评估。后一种方法提供了一个通用的预测模型，适用于任何看不见的软件项目或几乎没有历史数据的项目。我们提出的方法可以成功地预测问题报告的目标和优先级，分别为82%和75%的准确率。此外，我们对六个看不见的GitHub项目中未标记的问题进行了人工标记和评估，以评估跨项目模型在新数据上的性能。该模型达到90%的准确率。我们获得85%的平均百分比协议和71%的伦道夫的自由边际Kappa转化为大量的协议之间的贴标机。
2021-09-28 cs.SE
SentTrack: Sentiment-Driven Bottleneck Detection in GitHub Issue Repositories
University of Tennessee（田纳西大学）
提出SentTrack双管道框架，结合大语言模型摘要与ABCDE交互分类，从约9000个GitHub问题线程中检测社会技术瓶颈，发现49%线程停滞，仅13%解决，并通过加权评分引擎优先处理高摩擦讨论。
2026-06-11 cs.SE
Developers' Perception of GitHub Actions: A Survey Analysis
GitHub在2019年推出了“Action”，以提高工作流速度并为存储库添加自定义自动化。任何人都可以在GitHub存储库上开发用于自动化工作流的操作，其他人可以在开源时重用它们。GitHub推出了用于商业化和共享这些自动化工具的市场，目前该市场包含16，730个操作。然而，有许多Action是在本地存储库和Marketplace之外开发和分发的。到目前为止，研究界进行了挖掘研究，以了解行动，重点关注CI/CD。我们对90名Action开发人员和用户进行了调查研究，以了解使用，开发和调试Action的动机和最佳实践，以及与这些任务相关的挑战。我们发现，开发人员在选择类似的Action时，更喜欢具有验证创建者和更多星级的Action，并且在遇到bug或缺乏文档时经常切换到替代Action。60.87%的开发人员认为YAML文件的组成是Action集成的关键，具有挑战性且容易出错。他们主要检查Q\&A论坛来修复这些YAML文件的问题。最后，开发人员倾向于避免使用操作（以及自动化）来降低复杂性和安全风险，或者当操作的好处不值得为自动化设置操作的成本/工作时。
2023-03-07 cs.SE
Empirical Study on the Characteristics and Evolution of AI-usage in GitHub Repositories: Evidence from Code Comments
Missouri University of Science and Technology（密苏里科技大学）；Drexel University（德雷塞尔大学）
通过分析35,361条提及AI的GitHub代码注释及后续提交，发现开发者主要用LLM实现代码，随后频繁重构、集成和修复，AI引用从代码生成转向知识支持和代码增强。
2026-06-05 cs.SE
A Two-Dimensional Study of the Model Context Protocol: Publication and Adoption
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）
本研究通过分析802篇论文和33,319个GitHub仓库，揭示MCP在2025年快速兴起并于2026年3月达峰，多数用途为使能技术，并提供了格局概览与建议。
2026-09-15 cs.SE
Domain-Driven Design in Practice: A Mining Study of Maintenance and Evolution in Open-Source Repositories
Karlsruhe Institute of Technology（卡尔斯鲁厄理工学院）；Adelaide University（阿德莱德大学）；Faculty of Science and Engineering Waseda University（早稻田大学理工学府）；esentri AG（esentri股份公司）
通过挖掘GitHub仓库，研究领域驱动设计战术构建块的分布、演化及其对软件维护质量的影响，量化边界上下文违规的规模与维护关联。
2026-06-24 cs.SE
An Empirical Study of Blockchain Repositories in GitHub
区块链是一种分布式账本技术，可以保证交易的可追溯性。区块链被应用于金融等多个领域（例如，加密货币），医疗保健，安全和供应链。在开源软件（OSS）门户网站GitHub中，我们观察到越来越多的人采用基于区块链的解决方案。鉴于基于区块链的解决方案在我们的日常生活和不断发展的加密货币市场中迅速出现，了解现状，开发人员通常如何在这些存储库中进行交互，以及他们在应用代码更改方面有多大的自由度是很重要的。我们报告了对GitHub上3,664个区块链软件库的实证研究。我们将区块链存储库分为两类：工具（例如，SDK）和应用程序（例如，使用SDK开发的服务/解决方案）。应用程序类别进一步分为两个子类别：加密和非加密应用程序。在所有区块链存储库类别中，提交时的贡献交互是最常见的交互类型。我们发现，更多的组织比个人用户为区块链仓库做出了贡献。工具中的内部和外部用户的中位数高于应用程序库。我们观察到更高程度的合作（例如，对于维护工作）在区块链工具中的用户中比在应用程序存储库中的用户中。在工件中，问题比提交和拉取请求有更多的交互。关于自主性，我们发现，不到一半的项目贡献是自主的。我们的研究结果为区块链利益相关者提供了启示，例如开发人员要了解区块链软件的OSS实践。
2022-05-17 cs.CR cs.SE
On the Footprints of Reviewer Bots Feedback on Agentic Pull Requests in OSS GitHub Repositories
Lahore University of Management Sciences（拉合尔管理科学大学）
研究探讨审查员机器人反馈质量与数量对代理拉取请求接受和解决时间的影响，发现反馈质量下降与评论数量增加相关，建议优先提供高相关性反馈。
2026-04-27 cs.SE
LabelGit: A Dataset for Software Repositories Classification using Attributed Dependency Graphs
Bernoulli Institute University of Groningen Groningen, Netherlands
软件存储库托管服务包含大量开源软件，GitHub托管了超过1亿个存储库，从新的到已建立的。考虑到如此大量的项目，迫切需要基于软件的内容和功能进行搜索。然而，尽管GitHub提供了各种解决方案来帮助软件发现，但大多数存储库没有任何标签，从而降低了搜索和基于主题的分析的实用性。此外，软件模块的分类也变得越来越重要，因为基于代理的软件开发越来越多。然而，以前的工作集中在使用基于关键字的方法或项目代理的软件分类上（例如，README），并不总是可用的。在这项工作中，我们创建了一个名为LabelGit的GitHub Java项目的新注释数据集。我们的数据集使用来自源代码的直接信息，例如依赖图和来自标识符的源代码神经表示。使用这个数据集，我们希望帮助开发不依赖代理的解决方案，而是使用整个源代码来执行分类。
2021-03-16 cs.LG cs.SE
Chaos Engineering in the Wild: Findings from GitHub
Jheronimus Academy of Data Science（杰罗尼穆斯数据科学学院）；Tilburg University（蒂尔堡大学）；University of Sannio（萨尼奥大学）；University of Salerno（萨莱诺大学）
本研究通过大规模挖掘GitHub仓库，揭示了混沌工程工具在开源项目中的采用集中于少数工具，网络故障和实例终止占主导，为工具选择和未来研究提供了实证依据。
2026-09-22 cs.SE
Skill Constellations: Tracing the Supply Chain of Agent Skills on GitHub
University of British Columbia（不列颠哥伦比亚大学）
本研究构建了首个带时间戳的GitHub智能体技能复制网络，拟合模型对需审计代码仓库排名，审查排名最高的100个仓库可阻止14.9%高风险技能后续采用，为安全工程师提供了技能传播前的检查清单。
2026-10-09 cs.CR cs.SE cs.SI
Industry Classification of GitHub Repositories Using the North American Industry Classification System (NAICS)
研究利用北美行业分类系统对GitHub仓库进行行业分类，提出结合多种技术的检索与验证管道生成标签，构建NAICS-GH语料库，测试表明标签精度高，还对预训练编码器进行基准测试，相关数据和代码开源。
2026-07-08 cs.AI cs.DB cs.SE
On the Creation of Representative Samples of Software Repositories
针对软件仓库抽样常依赖随机选择或无关变量的问题，提出一种兼顾仓库总体特征与实证研究需求的代表性样本创建方法，并以 Hugging Face 仓库用例验证。
2024-10-02 cs.SE
Deciphering WONTFIX: A Mixed-Method Study on Why GitHub Issues Get Rejected
本研究采用混合方法分析GitHub 3132个热门仓库的wontfix标签使用情况，发现约30%项目使用该标签，归纳出八大使用原因，指出其是资源管理关键工具但可能影响社区参与与管理透明度。
2025-10-01 cs.SE
Analyzing the Evolution and Maintenance of Quantum Software Repositories
本研究通过挖掘GitHub上2.1万余个量子软件仓库的120万次提交，分析其演化与维护特征，揭示了增长趋势、提交类型分布及量子特有问题占比，为量子软件工程实践改进提供实证依据并开源数据集。
2025-06-06 cs.SE
ZeroIn: Characterizing the Data Distributions of Commits in Software Repositories
现代软件开发是基于一系列快速增量更改，这些更改由具有不同经验和专业知识水平的开发人员对大型源代码存储库进行协作。ZeroIn项目旨在分析这些动态现象的元数据，包括关于存储库、提交和开发人员的数据，以快速准确地标记提交到达存储库时的质量。在这种情况下，本文提出了一个表征的软件开发元数据的分布数据，最好的捕捉趋势的数据集。为此，我们分析了多个数据集，包括开发人员特性的Stack Overflow和超过4.52亿个存储库的GitHub数据，其中包含1600万次提交。这种表征旨在使生成多个合成数据集成为可能，这些数据集可用于训练和测试基于机器学习的新解决方案，以提高软件的可靠性，即使它在发展。它还旨在服务于开发过程，以利用跨存储库和开发人员的聚合空间的许多关键特征向量之间的潜在相关性。本文的数据特征化旨在为ZeroIn的机器学习组件提供信息，包括应用二进制分类器来早期标记有缺陷的软件提交，以及开发基于图的学习方法来利用存储库、提交和开发人员之间的稀疏连接。
2022-04-16 cs.SE
HiGitClass: Keyword-Driven Hierarchical Classification of GitHub Repositories
University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；Carnegie Mellon University（卡内基梅隆大学）；Iowa State University（爱荷华州立大学）
针对GitHub仓库缺乏标签的问题，提出基于关键词驱动的层次化分类框架HiGitClass，通过异构信息网络嵌入、关键词扩充和主题建模整合多模态数据，在弱监督下实现了优于现有方法的分类性能。
2021-11-13 cs.CL cs.LG cs.SE
Characterizing Issue Management in Runtime Systems
本文对GitHub中34个运行时系统存储库的约118K个问题进行了实证研究，揭示了问题类型、解决率及特征对问题关闭的影响，并提出了六项改进建议。
2023-10-24 cs.SE
GitHub Repository Complexity Leads to Diminished Web Archive Availability
该研究通过分析超12000个主要来自GitHub的仓库主页及源码树，发现其Web存档存在不同程度损坏，且源文件存档率极低，主页链接的文件存档率最高，深层目录存档率骤降。
2025-05-21 cs.DL cs.IR cs.SE
