GitHub's Copilot Code Review: Can AI Spot Security Flaws Before You Commit?
Department of Computer Science(计算机科学系);Toronto Metropolitan University(多伦多 Metropolitan 大学)
本研究评估了GitHub Copilot代码审查功能检测安全漏洞的能力,发现其难以发现SQL注入等关键漏洞,主要关注代码风格等低严重性问题,表明AI辅助审查仍需结合专门安全工具和人工审查以保障软件安全。
2025-09-17 cs.AI cs.SE
The Impact of AI Tool on Engineering at ANZ Bank An Empirical Study on GitHub Copilot within Corporate Environment
The Australia and New Zealand Banking Group Limited(澳大利亚和新西兰银行集团有限公司)
本研究以澳新银行为对象,通过六周对照实验及大规模使用数据,验证GitHub Copilot可显著提升软件工程的生产力与代码质量,且使用者满意度较高,但对代码安全的影响尚不明确。
2024-04-17 cs.AI cs.SE
Building Your Own Product Copilot: Challenges, Opportunities, and Needs
本研究通过访谈26名软件工程师,揭示了构建产品副驾驶在工程各环节的痛点与挑战,并借助头脑风暴提出面向软件工程社区的机遇和工具设计方向。
2023-12-21 cs.SE
Exploring the Effect of Multiple Natural Languages on Code Suggestion Using GitHub Copilot
本研究针对自然语言对AI代码工具GitHub Copilot代码建议效果的影响开展实证,用756道不同难度AtCoder题目测试英、日、中文,发现语言间表现有差异且中文最差,难度升高性能均显著下降,为相关研究提供了新方向。
2024-02-02 cs.SE
The Effects of GitHub Copilot on Computing Students' Programming Effectiveness, Efficiency, and Processes in Brownfield Programming Tasks
本研究通过对照实验探究GitHub Copilot对计算机本科生棕地编程任务的影响,发现其能提升效率与进度、改变编程行为,同时指出需配套教学方法平衡工具优势与理解培养。
2025-06-11 cs.SE
How Readable is Model-generated Code? Examining Readability and Visual Inspection of GitHub Copilot
背景:大语言模型的最新进展已经激发了这种模型在代码生成和程序合成中的实际使用。然而,很少有人知道这些工具在实践中对代码可读性和视觉注意力的影响。目的:在本文中,我们专注于GitHub Copilot,以解决模型生成代码的可读性和视觉检查问题。可读性和低复杂性是良好源代码的重要方面,鉴于自动化偏见,对生成的代码进行视觉检查非常重要。方法:通过人体实验(n=21),我们将模型生成的代码与完全由人类程序员编写的代码进行比较。我们使用静态代码分析和人工注释的组合来评估代码的可读性,我们使用眼动追踪来评估代码的视觉检查。结果:我们的研究结果表明,模型生成的代码在复杂性和可读性方面与人类配对程序员编写的代码相当。同时,眼动追踪数据表明,在统计学上显著的水平,程序员直接较少的视觉注意力模型生成的代码。结论:我们的研究结果强调,阅读代码比以往任何时候都更重要,程序员应该注意模型生成代码的自满和自动化偏见。
2022-09-01 cs.SE
Analyzing Prompt Influence on Automated Method Generation: An Empirical Study with Copilot
University of Milano - Bicocca(米兰比可卡大学)
本文系统研究八种提示词特征对Copilot生成Java代码质量的影响,发现示例和方法目的摘要等特征能显著提升生成结果的正确性、复杂度、规模和相似度。
2024-02-13 cs.AI cs.SE
Security Weaknesses of Copilot-Generated Code in GitHub Projects: An Empirical Study
本文通过分析 GitHub 项目中 Copilot 等工具生成的 733 个代码片段,实证揭示了生成代码中安全弱点的高发生率及其 CWE 分布,并验证了 Copilot Chat 结合静态分析警告可修复最多 55.5% 的安全问题。
2025-02-06 cs.CR cs.SE
From Developer Pairs to AI Copilots: A Comparative Study on Knowledge Transfer
本文通过实证研究比较人-人结对与人-AI(GitHub Copilot)场景下的知识迁移,发现两者成功迁移频率相近且主题重叠,但开发者对 AI 建议审视更少,同时 AI 能提醒开发者易忽略的代码细节。
2025-06-05 cs.SE
Do LLMs Provide Links to Code Similar to what they Generate? A Study with Gemini and Bing CoPilot
本研究实证评估了Bing CoPilot和Gemini生成代码与提供链接的相关性,发现两者均存在来源债务,其中Bing CoPilot的66%链接相关,Gemini仅28%。
2025-01-21 cs.SE
GitHub Copilot AI pair programmer: Asset or Liability?
Polytechnique Montreal(蒙特利尔理工学院);York University(约克大学)
本文实证评估了 GitHub Copilot 在基础算法问题求解及与人类程序员方案对比中的表现,发现其覆盖面广但存在缺陷且不可复现,修复成本较低。
2023-04-14 cs.LG cs.SE
"Go Home Copilot, You're Drunk": Understanding Developer Responses to Agent-Generated Code Review Comments
University of Saskatchewan(萨斯喀彻温大学);Singapore Management University(新加坡管理大学);Monash University(蒙纳士大学)
研究开发者对智能体生成的代码审查评论的回应,分析五个智能体在342个Python仓库生成的54791条评论,探讨解决率、开发者经验及影响评论有用性的特征,发现不同智能体解决率有差异,还确定未解决评论原因及影响因素,为改进相关反馈提供见解。
2026-07-31 cs.SE
Is GitHub's Copilot as Bad as Humans at Introducing Vulnerabilities in Code?
本文从安全性角度对 Copilot 生成的代码进行实证分析,发现其引入漏洞的比例约为 33%,且行为因漏洞类型和时间而异,总体上不如人类开发者那样容易引入漏洞。
2024-01-06 cs.CR cs.SE
What Makes a GitHub Issue Ready for Copilot?
École de Technologie Supérieure, Université de Québec(魁北克大学技术学院)
本文提出32条准则,通过可解释机器学习模型评估GitHub问题质量,提升Copilot合并拉取请求的可能性,模型中位AUC达72%。
2025-12-24 cs.SE
Generating Java Methods: An Empirical Assessment of Four AI-Based Code Assistants
本文针对真实开源Java项目构建的100个方法数据集,比较评估了GitHub Copilot、Tabnine、ChatGPT和Google Bard四种AI代码助手,发现Copilot准确度更高,但处理类外依赖时所有助手效果均显著下降。
2024-02-14 cs.SE
Analyzing Prominent LLMs: An Empirical Study of Performance and Complexity in Solving LeetCode Problems
本研究对四个主流大语言模型在150个LeetCode问题上的Java和Python解决方案进行基准测试,评估执行时间、内存和算法复杂度,发现ChatGPT效率稳定,为开发者选型提供指导。
2025-08-05 cs.SE
Programming with AI: Evaluating ChatGPT, Gemini, AlphaCode, and GitHub Copilot for Programmers
New York Institute of Technology(纽约理工学院)
本研究全面评估了ChatGPT、Gemini、AlphaCode和GitHub Copilot等AI编程助手在自然语言处理及Java、Python和C++代码生成上的表现,揭示了其优缺点并强调提升可靠性、准确率及伦理开发的必要性。
2024-11-14 cs.AI cs.SE
From Code Generation to Software Testing: AI Copilot with Context-Based RAG
Nanyang Technological University(南洋理工大学);City University of Hong Kong(香港城市大学)
本文将缺陷检测与低缺陷编码统一为有限资源下的减错问题,提出基于上下文 RAG 的自动化测试系统 Copilot for Testing,使缺陷检测与代码库更新同步,并在准确率、覆盖率和用户接受率上取得显著提升。
2025-04-05 cs.AI cs.PL cs.SE
Understanding the Impact of AI Code Assistants on Security API Usage: An Empirical Study
Centre for Research on Engineering Software Technologies (CREST) & Adelaide University, Australia(工程软件研究技术中心(CREST)及阿德莱德大学,澳大利亚);Edith Cowan University, Australia(埃德温·考文大学,澳大利亚);CSIRO’s Data61, Australia(CSIRO数据61,澳大利亚)
该研究通过对44名开发者的实证调查,探讨人工智能代码助手对安全API使用的影响。发现GitHub Copilot虽提高功能正确性、减少不安全模式,但未显著提升安全API使用,且开发者安全意识不足,进而给出相关建议与研究方向。
2026-07-14 cs.AI cs.SE
Piloting Copilot, Codex, and StarCoder2: Hot Temperature, Cold Prompts, or Black Magic?
CNRS(法国国家科学研究中心)
本文研究输入参数变化对三个LLM代码助手性能的影响,发现调整参数可大幅提升成功率,但最佳设置因问题而异,并揭示了模型的脆弱性。
2025-06-23 cs.CL cs.PL cs.SE
A Study on Developer Behaviors for Validating and Repairing LLM-Generated Code Using Eye Tracking and IDE Actions
本研究通过实验室实验(28名参与者)结合眼动追踪和IDE行为数据,探究开发者验证与修复Copilot生成代码的行为,发现代码来源意识能提升性能但增加认知负荷,为设计人机协作工具提供启示。
2024-05-25 cs.HC cs.SE
CoProtector: Protect Open-Source Code against Unauthorized Training Usage with Data Poisoning
Monash University(蒙纳士大学);ShanghaiTech University(上海科技大学);University of Technology Sydney(悉尼科技大学)
Github Copilot,在数十亿行公共代码上训练,最近已经成为计算机科学研究和实践社区的流行语。虽然它旨在帮助开发人员实现具有强大智能的安全有效的代码,但实践者和研究人员对其道德和安全问题表示担忧,例如,是否应该自由地使用copyleft许可的代码,或者首先考虑使用不安全的代码进行培训?随着人工智能的快速发展,Copilot等旨在通过深度学习模型从大规模开源代码中学习知识的类似产品不可避免地会受到这些问题的严重影响。为了减轻这种影响,我们认为有必要发明有效的机制来保护开源代码不被深度学习模型利用。在这里,我们设计并实现了一个原型,CoProtector,它利用数据投毒技术来武装源代码存储库防御这种漏洞。我们的大规模实验经验表明,CoProtector可以有效地实现其目的,显著降低Copilot类深度学习模型的性能,同时能够稳定地揭示秘密嵌入的水印后门。
2022-02-14 cs.AI cs.CR cs.SE
Transforming Software Development with Generative AI: Empirical Insights on Collaboration and Workflow
本文通过访谈13名软件相关从业者,实证研究生成式人工智能对软件开发工作流和团队协作的影响,发现ChatGPT带来范式转变,提升效率与积极性,但也改变了敏捷团队的学习循环。
2024-02-12 cs.SE
Attaining High-performing Software Teams with Agile and Lean Practices: An Empirical Case Study
本文提出了一个关于自组织软件团队如何使用敏捷和精益实践获得高绩效的实证研究。特别是,本文定性地考察了一个项目团队的高绩效和自组织特征.所研究的案例是一个客户驱动的学生项目,旨在开发一个alpha版本的原型。本文还研究了某些敏捷软件实践如何帮助团队初始化自组织。主要结果表明,自组织的支持下,一定的敏捷和精益实践,帮助团队实现更高的绩效。
2013-11-27 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
How do Agents Refactor: An Empirical Study
University of Alberta(阿尔伯塔大学)
通过对比86个Java项目中智能体与开发者的重构拉取请求,发现智能体重构以注释修改为主,而Cursor是唯一显著增加代码味道的模型。
2026-05-24 cs.SE
Empirical Software Engineering in Practice: Insights from Google
University of Florence(佛罗伦萨大学);Vrije Universiteit Amsterdam(阿姆斯特丹自由大学)
本文通过采访谷歌开发者智能团队的从业者,探究工业界经验性软件工程(ESE)的实践情况,为该领域提供了来自产业界的见解。
2026-09-02 cs.SE
Logging Practices with Mobile Analytics: An Empirical Study on Firebase
软件日志在工业和开源项目中都有很大的价值。移动分析日志使开发人员能够从终端用户设备上运行的应用程序远程收集日志,但需要通过互联网记录日志并将其传输到集中式基础设施。本文使用广泛采用的移动分析日志库(即Firebase Analytics)来描述日志记录实践的第一步。我们通过研究代码库的演变,对Firebase Analytics在57个开源Android应用程序中的使用进行了实证评估,以了解:a)推动从业者在移动设备上采用日志记录实践的共同需求,以及b)开发人员使用本地和远程日志记录方式的差异。我们的研究结果表明,移动分析日志比传统的日志记录代码更不普及,维护更少。根据我们的分析,我们认为与传统日志记录相比,使用移动分析的日志记录更以用户为中心,后者主要用于记录调试信息。
2021-04-06 cs.SE
Ethical Issues in Empirical Studies using Student Subjects: Re-visiting Practices and Perceptions
内容:在实证研究中使用学生的科目已被广泛讨论,从方法论的角度来看,在软件工程(SE),但缺乏类似的讨论,这样做的伦理方面。由于学生是他们的导师的下属关系,这样的讨论是必要的。目的:我们的目标是增加的做法和看法SE研究人员的道德问题与学生参与实证研究的理解。方法:我们进行了一个系统的映射研究372经验SE研究涉及学生,后续的调查回答了100 SE研究人员对他们目前的做法和意见,关于学生参与。结果如下:映射研究表明,大多数研究没有报告有关招聘,非自愿性,薪酬和伦理批准的条件。相反,大多数调查参与者支持报告这些情况。调查进一步显示,不到一半的参与者需要道德操守方面的批准。此外,大多数参与者在自愿的基础上招募自己的学生,并使用知情同意与退出选项。学员们对课程教员是否应该参与研究性学习以及是否应该知道谁参加了一项研究意见不一。结论:这是一个积极的信号,强制参与是罕见的,知情同意和退出选项是标准的。然而,我们认为立即需要采取行动,因为研究条件报告不足,并且对道德实践的意见分歧很大。特别是,有很少的关注,在教师和学生之间的权力关系。
2021-03-15 cs.SE
On the Need to Monitor Continuous Integration Practices -- An Empirical Study
本文通过文档分析与对121个开源项目开发者的调查,发现CI实践监控普遍不足且主流CI服务原生支持有限,主张CI服务内置监控能力。
2025-06-07 cs.SE
Generative AI Assistants in Software Development Education: A vision for integrating Generative AI into educational practice, not instinctively defending against it
Newcastle University(纽卡斯尔大学)
针对生成式 AI 编程助手带来的行业变革,本文通过访谈从业者了解实践与挑战,提出将 GAI 融入软件开发教育的愿景及教学建议。
2023-08-18 cs.AI cs.HC cs.SE
On the Practices of Autonomous Systems Development: Survey-based Empirical Findings
本文通过2019年专家在线调查,系统梳理自主系统开发的实践现状、挑战收益、过程标准及验证与确认实践,为后续纵向追踪其演进奠定基础。
2025-06-04 cs.SE
A Large-Scale Empirical Study of Quality Assurance Practices and Gaps in AI Agents
York University(约克大学);Polytechnique Montréal(蒙特利尔高等工程技术学院)
本研究对157个开源LLM智能体项目进行大规模实证分析,发现当前QA实践侧重于基本功能和高风险操作,覆盖率分散且安全措施不一致,强调需转向系统性的端到端验证。
2026-09-17 cs.SE
Automated Code Review In Practice
本文通过分析工业环境中基于LLM的自动化代码审查工具的使用数据与开发者反馈,发现该工具虽能提升缺陷检测和代码质量意识,但也导致拉取请求关闭时间延长并引入错误审查等问题。
2024-12-28 cs.SE
Monitoring and Observability of Machine Learning Systems: Current Practices and Gaps
Vrije Universiteit Amsterdam(阿姆斯特丹自由大学)
本研究通过7场多领域焦点小组,梳理ML从业者系统采集的可观测信息及应用方式,指出当前实践差距,为ML可观测性的工具设计与研究提供方向。
2025-10-28 cs.SE
Collaborative Application Security Testing for DevSecOps: An Empirical Analysis of Challenges, Best Practices and Tool Support
DevSecOps是一种软件开发范式,高度重视开发人员(Dev),安全(Sec)和运营(Ops)团队之间的协作文化,以持续快速地交付安全软件。因此,要有效地采用这一模式,就需要了解这些职能团队之间协作的挑战、最佳做法和可用解决方案。然而,与这些团队相关的协作方面在DevSecOps文献中很少受到实证关注。因此,我们提出了一项研究,重点是一个关键的安全活动,应用程序安全测试(AST),从业者面临的困难,在DevSecOps环境中进行协作工作。我们的研究新颖地使用了48个系统选择的网络研讨会,技术讲座和小组讨论作为数据源,以定性分析软件从业者对这个高度发展的领域的最新趋势和新兴解决方案的讨论。我们发现,AST工具本身缺乏促进协作的功能是DevSecOps中与工具相关的关键挑战。此外,缺乏与角色定义、共享目标和所有权相关的清晰度也阻碍了协作AST(CoAST)。我们还收集了一系列协作的最佳实践(例如,左移安全性)、新兴的通信方法(例如,ChatOps)和新的团队结构(例如,混合团队)的海岸。最后,我们的研究确定了新工具功能的几个要求和未来研究的具体差距领域,为DevSecOps中的CoAST提供更好的支持。
2022-11-25 cs.SE
Empirical Characterization of Logging Smells in Machine Learning Code
Polytechnique Montréal(蒙特利尔理工学院)
本研究通过实证分析识别并描述机器学习系统中日志恶臭,旨在提供基于证据的理解,以改进日志记录实践。
2026-01-09 cs.SE
Institutionalization of Software Product Line: An Empirical Investigation of Key Organizational Factors
人与组织之间的良好匹配对于更好的组织绩效至关重要。在组织内软件产品线实践的制度化的情况下,这一点甚至更加重要。员工参与、组织行为和管理思考在企业软件产品线的成功制度化中起着至关重要的作用。在软件产品线理论和实践中,组织维度被认为是一个重要的维度。本文通过一个全面的实证研究,探讨了一些组织因素对软件产品线实践绩效的影响。这是第一个实证研究,并证明了一些关键的组织因素和软件产品线的组织绩效之间的关系。调查结果提供了经验证据,并进一步支持的理论基础,为了制度化的软件产品线在一个组织,组织因素起着重要的作用。
2022-03-28 cs.SE
Developers' Experience with Generative AI Beyond Productivity Assessment -- Insights from an Empirical Mixed-Methods Field Study
Hasso Plattner Institute, University of Potsdam(波茨坦大学哈索·普拉特纳研究所);University of California, Irvine(加州大学尔湾分校);SAP Labs, SAP(思爱普实验室)
通过混合方法现场研究,发现开发者对生成式AI总体满意,尤其在单调重复任务中感知效率提升,但同一任务中结合代码建议与聊天提示会削弱收益,并提出基于任务特征选择交互类型的经验法则。
2026-07-10 cs.SE
How Do Software Professionals Evaluate AI-Generated Code? (Registered Report)
University of Oulu(奥卢大学);Dalhousie University(达尔豪斯大学)
探讨软件专业人员如何评估人工智能生成的代码,采用建构主义扎根理论研究,通过调查、半结构化及阶梯访谈收集数据,旨在基于专业人员的描述构建评估该类代码的理论。
2026-07-13 cs.SE
An Empirical Investigation of Soft Skills and Corresponding Challenges in International Software Engineering Education
University of Oulu(奥卢大学)
本研究通过两个焦点小组实证探究国际软件工程教育中团队合作所需的软技能及相关挑战,其发现为高校教师和教学法专家规划学生小组作业提供指导。
2026-08-04 cs.SE
CI/CD Configuration Practices in Open-Source Android Apps: An Empirical Study
本研究针对2557个采用4种主流CI/CD服务的开源Android应用开展实证分析,揭示其配置缺乏标准化、重构建轻测试部署等特征,明确维护规律与主题,提出需自动化和AI工具优化移动应用CI/CD流程。
2025-05-19 cs.SE
Code Review Practices for Refactoring Changes: An Empirical Study on OpenStack
现代代码审查是工业和开源项目中广泛使用的技术,用于提高软件质量,共享知识,并确保遵守编码标准和指南。在代码评审期间,开发人员可能会在合并代码库中的代码更改之前讨论重构活动。到目前为止,代码审查已被广泛研究,以探索其一般挑战,最佳实践和结果,以及社会技术方面。然而,很少有人知道重构是如何被审查的,以及开发人员在审查重构代码时关心什么。因此,在这项工作中,我们提出了一个定量和定性的研究,以了解什么是主要的标准,开发人员依靠制定一个决定接受或拒绝提交的重构代码,是什么使这个过程具有挑战性。通过对分布在OpenStack开源项目中的11,010个重构和非重构审查的案例研究,我们发现,就代码审查工作而言,与重构相关的代码审查需要更长的时间才能得到解决。此外,在对重构代码审查讨论的重要样本进行主题分析后,我们建立了一个由28个重构审查标准组成的综合分类法。我们设想我们的研究结果重申了开发准确和有效的工具和技术的必要性,这些工具和技术可以帮助开发人员在重构的情况下进行审查。
2022-03-27 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
An Empirical Study on the Impact of Code Duplication-aware Refactoring Practices on Quality Metrics
本文通过分析128个开源Java项目中332个重构提交,实证研究了代码重复消除重构操作对设计质量指标的影响,发现多数指标能捕捉开发者去重意图,但部分指标未能完全反映。
2025-02-06 cs.SE
On Autopilot? An Empirical Study of Human-AI Teaming and Review Practices in Open Source
The University of Melbourne(墨尔本大学);Singapore Management University(新加坡管理大学)
本研究通过分析开源项目中AI辅助PR的互动模式,发现非所有权贡献者提交的AI共同撰写的PR被快速合并且反馈极少,揭示了AI在软件工程中的协作与审查实践问题。
2026-01-20 cs.SE
Tangent: An Empirical Study of Testing Practices for LLM-Based Agent Applications
IBM T.J. Watson Research Center(IBM T.J. 沃森研究中心);Georgia Institute of Technology(佐治亚理工学院);University of Georgia(佐治亚大学)
Tangent通过对开源项目和行业从业者的研究,分析了LLM智能体应用的测试现状,发现其以单元测试为主、存在覆盖不足等问题,并提出了相关研究方向。
2026-08-11 cs.SE
Problems with SZZ and Features: An empirical study of the state of practice of defect prediction data collection
上下文:SZZ算法是标记bug修复提交和查找缺陷预测数据的诱发更改的事实标准。最近的研究发现了SZZ算法不同部分的潜在问题。大多数缺陷预测数据集只提供静态代码度量作为特征,而研究表明其他特征也很重要。目的:我们提供了一个经验分析的缺陷标签创建的SZZ算法和常用的功能对结果的影响。方法:我们使用了人工验证和采用或改进的缺陷数据收集的方法相结合。我们对38个Apache项目的398个版本进行了实证研究。结果:我们发现SZZ确定的bug修复提交中只有一半是真正的bug修复。如果将六个月的时间框架与SZZ结合使用来确定哪些bug影响发布,则对于每个被正确标记为有缺陷的文件,都有一个文件被错误地标记为有缺陷。此外,还遗漏了两个有缺陷的文件。我们还探索了在大多数缺陷预测数据集中可用的相对较小的特征集的影响,因为有多个出版物表明,例如,扰动相关特征对于缺陷预测是重要的。我们发现使用更多功能的差异并不显着。结论:缺陷标签不准确的问题严重威胁到缺陷预测技术的有效性。小功能集似乎是一个不太严重的威胁。
2021-11-11 cs.SE
Fingerprinting AI Coding Agents on GitHub
Trent University(特伦特大学)
该研究通过分析GitHub上的拉取请求,识别AI编码代理的行为特征,揭示了AI生成代码的独特模式,为软件仓库中AI贡献的检测提供了新的方法。
2026-01-24 cs.SE
Agentic AI in the Software Development Lifecycle: Architecture, Empirical Evidence, and the Reshaping of Software Engineering
Northeastern University(东北大学)
本文探讨代理AI在软件开发生命周期中的应用,提出六层参考架构,分析代理SDLC与传统SDLC的差异,并通过实证数据展示其在性能、生产力和劳动力市场的影响。
2026-04-29 cs.SE
Empirical Studies on Quantum Optimization for Software Engineering: A Systematic Analysis
Beihang University(北京航空航天大学)
本文系统分析了软件工程量子优化实证研究,发现当前在重复次数报告、噪声处理及标准化评估协议等方面存在不足,为未来设计评估量子、量子启发式及混合算法的实证研究提供了参考。
2025-10-31 cs.SE
An Empirical Study of Complexity, Heterogeneity, and Compliance of GitHub Actions Workflows
Trent University(特伦特大学)
本研究分析Java、Python、C++仓库的GitHub Actions工作流,量化其复杂性、异质性与合规性,发现工作流设计依赖生态惯例,为该领域提供了可复现的实证基准。
2026-08-04 cs.SE
Domain-Driven Design in Practice: A Large-Scale Empirical Characterisation of the Open-Source Ecosystem
Eindhoven University of Technology(埃因霍温理工大学);Wageningen University & Research(瓦赫宁根大学与研究)
研究对GitHub上的领域驱动设计(DDD)进行大规模实证特征描述。采用MSR方法及语义验证管道,识别出相关仓库。发现DDD采用率在2017年后加速,项目寿命长,不同架构有不同应用情况,还指出存在的问题及差距,呼吁制定标准并提供指导。
2026-07-08 cs.SE
Empirical study of software quality evolution in open source projects using agile practices
我们分析了两个开源Java项目的时间演变:Eclipse和Netbeans,这两个项目都是按照敏捷实践开发的,尽管程度不同。我们的研究是集中在质量分析的系统,衡量缺陷的存在,其与软件度量的演变。这两个项目通过软件图来描述,其中节点由Java文件表示,边描述节点之间的现有关系。本文在Chidamber和Kemerer度量套件的基础上提出了一个Java文件度量套件,并利用它来研究软件演化及其与bug计数的关系。
2009-05-20 cs.PL cs.SE