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
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
Bita: A Conversational Assistant for Fairness Testing
University of Calgary（卡尔加里大学）
Bita是一个基于大型语言模型的对话助手，旨在通过公平性视角帮助软件测试人员检测偏见、评估测试计划并生成公平性导向的测试章程，提供可重复的公平性测试解决方案。
2025-12-05 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
A Survey of Software Engineering Practices in Turkey (extended version)
背景：了解行业中使用的软件工程实践和技术的类型是很重要的。在每个软件团队和公司中进行的软件工程实践的类型和成熟度方面有很宽的范围。为了描述在软件公司中进行的软件工程实践的类型，在不同的国家和地区进行了各种调查。土耳其有一个充满活力的软件行业，重要的是要描述和了解该行业的软件工程实践的状态。目标：我们的目标是描述和掌握土耳其软件行业软件工程实践类型的高级观点。在这项研究中，我们调查的软件工程实践包括：软件需求、设计、开发、测试、维护、配置管理、发布计划和支持实践。目前的调查是在土耳其软件行业背景下进行的最全面的调查。方法：为了实现上述目标，我们系统地设计了一个在线调查46个问题，根据我们过去的经验，在加拿大和土耳其的背景下，并使用软件工程知识体系（SWEBOK）。来自土耳其软件行业的202名执业软件工程师参加了调查。我们分析和报告在本文中的问题的结果。只要有可能，我们还会将我们的调查趋势和结果与2010年在加拿大软件行业进行的类似调查结果进行比较。
2014-12-16 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
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 Survey of Software Reliability Models
软件可靠性分析是在软件工程过程中的各个阶段进行的，旨在评估软件可靠性要求是否已经（或可能）得到满足。在这份报告中，我总结了一些基本的黑盒和白盒软件可靠性模型。我也提出了这些模型的一些普遍的缺点，并提出进一步研究的途径。
2013-04-16 cs.SE
Contextual Fairness-Aware Practices in ML: A Cost-Effective Empirical Evaluation
该研究从情境性和成本效益两方面实证评估ML公平感知实践，揭示情境对实践效果的影响，为SE从业者选择低性能成本的公平实践、开发伦理ML系统提供指导。
2025-03-19 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
Survey on Essential and Accidental Real-Time Issues in Software Engineering
软件产品线是近年来被认为是提高软件开发效率的最有前途的方法之一。不同的研究工作有助于支持参数和谈判的问题，产生一个完美的软件计划。传统的方法或回收软件不能有效地解决软件竞争力问题。随着软件工程在过去几年中的快速发展，研究表明，一些方法在工业界和大学都得到了广泛的关注。这种方法被归类为软件产品线改进，支持大型组织中的软件重用。不同行业正采用新产品开发的生产线，以提高效率和减少运营开支。本研究论文的目的是对软件工程的复杂性、一致性、易变性、不可见性、时间限制、预算限制和安全性等问题进行深入研究。我们通过走访不同的专业软件开发机构进行了各种调研，并从专业软件工程师那里获得反馈，分析他们在软件系统开发过程中所面临的实时的【形】问题。调查结果表明，复杂性是大多数软件开发人员在开发软件应用程序时面临的最常见的问题。此外，根据调查，隐形是很少发生的问题。
2017-03-10 cs.SE
From Bugs to Benchmarks: A Comprehensive Survey of Software Defect Datasets
University of California, Davis（加州大学戴维斯分校）；University of Stuttgart（斯图加特大学）
本文综述了151个软件缺陷数据集，探讨了其范围、构建方法及应用，并提出未来研究方向以解决缺陷类型代表性不足的问题。
2026-02-10 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
A Survey on Software Testing Techniques using Genetic Algorithm
软件行业的总体目标是确保向最终用户交付高质量的软件。为了保证软件的高质量，需要对软件进行测试。测试确保软件满足用户规范和要求。然而，软件测试领域存在许多需要解决的潜在问题，例如测试用例的有效生成、测试用例的优先级排序等。这些问题需要测试的努力，时间和成本。已经提出了不同的技术和方法来处理这些问题。利用进化算法自动生成测试一直是许多研究人员感兴趣的领域。遗传算法（GA）就是这样一种进化算法。在这篇研究论文中，我们提出了一个调查的GA方法来解决软件测试过程中遇到的各种问题。
2014-11-05 cs.SE
Benchmarking Software Vulnerability Detection Techniques: A Survey
软件漏洞可能会造成严重的后果，这就是为什么已经提出了许多技术来防御它们。其中，漏洞检测技术是一个主要的重点领域。然而，缺乏一个全面的方法来衡量这些建议的技术。在本文中，我们提出的第一个调查，全面调查和总结的现状软件漏洞检测基准。我们回顾了目前的文献基准漏洞检测，包括基准方法的技术提出的论文和实证研究。我们还分别讨论了传统和基于深度学习的漏洞检测技术的基准测试方法。我们的调查分析了基准测试软件漏洞检测技术的挑战和所涉及的困难。我们总结了基准测试软件漏洞检测技术的挑战，并描述了解决这些挑战的可能解决方案。
2023-03-29 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
Survey of Human Factors in Crisis Responsive Software Development
尽管软件开发对社会做出了巨大的贡献，但它仍然是一项非常昂贵的高风险投资。每一个软件项目开始的意图是按时和在预算内交付软件产品，但这些软件项目中有很大一部分要么未能充分发挥其潜力，要么完全失败。在这方面，有很多因素在起作用，其中最主要的因素是人的因素，这往往被忽视，而且往往是最大或最强的因素，因为软件开发是一项基本的人类努力。对人的因素的认识和理解可以极大地影响软件开发的成功。本次调查的目的是找出并抛出更多的光在危机响应软件开发的影响，拼出一些建议，并建议未来的研究方向的人为因素。在本文中，我们使用一个案例研究来调查人为因素。
2020-07-23 cs.SE
State of the Practice in Software Effort Estimation: A Survey and Literature Review
工作量估计是软件项目成功的关键因素，定义为在时间表和预算内交付商定质量和功能的软件。传统上，工作量估计用于计划和跟踪项目资源。基于这些目标的工作量估计方法通常专注于提供精确的估计，并且通常不支持最近在软件行业中变得重要的目标，例如因果工作依赖关系的系统和可靠分析。本文介绍了从工业的角度来看，软件工作量估计的研究结果。该研究调查的工业目标，软件组织的能力，以应用某些估计方法，并实际应用的软件工作量估计的做法。最后，在调查中确定的努力估计方法的要求进行比较，对现有的估计方法。
2014-01-23 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
Survey Research in Software Engineering: Problems and Strategies
背景：在软件工程中，对经验调查的需求正在增长。如今，许多研究人员使用实证研究来进行和验证他们的解决方案。调查是一种实证方法，它使研究人员能够从大量人口中收集数据。调查的主要目的是概括调查结果。目的：在这项研究中，我们的目标是确定研究人员在调查设计过程中面临的问题，以及缓解策略。方法：文献回顾以及半结构化访谈9软件工程研究人员进行了征求他们的意见的问题和缓解策略。研究人员都集中在经验的软件工程。结果：根据调查研究过程，共发现24个问题和65条对策。最常讨论的问题是抽样，特别是获得足够大样本的能力。为了改进调查工具的设计，提出了问题制定和调查预测试的评价和执行建议。强调了让多名研究人员参与调查结果分析的重要性。结论：所提出的问题和策略可供研究者在设计研究时参考。然而，有人指出，有些战略是相互冲突的。这表明在策略之间进行权衡分析很重要。
2017-04-04 cs.SE
Factors that Affect Software Systems Development Project Outcomes: A Survey of Research
确定对软件系统开发和部署项目结果有影响的因素已经是30多年来广泛和持续研究的焦点。我们在这里提供了一个调查的研究文献，在1996年至2006年期间解决了这个问题，特别注重实证分析。在此调查的基础上，我们提出了一个新的分类框架，代表了一个抽象的和综合的观点类型的因素，已被断言为影响项目成果。
2021-01-21 cs.SE
Survey on software testing techniques in cloud computing
云计算是互联网发展的下一个阶段。它依靠资源共享来实现网络的一致性。它作为一种新的计算标准正在影响着包括软件测试在内的多个不同的研究领域。有各种软件技术用于测试应用程序。它不仅改变了计算资源的获取方式，也改变了计算服务、技术和解决方案的管理和交付方式，同时也给软件测试带来了新的问题、挑战和需求。云中的软件测试可以减少对硬件和软件资源的需求，并为传统的软件测试过程提供灵活有效的替代方案。本文概述了云测试和基于云的应用的趋势、机遇、挑战、问题和需求。
2014-02-09 cs.SE
An Empirically Evaluated Checklist for Surveys in Software Engineering
内容：在过去的十年里，软件工程研究已经看到了基于调查的研究的稳步增长，并且有几个指导方针为那些愿意进行调查的人提供支持。审计调查研究的必要性已经在文献中提出。核对表已被用于评估不同类型的实证研究，如实验和案例研究。目的：本文提出了一个检查表，以支持在软件工程的调查为基础的研究，在现有的指导方针调查研究的设计和评估。我们在研究实践背景下进一步评估了检查表。方法：为了构建检查表，我们系统地汇总了来自14篇支持软件工程中基于调查研究的方法论论文的知识。我们通过专题分析和计票，确定了调查过程的关键阶段及其建议做法。为了改进我们最初设计的检查表，我们使用了一种混合评估方法进行评估，其中包括经验丰富的研究人员。结果：评价提供了关于清单在理解和客观性方面的局限性的见解。特别是，根据从评价中收到的反馈意见，对38个清单项目中的19个进行了改进。最后，讨论了如何使用检查表和它的含义是什么研究实践。结论：拟议的核对表是一个适合于审计调查报告的工具，也是一个辅助工具，用于指导正在进行的调查设计过程研究。
2019-01-28 cs.SE
AI in Software Engineering: A Survey on Project Management Applications
本文综述了AI在软件工程项目管理中的应用，回顾并比较了11篇相关文献，分析了面临的挑战，并提出了未来研究与AI演进的方向。
2023-07-27 cs.SE
