An Empirical Study of Developer Discussions on Low-Code Software Development Challenges
低代码软件开发(LCSD)是一种新兴的范式,它将最小的源代码与交互式图形界面相结合,以促进快速的应用程序开发。康文署的目标是让不同背景的软件从业员参与应用程序开发。鉴于康文署是一个相对较新的范例,了解开发商在采用康文署平台时面临的挑战至关重要。在线开发者论坛Stack Overflow(SO)在软件开发人员中很受欢迎,他们可以寻求技术问题的解决方案。我们观察到在SO中有越来越多的帖子讨论康文署的平台。在本文中,我们提出了一个实证研究约5K SO职位(问题+接受的答案),其中包含九个流行的康文署平台的讨论。我们在帖子上应用主题建模来确定讨论的主题类型。我们在SO中找到13个与LCSD相关的主题。这13个主题分为四个类别:定制、平台采用、数据库管理和第三方集成。超过40%的问题是关于定制的,即,开发人员经常面临定制由康文署平台提供的用户界面或服务的挑战。"自定义"类别下的"动态事件处理"主题是最受欢迎的(就该主题每个问题的平均查看次数而言),也是最困难的。这意味着开发人员经常搜索自定义解决方案,例如如何将动态事件附加到低代码UI中的表单,但他们的大多数问题(75.9%)仍然没有可接受的答案。我们从帖子中手动标记900个问题,以确定主题在康文署各阶段的挑战普遍性。我们发现大多数问题都与开发阶段有关,低代码开发人员也面临着自动化测试的挑战。
2021-03-21 cs.SE
What Do Developers Discuss in Their Workplace? An Analysis of Workplace StackExchange Discussions
本研究分析Workplace StackExchange的47,368篇帖子,识别出46个主题并归为七类,发现约30%的讨论涉及工作场所冲突,凸显其作为开发者最突出讨论主题的地位。
2024-11-11 cs.SE
StackOverflow vs Kaggle: A Study of Developer Discussions About Data Science
University of Adelaide(阿德莱德大学)
软件开发人员越来越需要了解基本的数据科学(DS)概念。最近,机器学习(ML)和深度学习(DL)在用户应用程序开发中的应用急剧增加,无论是通过框架利用还是从头开始实现。这些话题在网络平台上引起了很多讨论。本文通过大规模的定性和定量实验,对来自StackOverflow和Kaggle的197836篇帖子的特征进行了研究。潜狄利克雷分配主题建模是用来提取二十四个DS讨论的主题。主要发现包括TensorFlow相关主题在StackOverflow中最普遍,而Meta讨论主题在Kaggle上最普遍。StackOverflow倾向于包括较低级别的故障排除,而Kaggle则专注于实用性和优化排行榜性能。此外,在这两个社区,DS的讨论正在以惊人的速度增加。虽然StackOverflow上的TensorFlow讨论正在放缓,但对Keras的兴趣正在上升。最后,集成算法是Kaggle中提到最多的ML/DL算法,但很少在StackOverflow上讨论。这些发现可以帮助教育工作者和研究人员更有效地定制和优先考虑研究和向不同开发人员社区传达DS概念的工作。
2020-06-06 cs.CL cs.SE
A Large-scale Study of Security Vulnerability Support on Developer Q&A Websites
安全漏洞(Security Vulnerabilities,SV)对软件系统构成了严重的威胁。开发人员通常在开发人员问答(Q&A)网站上寻求解决这些SV的解决方案。然而,在不同的开发者问答网站上,关于特定于SV的讨论仍然知之甚少。目的:我们提出了一个大规模的实证研究,以了解开发人员的SV讨论,以及这些讨论是如何支持的问答网站。方法:我们首先从两个大型Q&A网站(即Stack Overflow(SO)和Security StackExchange(SSE))中收集71,329个SV帖子。然后,我们使用主题建模来揭示SV相关讨论的主题,并分析每个主题的流行度,难度和专业知识水平。我们还进行定性分析,以确定SV相关问题的解决方案类型。结果:我们确定了13个主要的SV讨论主题的Q&A网站。许多主题并不遵循基于专家的安全资源(如常见弱点枚举(CWE)和开放Web应用程序安全项目(OWASP))中的分布和趋势。我们还发现,SV讨论吸引更多的专家回答比许多其他领域,但一些困难的SV主题(例如,漏洞扫描工具)仍然得到相当有限的支持,从专家。此外,我们确定了七个关键类型的回答SV的问题上的Q&A网站,其中SO经常提供代码和指令,而SSE通常给出经验为基础的建议和解释。结论:我们的研究结果提供了支持,研究人员和从业人员有效地获取,分享和利用SV知识的问答网站。
2021-04-21 cs.CR cs.SE
Understanding Developer Pain Points in Federated Learning: Insights from Stack Overflow and GitHub
University of Saskatchewan(萨斯喀彻温大学)
研究通过分析Stack Overflow帖子和GitHub问题,利用主题建模等方法,刻画联邦学习开发者痛点,包括环境设置等多方面问题,并按问题意图分类,为框架设计者等提供建议,给出持续监测痛点及改进系统的可扩展方法。
2026-07-23 cs.AI cs.SE
ChatGPT for Code Refactoring: Analyzing Topics, Interaction, and Effective Prompts
本文通过文本挖掘 29,778 条 ChatGPT 交互中的 715 条重构相关对话,分析开发者表达重构需求的方式及 ChatGPT 的回应,以理解重构交互并提升提示有效性。
2025-09-09 cs.SE
CyberSecurity Challenges for Software Developer Awareness Training in Industrial Environments
对网络安全主题的认识有助于软件开发人员生成安全代码。这种意识在工业环境中对于关键基础设施中的产品和服务尤其重要。在这项工作中,我们将讨论如何提高软件开发人员对安全编码的认识。我们提出了“网络安全挑战”,这是一个严肃的游戏,旨在工业环境中使用,并满足软件开发人员的需求。我们的工作总结了在工业环境中进行这些网络安全挑战所获得的经验。主要贡献是网络安全挑战活动的设计,对感知收益的分析,以及希望设计或改进这些游戏的从业者的实用建议。
2021-02-10 cs.SE
TOUR: Dynamic Topic and Sentiment Analysis of User Reviews for Assisting App Release
The Chinese University of Hong Kong(香港中文大学);Harbin Institute of Technology(哈尔滨工业大学);Singapore Management University(新加坡管理大学)
应用程序评论提供用户意见和新出现的问题(例如,新的bug)有关的应用程序发布.由于应用评论的动态性,评论的主题和情绪会随着应用发布版本而变化。虽然有几项研究专注于通过分析用户对应用程序功能的情绪来总结用户意见,但没有发布实用的工具。大量的评论和干扰词也需要一个自动化的工具来监控用户评论。在本文中,我们介绍了旅游动态主题和情感分析的用户评论。TOUR能够(i)检测和总结应用程序版本中出现的应用程序问题,(ii)识别用户对应用程序功能的看法,以及(iii)优先考虑重要的用户评论,以便于开发人员进行检查。TOUR的核心技术包括在线主题建模方法和情感预测策略。TOUR为开发人员提供了自定义超参数的入口,并以交互方式呈现结果。我们通过对15名开发人员进行的开发人员调查来评估TOUR,所有人都确认了TOUR推荐的功能更改的实用性。
2021-08-20 cs.CL cs.SE
An Analysis of Python's Topics, Trends, and Technologies Through Mining Stack Overflow Discussions
Python是一种流行的、广泛使用的通用程序设计语言。尽管其社区不断增长,但研究人员并没有对Python的主题,趋势和技术进行太多分析,从而为开发人员提供有关Python社区趋势和主要问题的见解。在本文中,我们研究了开发人员在最受欢迎的Q\&A网站之一Stack Overflow上讨论的与这种语言相关的主要主题,以及通过挖掘2461876个帖子的时间趋势。为了对软件工程师更有用,我们研究了Python提供的替代常见程序设计语言(如Java)提供的流行技术的方法。我们的研究结果表明,关于Python标准功能,Web编程和科学编程的讨论。数学、数据科学、统计学、机器学习、自然语言处理(NLP)等领域的编程。是Python社区中最受欢迎的领域。与此同时,与科学编程相关的领域正越来越受到Python开发人员的关注。
2020-04-14 cs.SE
The Dual-Edged Sword of Technical Debt: Benefits and Issues Analyzed Through Developer Discussions
本研究通过灰色文献综述和自然语言处理技术分析2,213篇论坛帖子,识别出技术债务的8个主要主题和43个子主题,综合调查了从业者的正负面意见,揭示了TD管理中的挑战与益处。
2024-07-30 cs.SE
How Do I Refactor This? An Empirical Study on Refactoring Trends and Topics in Stack Overflow
作为软件维护和演化的重要组成部分,重构由开发人员执行,无论技术或领域如何,以提高系统的内部质量,并减少其技术债务。然而,选择合适的重构策略并不总是那么简单,这导致开发人员寻求帮助。虽然重构的研究已经很成熟,有几项研究在检测重构机会和建议适当的代码更改之间进行了改变,但对它们在实践中的采用知之甚少。分析开发人员的认知对于更好地理解开发人员认为代码中存在的问题以及他们如何处理这些问题至关重要。此外,需要通过提取更适合开发人员实际情况的常见重构意图,来弥合研究重构与实际应用之间的差距。在这项研究中,我们通过一系列定量和定性的实验,分析重构讨论堆栈溢出。我们的研究结果表明,堆栈溢出是由一组不同的开发人员用于重构援助的各种技术。我们的观察显示了开发人员在重构时通常需要帮助的五个方面--代码优化、工具和IDE、体系结构和设计模式、单元测试和数据库。我们设想我们的研究结果更好地桥接重构的传统(或学术)方面与其现实世界的适用性之间的支持,包括更好的工具支持。
2021-10-23 cs.SE
Developer-LLM Conversations: An Empirical Study of Interactions and Generated Code Quality
Queen’s University(女王大学)
本研究构建大规模开发者-LLM对话数据集CodeChat,分析开发者讨论话题、交互模式及生成代码质量的演变,发现相关问题发生率未随轮次下降,提出对话助手需跟踪开发者意图并监控代码质量。
2026-09-01 cs.SE
Exploring Challenges in Test Mocking: Developer Questions and Insights from StackOverflow
通过分析 Stack Overflow 上 25,302 个 Mocking 相关问题,利用主题建模识别出 30 个主题并分为五类,揭示了开发者面临的挑战演变及主题热度与难度反比关系,为单元测试支持与工具改进提供指导。
2025-06-30 cs.SE
Empirical Investigation of Quantum Computing Toolchains and Algorithms : Mining Stack Overflow Repository
M3S Empirical Software Engineering Research Unit, University of Oulu(奥卢大学 M3S 实证软件工程研究单位)
本文通过分析1404个Stack Overflow帖子,探讨开发者在量子计算领域的讨论主题、工具和算法使用情况,揭示了混合量子-经典计算和量子电路实现的主导地位,以及Qiskit和Q-sharp的主导地位。
2026-04-16 cs.SE
An Empirical Investigation on the Challenges in Scientific Workflow Systems Development
本研究利用BERTopic分析Stack Overflow和GitHub上的开发者交互,揭示了科学工作流系统开发中的主要挑战,发现工作流执行和数据结构操作难度最大,且How类问题占主导,为未来工具研发提供指导。
2025-06-24 cs.SE
Unveiling Ruby: Insights from Stack Overflow and Developer Survey
本研究通过分析 Stack Overflow 上超 49.8 万个 Ruby 相关问题并调查 154 名开发者,构建了 35 个主题分类,揭示了 Ruby 开发者在 Web 开发、Gem 安装等方面的困难,并指出主观感知困难与客观指标存在偏差。
2025-04-25 cs.SE
Mobile App Security Trends and Topics: An Examination of Questions From Stack Overflow
该研究挖掘并定量、定性分析 Stack Overflow 上的移动应用安全问题,识别出七类主题,揭示开发者实际安全需求,为工具与资源开发提供依据。
2024-09-14 cs.CR cs.SE
What Challenges Do Developers Face in AI Agent Systems? An Empirical Study on Stack Overflow & GitHub Issues
Delft University of Technology(代尔夫特理工大学);JetBrains Research(JetBrains 研究院)
本研究通过分析Stack Overflow和GitHub问题,识别出人工智能代理系统开发中的五大主要挑战,包括环境管理、检索与记忆、协调控制、交互契约及运行时可靠性。
2026-01-23 cs.SE
An Empirical Study of IoT Security Aspects at Sentence-Level in Developer Textual Discussions
University of Calgary(卡尔加里大学)
本文基于 SO 的 53K 篇 IoT 帖子构建句子级标注基准,训练 RoBERTa 模型 SecBot 识别安全讨论,并通过主题建模归纳开发者面临的九类软件、硬件与网络安全挑战。
2022-06-07 cs.CR cs.IR cs.LG
DevOps and General Developers: Insights from Stack Overflow's 2023 Survey
University of Bahrain(巴林大学)
通过分析 Stack Overflow 2023 年调查数据,比较 DevOps 专家与普通开发者在工具、技术、方法论和人口统计上的差异,发现两者角色互补,工具偏好无显著差异。
2026-06-19 cs.SE
Mining DEV for social and technical insights about software development
软件开发人员是社会性的生物:他们通过各种渠道进行交流、协作和推广他们的工作。Twitter,GitHub,Stack Overflow和其他平台为开发人员提供了网络和交流想法的机会。研究人员分析这些网站上的内容,以了解软件工程的趋势和主题。然而,从Stack Overflow问题或GitHub问题的文本中挖掘的洞察力高度集中在软件开发的细节和技术方面。在本文中,我们提出了一个相对较新的在线社区的软件开发人员称为DEV。在DEV上,用户可以撰写关于他们在软件中的经验、偏好和工作生活的长篇帖子,从特定的问题和文件中缩小到更广泛的主题。大约50,000名用户发布了超过140,000篇与软件开发相关的文章。在这项工作中,我们使用主题模型描述了DEV上的帖子内容,显示开发人员讨论了软件开发的社会和技术方面的丰富多样性和混合。我们发现,开发人员使用DEV来宣传自己和他们的工作:83%的人将他们的个人资料链接到GitHub个人资料,56%的人将他们的个人资料链接到Twitter个人资料。14%的用户在他们的个人资料中固定特定的GitHub仓库。我们认为,DEV正在成为软件开发人员的重要中心,也是研究人员补充GitHub和Stack Overflow等平台数据的宝贵见解来源。
2021-05-16 cs.SE cs.SI
On the Requirements for Serious Games geared towards Software Developers in the Industry
向行业员工讲授网络安全问题是一项必须开展的基本活动,以确保向市场提供成功和强大的产品。在过去的几年里,很多研究都集中在这个问题上。然而,已经完成的研究并没有集中在工业环境中开发安全代码。在本文中,我们将通过网络安全挑战的方式,从行业角度出发,探讨提供安全编码主题培训的限制和要求。使用需求工程,我们的目标是了解这些挑战的设计要求。在此过程中,我们详细介绍了我们在工业环境中应对网络安全挑战的经验,并展示了成果和经验教训。针对工业环境中软件开发人员的网络安全挑战的拟议要求是基于系统的文献综述、与行业安全专家的访谈以及对参与者反馈的半结构化评估。
2021-01-06 cs.SE
The Kubernetes Security Landscape: AI-Driven Insights from Developer Discussions
本文分析 Stack Overflow 近四年 Kubernetes 帖子,结合机器学习聚类与 AI 主题描述,发现安全讨论占 12.3% 且影响力持续上升。
2024-09-06 cs.CR cs.SE
Enhancing API Documentation through BERTopic Modeling and Summarization
École de technologie supérieure(高等技术学院)
针对官方 API 文档冗长且不友好的问题,本文结合 BERTopic 主题建模与 NLP 自动生成文档摘要和主题,并评估其性能、连贯性与互操作性。
2023-08-17 cs.AI cs.CL cs.LG
An Empirical Study of GenAI Adoption in Open-Source Game Development: Tools, Tasks, and Developer Challenges
本研究通过分析GitHub issue并比较GenAI、TradAI与NonAI主题,揭示生成式AI在开源游戏开发中的工具、任务、挑战及工作流影响。
2025-07-24 cs.SE
How Developers Engineer Test Cases: An Observational Study
开发人员在测试他们的系统时面临的主要挑战之一在于工程测试用例足以揭示错误。虽然我们在软件测试和自动化测试用例生成方面的知识体系已经相当重要,但在实践中,开发人员仍然负责手动设计测试用例。因此,在设计测试用例时理解开发人员的思想和决策过程是使开发人员更好地测试软件的基本步骤。在本文中,我们观察了13名开发人员在测试不同的现实世界开源方法时大声思考,并使用这些观察来解释开发人员如何设计测试用例。然后,我们通过调查72名软件开发人员的测试实践来挑战和增强我们的主要发现。我们从三个不同的角度讨论我们的结果。首先,我们提出了一个通用框架,解释了开发人员如何进行测试。其次,我们提出并详细描述了开发人员在测试时应用的三种不同的总体策略。第三,我们将我们的观察结果与现有的知识体系进行比较和联系,并提出未来的研究,以提高我们对这一主题的认识。
2021-11-06 cs.SE
Developer-Centric Test Amplification The Interplay Between Automatic Generation and Human Exploration
软件测试用例的自动生成是一个非常活跃的研究课题。虽然当前的工具可以生成强大的回归或崩溃再现测试用例,但这些测试用例通常与维护的测试套件分开保存。在本文中,我们利用开发人员对现有的手动编写的开发人员测试中放大的测试用例的熟悉程度。从开发人员在以前的研究中报告的问题开始,我们调查了哪些方面是重要的设计一个以开发人员为中心的测试放大方法,提供测试用例,由开发人员接管到他们的测试套件。我们进行了16个半结构化的采访与软件开发人员支持我们的原型设计的以开发人员为中心的测试放大方法和相应的测试探索工具。我们扩展了测试放大工具DSpot,生成更容易理解的测试用例。我们的IntelliJ插件TestCube使开发人员能够从他们熟悉的环境中探索放大的测试用例。从我们的访谈中,我们收集了52个观察结果,总结为23个结果类别,并就未来的工具设计师如何使他们的工具更适合以开发人员为中心的测试放大给出了两个关键建议。
2021-08-27 cs.SE
Mining Software Repositories for Expert Recommendation
Department of Computer Science, University of Colorado Colorado Springs(计算机科学系,科罗拉多州立大学)
提出一种基于问题跟踪系统历史数据,利用BERTopic和TopicMiner技术,根据缺陷报告特征对开发者经验排序,以自动化分配缺陷并辅助人类分类员的方法,并通过Top-k准确率在Eclipse和Mozilla项目上验证其有效性。
2025-04-23 cs.AI cs.SE
Not Only for Developers: Exploring Plugin Maintenance for Knowledge-Centric Communities
Universidad Rey Juan Carlos(雷乌斯·胡安·卡洛斯国王大学);The University of Osaka(大阪大学)
研究探讨了非开发者主导社区中插件生态系统的维护,通过分析Obsidian平台的插件发现六个知识管理相关主题,并揭示了其工程结构和可持续性问题。
2026-02-19 cs.SE
Understanding Developers Privacy Concerns Through Reddit Thread Analysis
该研究利用 NLP 分析 Reddit 三大开发子版块的 437,317 个帖子,揭示开发者隐私关注点的共性及 Web 与移动平台间的差异。
2023-04-15 cs.SE cs.SI
A systematic mapping study of developer social network research
开发者社交网络(DSN)是分析软件项目和软件生态系统中开发者之间的社区结构和协作的工具。在本文中,我们提出了一个系统的映射研究的结果,使用DSN在软件工程研究。我们确定了255项关于DSN的主要研究。我们将主要研究映射到研究方向,收集有关数据来源和研究规模的信息,并进行文献计量评估。我们发现,近一半的研究调查了开发人员社区的结构。其他常见的主题是使用DSN构建的预测系统,开发人员之间的协作行为以及开发人员的角色。此外,我们确定,许多出版物使用的项目数量的样本量很小,这可能是研究的外部有效性的问题。我们的研究揭示了现有技术中的几个开放问题,例如,研究公司间的合作,使用多个信息源进行DSN研究,以及普遍缺乏报告指南或复制研究。
2020-08-21 cs.SE
Blockchain in the Eyes of Developers
区块链技术的普及在工业和学术领域都持续快速增长。大多数区块链研究都集中在区块链协议的安全性、可用性或效率的改进,或者区块链在金融、物联网或公共服务中的应用。然而,其中很少有人能够揭示一线开发者的担忧以及区块链在实践中的情况。在本文中,我们通过Stack Overflow帖子的案例研究来调查开发人员如何使用和讨论区块链。我们发现区块链在Stack Overflow中是一个相对较新的话题,但它正在变得越来越受欢迎。我们检测了开发人员在Stack Overflow中发布的13种问题,并确定了45个区块链相关实体(例如,框架、库或工具)来构建区块链应用程序。这些发现可能有助于区块链项目社区知道在哪里改进,并帮助新手知道从哪里开始。
2018-06-19 cs.CY cs.SE
How do developers discuss and support new programming languages in technical Q&A site? An empirical study of Go, Swift, and Rust in Stack Overflow
新的程序设计语言(例如,Swift、Go、Rust等)是为了给开发人员提供更好的机会,使软件开发变得健壮和容易。在早期阶段,程序设计语言可能会有资源限制,这会鼓励开发人员经常向活跃在QA站点(如Stack Overflow(SO))的经验丰富的同行寻求帮助。在这项研究中,我们正式研究了SO(2008)成立后引入的三种流行新语言的讨论,并在适当的时候将其与GitHub中的相关活动相匹配。为此,我们从SO中挖掘了4,17,82,536个问题和答案,从GitHub中挖掘了7,846个问题信息以及6,60,965个存储库信息。最初,与成熟语言相比,新语言的发展相对缓慢(例如,C、C++、Java)。本研究的预期成果是揭示开发人员使用这些语言所面临的困难和挑战,以便采取适当措施加快相关资源的生成。我们已经使用LDA方法对SO的问题和答案,以确定不同的主题的新语言。我们从SO中提取了新语言回答模式的几个特征,以研究它们的特点。这些属性被用来确定困难的主题。我们探讨了为这些语言做出贡献的开发人员的背景。我们通过结合Stack Overflow数据和GitHub的issues、repository、用户数据创建了一个模型。最后,我们使用该模型来确定影响语言进化的因素。我们相信,我们的研究结果可能会帮助这些语言的所有者/赞助商设计更好的功能和文档。它还将帮助软件开发人员或学生准备以知情的方式使用这些…
2021-05-04 cs.SE
An Empirical Study on Logging Evolution On Stack Overflow: Trends, Topics, and Challenges
Department of Computer Engineering and Software Engineering Polytechnique Montreal(蒙特利尔理工大学计算机工程与软件工程系)
基于 Stack Overflow 上的 216,094 篇帖子,使用大语言模型分类方法,识别出 11 个日志相关主题,并发现容器化环境中的日志记录是最具挑战性的主题。
2026-05-27 cs.PL cs.SE
Cybersecurity Discussions in Stack Overflow: A Developer-Centred Analysis of Engagement and Self-Disclosure Behaviour
Stack Overflow(SO)是一个受开发人员欢迎的平台,寻求有关各种软件相关主题的建议,包括隐私和安全。就许多知识共享网站而言,标准化组织的价值在很大程度上取决于用户的参与,即他们是否愿意回答、评论或提出技术问题。尽管如此,其中许多问题(包括与网络安全相关的问题)仍然没有答案,使该网站的相关性和声誉受到质疑。因此,重要的是要了解用户参与隐私和安全讨论的情况,以促进参与并促进此类专业知识的交流。目的:基于先前的在线社交网络的研究结果,这项工作阐述了用户的参与和他们的隐私实践之间的相互作用。特别是,它分析了开发人员关于个人资料可见性的自我披露行为,以及他们参与与隐私和安全相关的讨论。方法:我们采用混合方法,(i)分析来自1239个网络安全标记问题的SO数据以及7048个用户简档,(ii)进行匿名在线调查(N=64)。结果:约33%的问题,我们检索没有答案,而超过50%的没有被接受的答案。我们观察到,“主动”用户倾向于在他们的个人资料中披露的信息明显少于“被动”和“不参与”的用户。然而,没有发现这些参与类别和隐私相关的结构,如感知控制或一般隐私问题之间的相关性。含义:这些发现有助于(i)更好地了解开发人员对隐私和安全主题的参与,以及(ii)制定战略,促进SO中网络安全专业知识的交流。
2022-07-04 cs.CR cs.HC cs.SE
An Empirical Study of Developers' Discussions about Security Challenges of Different Programming Languages
鉴于程序设计语言可以提供不同类型和级别的安全支持,在选择用于开发软件系统的程序设计语言时,考虑安全方面至关重要。在选择程序设计语言时对安全性考虑不足可能会导致安全开发的潜在后果。虽然已经对不同程序设计语言的假定安全属性进行了理论分析,但是相对较少的努力来经验性地探索开发人员所经历的实际安全挑战。我们对15种程序设计语言的安全挑战进行了大规模的研究,通过定量和定性分析Stack Overflow和GitHub上的开发人员讨论。通过利用主题建模,我们已经得出了6个主题类别的18个主要安全挑战的分类。我们还进行了比较分析,以了解所识别的挑战在不同的程序设计语言和数据源方面的差异。我们的研究结果表明,对于不同的程序设计语言和数据源,挑战及其特征有很大不同,即,Stack Overflow和GitHub。这些发现为软件专业人员提供了基于证据的见解和对与不同程序设计语言相关的安全挑战的理解(即,研究人员或研究人员)。报告的安全挑战分类可以帮助从业者和研究人员更好地理解和遍历安全开发环境。这项研究强调了技术选择的重要性,例如,安全软件工程中的程序设计语言。因此,预计调查结果将激励从业人员考虑软件安全的程序设计语言的选择的潜在影响。
2021-11-26 cs.CR cs.SE
Topic-based Integrator Matching for Pull Request
Pull Request(PR)是GitHub中外部贡献者贡献代码的主要方法。PR审查是开源软件开发的重要组成部分,以保持软件的质量。将新的PR与适当的集成商匹配将使PR审查更加有效。然而,PR和集成商匹配现在在GitHub中手动组织。为了使这个过程更有效,我们提出了一个基于主题的集成匹配算法(TIMA)预测高度相关的合作者(核心开发人员)作为集成到传入的PR。TIMA充分利用了PR的文本语义。为了定义主题与合作者之间的关系,TIMA建立了主题与合作者之间的关系矩阵。根据主题与合作者之间的相关性,TIMA匹配合适的合作者作为PR集成器。
2017-10-28 cs.SE
How do Developers Test Android Applications?
实现移动应用程序的全自动测试最近已成为研究人员和从业人员的重要研究课题。已经提出了大量的工具和方法,通过增加手动测试实践和自动化测试过程的各个部分来帮助移动开发人员。然而,目前的自动化测试方法无法让开发人员相信它们的好处,导致大多数移动测试都是手动执行的。为了帮助设计支持移动测试方法的研究人员和从业人员了解开发人员的需求,我们分析了来自Android项目的102位开源贡献者关于他们在执行测试时的实践的调查回复。调查的重点是关于开发人员/测试人员在野外的实践和偏好的问题:(i)设计和生成测试用例,(ii)自动化测试实践,以及(iii)对质量度量的看法,例如用于确定测试质量的代码覆盖率。通过分析从这次调查中收集到的信息,我们汇编了一套知识体系,以帮助指导研究人员和专业人员根据不同开源开发人员的需求定制新的自动化测试方法。
2018-01-19 cs.SE
Mind the Gap: A Decade-Scale Empirical Study of Multi-Stakeholder Dynamics in VR Ecosystem
本研究通过分析94万余条用户评论和38万余条开发者帖子,构建多视图实证框架,揭示了VR生态中用户关切与开发者行动在包容性和社区安全等领域的显著差距,为弥合双方鸿沟提供数据驱动建议。
2025-08-23 cs.SE
CyberSecurity Challenges: Serious Games for Awareness Training in Industrial Environments
了解网络安全主题,例如,与安全编码指南相关,使软件开发人员能够编写安全代码。这种意识在工业环境中对于关键基础设施中的产品和服务至关重要。在这项工作中,我们介绍和讨论了一个新的严重的游戏,专为软件开发人员在行业中。这个游戏解决了软件开发人员的需求,并被证明是非常适合提高安全编码意识的软件开发人员在行业中。我们的工作成果来自作者在行业中进行十多项网络安全挑战时获得的经验。所提出的游戏设计,这是被软件开发人员所接受的,是一种新颖的替代传统的课堂培训。我们希望通过在早期生产阶段改善产品的网络安全,对行业产生积极影响。
2021-02-20 cs.SE
GitRanking: A Ranking of GitHub Topics for Software Classification using Active Sampling
University of Groningen(格罗宁根大学);University of L’Aquila(拉奎拉大学)
本文提出GitRanking框架,利用主动采样和Wikidata链接,根据含义通用性对GitHub主题进行分层排名,解决软件分类体系缺乏明确定义的问题,帮助开发者更精确地标注和发现项目。
2022-05-19 cs.IR cs.LG cs.SE
Understanding Quantum Software Engineering Challenges An Empirical Study on Stack Exchange Forums and GitHub Issues
随着量子计算的发展,量子软件对于探索量子计算系统的全部潜力至关重要。近年来,量子软件工程(QSE)成为一个新兴的领域,受到越来越多的关注。然而,目前尚不清楚软件工程社区面临的量子计算的挑战和机遇是什么。这项工作旨在了解开发人员所感知的QSE相关挑战。我们在Stack Exchange论坛上进行了实证研究,开发人员在那里发布了QSE相关的问题和答案,Github发布了开发人员在实际量子计算项目中提出QSE相关问题的报告。基于Stack Overflow上现有的问题类型分类,我们首先对Stack Exchange论坛上提出的QSE相关问题类型进行定性分析。然后,我们使用自动化主题建模来揭示与QSE相关的Stack Exchange帖子和GitHub问题报告中的主题。我们的研究强调了QSE的一些特别具有挑战性的领域,这些领域与传统的软件工程不同,例如解释量子计算代码背后的理论,解释量子程序输出,弥合量子计算和经典计算之间的知识差距,以及相关的机会。
2022-05-06 cs.SE
Embedding Spatial Software Visualization in the IDE: an Exploratory Study
软件可视化对于以直观的方式理解和探索软件系统非常有用。软件的空间表示是一种很有前途的方法。但是,对于开发人员如何与IDE中嵌入的空间可视化进行交互,我们知之甚少。在本文中,我们提出了一个试点研究,探讨使用软件制图程序理解一个未知的系统。我们调查了开发人员是否建立了系统的空间记忆,按主题进行聚类是否提供了一个合理的基本布局,以及开发人员如何与地图进行交互。我们以观察、假设和影响的形式报告我们的结果。主要发现是:a)开发人员很好地利用了地图来检查搜索结果和调用图,b)开发人员发现基本布局令人惊讶,而且经常令人困惑。我们的结论与嵌入式软件地图的设计具体的建议。
2010-07-25 cs.HC cs.SE
Programming Language Co-Usage Patterns on Stack Overflow: Analysis of the Developer Ecosystem
University of Victoria(维多利亚大学)
本文通过三种方法分析开发者在Stack Overflow上使用编程语言的共用模式,揭示软件生态系统的结构,包括语言间的互补性、技术栈的连贯性以及社区间的桥梁作用。
2026-04-15 cs.SE
A Mixed Method Study of DevOps Challenges
本研究通过主题建模分析174K个Stack Overflow帖子并结合21名从业者调查,识别出23个DevOps挑战主题,发现Cloud & CI/CD Tools等类别最受关注,指出需加强文档资源与组织培训以缓解工具易用性难题。
2024-03-25 cs.HC cs.SE
Insights from GitHub Community on the Matter Standard: Developer Perspectives and Challenges
University of Illinois Urbana Champaign(伊利诺伊大学厄巴纳-香槟分校);Tufts University(塔夫茨大学)
通过分析GitHub上超过13,000个议题,识别出Matter标准在测试、互操作性、开发及平台网络方面的四大挑战,为改进测试基础设施和跨厂商指南提供机会。
2026-11-13 cs.ET cs.HC cs.SE
Insights into Software Development Approaches: Mining Q&A Repositories
本研究通过主题建模与定性分析结合的混合方法,挖掘三大问答论坛的13903篇开发者帖子,识别出15个软件开发方法高频主题、49项实践挑战及难点主题上升趋势,为从业者提供参考以提升软件质量。
2023-05-02 cs.SE
Change And Cover: Last-Mile, Pull Request-Based Regression Test Augmentation
UCLA(加州大学洛杉矶分校);University of Stuttgart(斯图加特大学);CISPA Helmholtz Center for Information Security(CISPA赫尔霍兹信息安全中心)
ChaCo通过LLM生成针对PR修改的测试,提高补丁覆盖率,有效发现并修复错误。
2026-01-16 cs.SE
How Do Java Developers Reuse StackOverflow Answers in Their GitHub Projects?
本文通过克隆检测、关键词搜索和人工检查的混合方法,挖掘并研究了GitHub Java项目中复用的StackOverflow回答特征,发现被复用的回答得分更高、代码更长,且开发者多采用部分复用或重写而非完全复制。
2024-08-29 cs.SE
Characterizing Visual Accessibility Issues in AI Developer Tools: An Empirical Study
University of Texas at Arlington(阿灵顿得克萨斯大学)
本研究通过分析五个AI开发者工具生态系统的问题报告,表征了其中的视觉可访问性障碍类型及差异,揭示了交互设计与生态系统实践对工具可访问性记录的影响。
2026-08-06 cs.HC cs.SE
An Empirical Study on Developers Shared Conversations with ChatGPT in GitHub Pull Requests and Issues
本研究通过分析GitHub PR和问题中共享的ChatGPT对话,揭示了开发者寻求帮助的16种咨询类型、多轮对话模式及角色特定贡献,为理解人机协作开发提供了实证基础。
2024-03-15 cs.SE
Modeling Hierarchical Usage Context for Software Exceptions based on Interaction Data
在生产中捕获的用户与软件系统交互的痕迹通常用作用户体验测试的输入源。在本文中,我们提出了一种替代用途,引入了一种新的方法来建模用户交互痕迹丰富的另一种类型的数据收集在生产-软件故障报告组成的软件异常和堆栈跟踪。本文描述的模型旨在提高开发人员对特定软件异常周围环境的理解,并可以突出导致软件故障频率高的特定用户行为。由于组合数据源的复杂性和变化性,对交互跟踪和软件崩溃报告的组合进行建模以形成可解释的和有用的模型是具有挑战性的。因此,我们提出了一种概率无监督学习方法,适应嵌套层次狄利克雷过程,这是一种贝叶斯非参数主题模型,通常适用于自然语言数据。这个模型推断出一个主题树,每个主题描述一组通常同时出现的命令和异常。可以按层次结构解释主题树,以帮助对多种类型的异常和交互进行分类。我们将所提出的方法应用于从ABB RobotStudio软件应用程序收集的大规模数据集,并对其进行数值评估和RobotStudio开发人员的小调查。
2019-07-23 cs.SE
What Challenges Do Developers Face When Using Verification-Aware Programming Languages?
本研究通过分析开发者讨论和调查,识别出验证感知编程语言采用的主要障碍(如陡峭学习曲线和可用性问题),并提出简化工具界面、改进教育材料和集成开发环境等建议以提升其可用性和采用率。
2025-09-07 cs.PL cs.SE
From Requirements to Code: Understanding Developer Practices in LLM-Assisted Software Engineering
本研究通过访谈14家公司18位开发者,发现常规需求过于抽象,需手动分解为编程任务并补充设计决策和架构约束后才能用于提示LLM,强调需求工程工作仍不可或缺。
2025-07-10 cs.SE