An Exploratory Study on the Repeatedly Shared External Links on Stack Overflow
在Stack Overflow上,用户重复使用11,926,354个外部链接来共享Stack Overflow网站外部托管的资源。外部链接连接到现有的编程相关知识,并扩展了Stack Overflow上的众包知识。有些外部链接,即所谓的重复外部链接,可以多次共享。我们观察到,82.5%的链接共享活动(即,在Stack Overflow上的任何问题、答案或评论中共享链接)共享外部资源,并且57.0%的外部链接的出现是共享重复的外部链接。但是,目前还不清楚哪些类型的外部资源被重复共享。为了帮助用户管理他们的知识,我们希望研究Stack Overflow上知识共享中重复外部链接的特征。在本文中,我们分析了堆栈溢出上的重复外部链接。我们观察到,指向文本资源(托管在文档网站,教程网站等)的外部链接被重复分享的次数最多。我们注意到:1)不同的用户以重复的外部链接的形式重复共享相同的知识,从而增加了知识的维护工作量(例如,更新多个帖子中的无效链接),2)相同的用户可以出于推广的目的重复地共享外部链接,以及3)外部链接可以指向具有用户难以检索相关信息的信息过载的网页。我们的研究结果为Stack Overflow的主持人和研究人员提供了见解。例如,我们鼓励Stack Overflow集中管理重复外部链接形式的常见知识,以更好地维护Stack Overflow上的众包知识。
2021-04-08 cs.SE
Sentiment Overflow in the Testing Stack: Analysing Software Testing Posts on Stack Overflow
本文通过挖掘和分析Stack Overflow上的情感帖子,从从业者角度调查软件测试背景,发现不安全感、绝望和渴望等情感会影响其对测试的态度,并与项目复杂度等因素相关。
2023-04-22 cs.SE
Broken External Links on Stack Overflow
Stack Overflow拥有11,926,354个指向第三方网站的链接,提供有价值的编程相关知识。引用Stack Overflow网站外部托管的资源的链接大大扩展了Stack Overflow的知识库。然而,随着编程相关知识的快速发展,许多托管在互联网上的资源不再可用。根据我们对2019年6月2日发布的Stack Overflow数据的分析,Stack Overflow上14.2%的链接是断开的链接。Stack Overflow上的断开链接可能会阻碍观众获得所需的编程相关知识,并可能损害Stack Overflow的声誉,因为观众可能会认为断开链接的帖子已经过时。在本文中,我们描述了堆栈溢出上的断开链接。在我们的抽样问题中,65%的断开链接用于展示示例,例如,代码示例。在我们的抽样答案中,70%的断开链接用于提供支持信息,例如,解释某个概念并描述解决问题的步骤。只有1.67%的链接断开的帖子在帖子评论中被观众突出显示。只有5.8%的链接被删除。观众不能完全依赖投票分数来检测断开的链接,因为断开的链接在具有不同投票分数的帖子中很常见。托管可由用户维护的资源的网站在Stack Overflow上最常被断开的链接引用-这类网站的一个突出例子是GitHub。与网络技术相关的帖子和评论,即,JavaScript、HTML、CSS和jQuery与更多的断开链接相关联。根据我们的研究结果,我…
2020-10-10 cs.SE
Exploring Research Interest in Stack Overflow -- A Systematic Mapping Study and Quality Evaluation
像Stack Overflow这样的平台可供软件从业者寻求解决方案来应对他们的挑战和知识需求。然而,其中的做法最近引发了与质量有关的问题。考虑到Stack Overflow平台被许多软件开发人员使用,这是一个值得注意的问题。学术研究倾向于为Stack Overflow和其他此类论坛所采用的实践和流程提供验证。然而,以前的工作并没有审查科学关注的规模,这是给这个原因。从我们的初步工作开始,我们进行了一项系统映射研究,涉及来自六个相关数据库的265篇论文,以解决这一差距。在这项工作中,我们探讨了Stack Overflow产生的学术兴趣水平,有针对性的出版场所,研究的主题,使用的方法,贡献类型以及关于Stack Overflow的出版物的质量。结果表明,Stack Overflow多年来吸引了越来越多的研究兴趣,主题涉及社区动态和人为因素以及技术问题。此外,调查研究主要是评价性的或提出解决办法;然而,后一种方法往往缺乏验证。这些研究的贡献通常是技术或对特定问题的答案。对所有致力于软件编程的研究(58篇论文)的质量进行评估,我们的结果显示,平均只有58%的开发质量标准得到满足。尽管研究的目的是不断了解堆栈溢出和其他类似的社区,需要进一步的调查,以验证这些研究和他们提出的解决方案。
2020-10-23 cs.SE
A Tale of Two Communities: Exploring Academic References on Stack Overflow
本文通过大规模探索性研究分析 Stack Overflow 上的学术参考文献,揭示不同社区引用学术文献的频率与速度差异,并探讨其衡量学术研究现实相关性的潜力。
2024-03-28 cs.CY cs.SE
GBM Returns the Best Prediction Performance among Regression Approaches: A Case Study of Stack Overflow Code Quality
该研究将Stack Overflow Java代码质量预测建模为回归问题,比较六种回归方法,发现GBM预测能力最佳,并揭示代码长度、问题得分、浏览量和答案数与质量的关系。
2025-05-15 cs.SE
PICASO: Enhancing API Recommendations with Relevant Stack Overflow Posts
虽然有选择可能是解放,太多的选择可能会导致次优的解决方案被选择。这在软件工程领域也不例外。如今,API已经成为使软件开发人员的生活更轻松的必要条件。API帮助开发人员更快、更高效地实现功能。然而,鉴于有大量的开源库可供选择,选择正确的API并不是一件简单的任务。以前的API推荐研究利用自然语言(查询)来识别哪个API适合给定的任务。然而,这些研究只考虑一个输入源,即,GitHub或Stack Overflow,独立。没有现有的方法可以利用Stack Overflow来帮助从GitHub获得的查询中生成更好的API序列建议。因此,在这项研究中,我们的目标是提供一个框架,可以通过利用Stack Overflow的信息来改善API序列推荐的结果。在这项工作中,我们提出了PICASO,它利用双编码器进行对比学习,并利用交叉编码器构建分类模型,以便在给定注释的情况下找到语义相似的Stack Overflow帖子(即,代码注释)。随后,PICASO使用Stack Overflow的标题作为查询扩展。PICASO然后使用扩展查询来微调CodeBERT,从而产生API序列生成模型。根据我们的实验,我们发现将堆栈溢出信息纳入CodeBERT将使API序列生成的BLEU-4评分的性能提高10.8%。
2023-03-22 cs.SE
SOGPTSpotter: Detecting ChatGPT-Generated Answers on Stack Overflow
CSIRO’s Data61(澳大利亚联邦科学与工业研究组织数据61);Technical University of Munich(慕尼黑工业大学);Deakin University(迪肯大学);Monash University(蒙纳士大学)
SOGPTSpotter利用Siamese神经网络和BigBird模型,通过三元组损失检测Stack Overflow上的ChatGPT生成答案,优于多种基线方法,具有较高的识别准确性和实用性。
2026-02-04 cs.SE
Reputation Gaming in Stack Overflow
本文首次系统研究了 Stack Overflow 中的声誉操纵现象,通过分析 1,697 篇 meta 帖子归纳出四类欺诈场景,并提出两种自动检测算法,实验表明其标记的可疑用户中 60-80% 确实被平台扣减了声誉分数。
2024-08-01 cs.SE
Recommending Code Improvements Based on Stack Overflow Answer Edits
背景:次优代码在软件系统中普遍存在。开发人员可能会由于许多原因编写低质量的代码,例如缺乏技术知识,缺乏经验,时间压力,管理决策,甚至不快乐。一旦次优代码在不知不觉中(或有意)集成到软件系统的代码库中,其积累可能会导致大量的维护成本和技术债务。Stack Overflow是一个程序员提问和分享代码片段的流行网站。Stack Overflow的众包和协作性质创造了大量的编程知识来源,可以用来帮助开发人员进行日常活动。目的:在本文中,我们提出了一个探索性的研究,以评估基于Stack Overflow答案的编辑推荐代码改进的有用性。方法:我们提出了Matcha,一个代码推荐工具,利用Stack Overflow代码片段与版本历史和代码克隆搜索技术来识别软件项目中的次优代码,并建议其优化版本。通过使用SOTorrent和GitHub数据集,我们将定性定量地研究\textsc{Matcha}向开发人员提供的建议的有用性,这些建议使用手动分类的建议和接受开源项目的拉式请求。
2022-04-14 cs.SE
Addressing Compiler Errors: Stack Overflow or Large Language Models?
本研究对比Stack Overflow与大语言模型解决编译器错误的效果,发现GPT-4表现最优,提示词表述、搜索方式会显著影响解决效果,为AI辅助编程提供参考。
2023-07-20 cs.SE
StacerBot: A Stacktrace Search Engine for Stack Overflow
作为软件开发人员或研究人员,我们在尝试编写代码或安装软件包时经常会收到stacktrace错误消息。很多时候,这些错误消息非常晦涩和冗长;对我们来说没有多大意义。很有可能其他人也遇到了类似的问题,可能在各种在线开发者论坛上分享了类似的堆栈跟踪。然而,传统的google搜索或其他搜索引擎并不能很好地帮助找到具有类似堆栈跟踪的网页。为了解决这个问题,我们开发了一个Web界面;一个更好的搜索引擎:作为这个研究项目的成果,用户可以通过提交整个stacktrace错误消息来找到适当的堆栈溢出帖子。目前开发的解决方案可以使用300 GB RAM的服务器在50秒内为具有顶部匹配堆栈溢出帖子的实时并行用户查询提供服务。本研究全面概述了本研究中使用的NLP技术,并广泛概述了研究流程。这项研究中提到的综合结果,限制和计算开销可以被未来的研究人员和软件开发人员用来为相同的问题或类似的大规模文本匹配相关任务构建更好的解决方案。
2022-09-28 cs.SE
A Gold Standard for Emotion Annotation in Stack Overflow
软件开发人员在丰富的通信渠道生态系统中体验和分享各种各样的情感。在经验软件工程研究中出现的一个最近的趋势是利用对开发人员通信痕迹的情感分析。我们从Stack Overflow发布了一个包含4,800个问题、答案和评论的数据集,并手动注释了情绪。我们的数据集有助于建立一个共享的注释资源语料库,以支持软件开发中的情感意识研究。
2018-03-06 cs.SE
Deconstructing Sentimental Stack Overflow Posts Through Interviews: Exploring the Case of Software Testing
本研究以 Stack Overflow 上软件测试相关情绪化帖子为锚点,通过半结构化访谈和 STGT 重构用户经历,识别影响测试情绪的社会技术因素。
2023-04-22 cs.SE
Enhancing Python Compiler Error Messages via Stack Overflow
背景资料:编译器往往会产生晦涩难懂的错误消息,让程序员感到困惑,并要求他们花费宝贵的时间来解决潜在的错误。为了寻求帮助,程序员通常会在Stack Overflow等在线问答论坛上开始讨论他们遇到的错误。目的:我们推测,从堆栈溢出线程讨论编译器错误的信息可以自动收集和重新打包,为程序员提供增强的编译器错误消息,从而节省程序员的时间和精力。方法:我们提出了Pycee,一个与流行的Sublime Text IDE集成的插件,为Python程序设计语言提供增强的编译器错误消息。Pycee自动查询Stack Overflow,以在IDE中提供定制和汇总的信息。我们通过有声思维用户研究评估了两个Pycee变体,在此期间,16名程序员在使用Pycee时完成了Python编程任务。结果:大多数参与者认为Pycee在完成研究任务时很有帮助。与依赖官方Python文档来增强编译器错误消息的基线相比,参与者普遍更喜欢Pycee的帮助,并引用了具体的修复建议和示例代码作为主要好处。结论:我们的研究结果证实,来自在线来源,如堆栈溢出的数据可以成功地用于自动增强编译器错误消息。我们的工作为未来的工作开辟了空间,以进一步增强编译器错误消息,以及自动重用Stack Overflow的内容用于编程的其他方面。
2019-06-27 cs.SE
From Query to Usable Code: An Analysis of Stack Overflow Code Snippets
通过自然语言文本的丰富,Stack Overflow代码片段是一个宝贵的以代码为中心的小单元源代码知识库。除了对软件开发人员有用之外,这些带注释的片段还可以作为自动化工具的基础,为特定的自然语言查询提供工作代码解决方案。为了利用Stack Overflow代码片段和周围的文本开发自动化工具,本文研究了以下问题:(1)Stack Overflow代码片段的可用性如何?以及(2)当使用文本搜索引擎对片段周围的自然语言问题和答案进行匹配时,顶部结果中包含可用代码片段的百分比是多少?总共分析了四种语言的300万个代码片段:C\#、Java、JavaScript和Python。事实证明,Python和JavaScript是使用代码片段最多的语言。相反,Java和C被证明是可用性最低的语言。对可用Python代码片段的进一步定性分析显示了解决原始问题的答案的特征。最后,我们使用Google搜索来调查可用性和代码片段周围的自然语言注释的一致性,并探索如何使Stack Overflow中的代码片段成为未来自动程序生成的足够基础。
2016-05-14 cs.SE
Code2Que: A Tool for Improving Question Titles from Mined Code Snippets in Stack Overflow
Stack Overflow是软件开发人员使用的最受欢迎的技术问答网站之一。向Stack Overflow寻求帮助已经成为软件开发人员解决编程相关问题的日常工作的重要组成部分。尽管Stack Overflow社区提供了质量保证指南来帮助用户编写更好的问题,但我们观察到提交给Stack Overflow的大量问题质量低下。在本文中,我们介绍了一个新的基于Web的工具,Code2Que,它可以帮助开发人员在编写一个给定的代码片段更高质量的问题。Code2Que包括两个主要阶段:离线学习和在线推荐。在离线学习阶段,我们首先收集一组高质量的<code snippet,question>对作为训练样本。然后,我们通过深度序列到序列方法在这些训练样本上训练我们的模型,并通过注意力机制,复制机制和覆盖机制进行增强。在在线推荐阶段,对于给定的代码片段,我们使用离线训练模型来生成问题标题,以帮助经验不足的开发人员更有效地编写问题。同时,我们将给定的代码片段嵌入到向量中,并检索具有类似问题代码片段的相关问题。
2020-07-19 cs.SE
Mining API Usage Scenarios from Stack Overflow
我们提出了一个框架,从堆栈溢出挖掘API使用场景。每个任务都由一个代码示例、任务描述和开发人员对代码示例的反应组成。首先,我们提出了一种算法,可以自动将论坛帖子中的代码示例链接到论坛帖子的文本内容中提到的API。其次,我们通过总结围绕代码示例的讨论来生成任务的自然语言描述。第三,我们自动关联开发人员的反应(即,积极和消极的意见),以提供有关代码质量的信息。我们使用三个基准评估算法。
2021-02-17 cs.SE
Representation Learning for Stack Overflow Posts: How Far are We?
本文在统一设置下比较 Post2Vec、BERTOverflow 及多种 BERT 类模型在标签、相关性和 API 推荐任务上的表现,并提出经 Stack Overflow 语料继续预训练的 SOBERT。
2024-04-09 cs.SE
Which is a better programming assistant? A comparative study between chatgpt and stack overflow
该研究通过用户实验对比ChatGPT与Stack Overflow的编程辅助效果,发现二者在不同任务类型上各有优劣,并分析了差异背后的原因。
2023-08-26 cs.SE
An Annotated Dataset of Stack Overflow Post Edits
为了改进软件工程,已经挖掘软件存储库以获得代码片段和错误修复。通常,这种挖掘发生在文件或提交级别。为了能够更深入地挖掘并以更高的分辨率提取见解,我们在此提供了一个带注释的数据集,其中包含Stack Overflow上超过700万次的代码和文本编辑。我们的初步研究表明,这些编辑可能是挖掘细粒度补丁信息的宝库,例如,用于优化非功能特性。
2020-05-06 cs.NE cs.SE
Fit or Unfit : Analysis and Prediction of 'Closed Questions' on Stack Overflow
Stack Overflow被广泛认为是程序员最受欢迎的社区驱动的问答(CQA)网站。发布在Stack Overflow上的与编程主题无关的问题,会被有经验的用户和社区版主标记为“关闭”。一个问题可以被“关闭”有五个原因-重复,离题,主观,不是一个真正的问题和过于本地化。在这项工作中,我们提出了在堆栈溢出的“封闭”问题的第一次研究。我们下载了4年的公开数据,其中包含340万个问题。我们首先分析和描述了完整的10万个“封闭”问题。接下来,我们使用机器学习框架并构建预测模型,以在问题创建时识别“关闭”问题。我们的主要发现之一是,尽管被标记为“封闭”,主观问题包含高的信息价值,是非常受欢迎的用户。我们观察到随着时间的推移,关闭问题的百分比呈上升趋势,并发现这种增长与新注册用户的数量呈正相关。此外,我们还看到社区参与减少,以标记一个“关闭”的问题,这导致了适度工作时间的增加。我们还发现,以重复和偏离主题标签结束的问题相对更容易进行声誉游戏。对于“封闭式”问题预测任务,我们利用多种类型的功能集的基础上-用户简档,社区进程,文本风格和问题的内容。我们使用一个国家的最先进的机器学习分类器集成学习技术的基础上,实现了73%的整体准确率。据我们所知,这是第一个在Stack Overflow上分析和预测“封闭”问题的实验研究。
2013-07-27 cs.IR cs.SE cs.SI
The Influence of Code Comments on the Perceived Helpfulness of Stack Overflow Posts
University of Innsbruck(因斯布鲁克大学);University of Bayreuth(拜罗伊特大学);Germany Aerospace Center (DLR)(德国航空航天中心);University of Cologne(科隆大学)
通过在线实验(n=91)研究代码注释如何影响 Stack Overflow 答案的感知有用性,发现块注释和行内注释均显著提高有用性,且新手认为块注释更有用,而答案位置和分数影响较小。
2026-06-16 cs.SE
Does This Apply to Me? An Empirical Study of Technical Context in Stack Overflow
Stack Overflow已经成为开发人员必不可少的技术资源。然而,考虑到Stack Overflow上的大量知识,找到与给定任务相关的正确信息仍然具有挑战性,特别是当开发人员正在寻找适用于其特定需求或技术堆栈的解决方案时。用技术背景清楚地标记答案,即,描述这一答案所需的技术和假设的信息可能是改进导航的一种方法。然而,没有资料说明这种背景多久被提到一次,以及它可能提供什么样的信息。在本文中,我们进行了一项实证研究,以了解技术上下文的发生在堆栈溢出的答案和评论,使用标签作为代理的技术上下文。我们特别关注额外的上下文,其中答案/评论提到了问题中尚未讨论的信息。我们的研究结果表明,我们研究的线程中有近一半包含至少一个额外的上下文。我们发现几乎50%的附加上下文是库/框架、程序设计语言、工具/应用程序、API或数据库。总的来说,我们的研究结果表明,使用额外的上下文作为导航线索的承诺。
2022-03-31 cs.SE
Towards Better Answers: Automated Stack Overflow Post Updating
针对Stack Overflow评论常被忽略、问题代码片段难以及时修正的现状,研究提出Soup框架,通过有效评论-编辑预测和自动帖子更新两项任务实现帖子自动更新,实验效果优于基准,且真实环境提交的50条编辑中有21条被平台维护者采纳。
2024-08-17 cs.SE
Human Values Violations in Stack Overflow: An Exploratory Study
越来越多的软件密集型系统被指控违反或忽视人类价值观(例如,隐私、包容和社会责任),这给个人和社会带来了很大的困难。这种违规行为经常发生,因为这些系统的开发人员所采用的解决方案和决策与用户价值观不一致。Stack Overflow是开发人员中最受欢迎的QA网站,可以分享他们的问题,解决方案(例如,代码片段)和软件开发期间的决策。我们进行了一项探索性研究,以调查Stack Overflow帖子中违反人类价值观的情况。由于帖子下的评论经常被用来指出帖子可能存在的问题和弱点,我们分析了2000个Stack Overflow评论及其相应的帖子(1980个独特的问题或答案),以确定违反人类价值观的类型以及Stack Overflow用户对此类违反的反应。我们的研究发现,在2000条评论中,有315条包含了相关帖子(313个独特的帖子)违反人类价值观的担忧。利用Schwartz的基本人类价值理论作为最广泛使用的价值模型,我们表明,享乐主义和仁慈是最违反的价值类别。我们还发现Stack Overflow评论者对人类价值观侵犯的反应非常迅速,但大多数被指控违反人类价值观的帖子(76.35%)根本没有被否决。最后,我们发现,原来的海报很少通过编辑他们的帖子来回应潜在的人类价值观侵犯的担忧。与此同时,他们在自己的后续评论中回应这些评论时通常是接受的。
2022-03-20 cs.SE
I Know What You Are Searching For: Code Snippet Recommendation from Stack Overflow Posts
Stack Overflow已经被软件开发人员大量使用来寻找与编程相关的信息。越来越多的开发人员使用社区问答论坛(如Stack Overflow)来搜索如何完成特定编码任务的代码示例。这通常被认为比从源文档,教程或完整的工作示例中工作更有效。然而,由于这些在线问答论坛的复杂性以及它们包含的大量信息,开发人员可能会被大量的可用信息所淹没。这使得很难找到和/或甚至知道最相关的代码示例来满足他们的需求。为了缓解这个问题,在这项工作中,我们提出了一个查询驱动的代码推荐工具,名为Que 2Code,它可以从Stack Overflow帖子中识别用户查询的最佳代码片段。我们的方法有两个主要阶段:(i)语义等价的问题检索和(ii)最佳代码片段推荐。为了评估我们提出的模型的性能,我们进行了一个大规模的实验,以评估语义等价的问题检索任务和最佳代码片段推荐任务的有效性分别在Python和Java数据集堆栈溢出。我们还进行了一项人类研究,以衡量现实世界的开发人员如何看待我们的模型生成的结果。自动和人工评估结果都证明了我们模型的良好性能,我们已经发布了我们的代码和数据来帮助其他研究人员。
2022-10-28 cs.SE
Code2API: A Tool for Generating Reusable APIs from Stack Overflow Code Snippets
针对Stack Overflow代码片段无法直接测试复用的问题,提出Chrome扩展Code2API,利用LLMs的思维链推理和少样本学习自动将其转换为可调用API,评估显示其显著优于基于规则的方法。
2025-04-19 cs.SE
Revolutionizing API Documentation through Summarization
École de Technologie Supérieure(蒙特利尔高等技术学院)
本文利用 Stack Overflow 用户内容,结合 BERTopic 和抽取式摘要自动生成 API 摘要,以解决官方文档冗长难用的问题,并通过开发者评估验证其实用性。
2024-01-21 cs.AI cs.CL cs.SE
An empirical study of question discussions on Stack Overflow
本文对 Stack Overflow 上问题讨论的本质开展实证研究,发现讨论贯穿问答全过程且提问者与回答者积极参与,评论数与回答时间呈正相关,表明问题讨论是问答过程不可或缺的组成部分。
2022-07-19 cs.SE
An Empirical Study of Obsolete Answers on Stack Overflow
Stack Overflow积累了大量的软件工程知识。然而,随着时间的推移,答案中的某些知识可能会过时。这些过时的答案,如果没有明确识别或记录,可能会误导答案寻求者并导致意想不到的问题(例如,使用过时的安全协议)。在本文中,我们调查如何在答案中的知识变得过时,并确定这种过时的答案的特点。我们发现:1)超过一半的过时答案(58.4%)可能在第一次发布时已经过时。2)当观察到一个过时的答案时,只有一小部分(20.5%)这样的答案会被更新。3)某些标签中的问题答案(例如,node.js、apache、android和objective-c)更有可能过时。我们的研究结果表明,Stack Overflow应该制定机制,鼓励整个社区维护答案(以避免过时的答案),并鼓励寻求答案的人仔细阅读所有信息(例如,评论)在回答线程。
2019-03-28 cs.SE
Syntax and Stack Overflow: A methodology for extracting a corpus of syntax errors and fixes
在研究如何发现和修复语法错误时,一个问题是如何获得自然的和有代表性的语法错误示例。大多数语法错误数据集都不是免费的,开放的和公共的,或者它们是从新手程序员那里提取的,并不代表一般开发人员会犯的语法错误。所有技能水平的程序员都会在Stack Overflow上发布问题和答案,其中可能包含源代码片段以及相应的文本和标签。许多代码片段不进行解析,因此它们很适合形成语法错误和更正的语料库。我们的主要贡献是一种方法,用于提取自然的语法错误和相应的人工修复,以帮助语法错误的研究。Python抽象语法树解析器用于确定从SOTorrent数据集提取的代码块的初步错误和更正。我们通过在Python解释器中执行更正来进一步分析我们的代码。我们应用我们的方法生成了一个包含62,965个Python Stack Overflow代码片段的公共数据集,其中包含相应的标记、错误和堆栈跟踪。我们发现,Stack Overflow用户所犯的错误与学生开发人员或随机突变所犯的错误不匹配,这意味着该领域存在严重的代表性风险。最后,我们公开分享我们的数据集,以便未来的研究人员可以重用和扩展我们的语法错误和修复。
2019-07-17 cs.SE
Bootstrapping Cookbooks for APIs from Crowd Knowledge on Stack Overflow
成熟的库通常都有API文档。然而,它们经常缺乏示例和解释,可能难以有效地重用它们。Stack Overflow是一个面向软件开发相关问题的问答网站。尽管越来越多地采用堆栈溢出,但与特定主题相关的信息(例如,API)分布在整个网站上。因此,Stack Overflow仍然缺乏对现有群众知识的组织。我们的目标是通过提供一个替代工件来解决API文档质量差的问题,该工件基于Stack Overflow上可用的群众知识来记录API,称为群众食谱。烹饪书是一本以食谱为导向的书,我们将我们的烹饪书称为人群烹饪书,因为它包含了人群生成的内容。烹饪书的目的是通过探索过程来使用,即浏览。在本文中,我们提出了一种半自动的方法,该方法组织了Stack Overflow上可用的人群知识,以构建API的食谱。我们已经为软件开发社区广泛使用的三种API生成了食谱:SWT,LINQ和QT。我们还定义了人群食谱必须满足的期望属性,并且我们对人类受试者的食谱进行了评估。结果表明,使用我们的方法构建的食谱,一般来说,满足这些属性。作为一个亮点,大多数食谱被认为是适当的,在食谱和有自我包含的信息。我们的结论是,我们的方法是能够自动生成足够的食谱,这可以是手动制作的食谱一样有用。这为API设计者提供了一个机会,可以用来自人群的不同观点来丰富现有的食谱,甚至可以生成新食谱的初始版本。
2019-03-21 cs.SE
Norm violation in online communities -- A study of Stack Overflow comments
规范是社区中的行为期望。在线社区还应遵守系统行为守则中规定的规则和条例。尽管社区当局不断敦促用户遵守规定,但据观察,仇恨言论和辱骂性语言的使用正在增加。在本文中,我们量化和分析的模式,违反规范的行为之间的用户堆栈溢出(SO)-一个著名的技术问答网站的专业人士和爱好者程序员,同时发表评论。尽管该网站一直致力于技术问题的解决和调试,仇恨言论以及发布攻击性评论使社区“有毒”。通过识别和最大限度地减少不同SO社区中违反规范的各种模式,社区将变得毒性较小,从而社区可以更有效地实现其知识共享的目标。此外,通过自动检测此类评论,版主可以警告作者,使其不太可能重复,从而提高网站和社区的声誉。基于从两个不同的数据源中提取的评论SO,这项工作首先提出了一个分类的规范,违反。第二,它表明了对某些违反规范行为的制裁。第三,它提出了一个推荐系统,可以用来警告用户,他们即将违反规范。这可以帮助实现在线社区的规范遵守。
2020-04-12 cs.SE cs.SI
Generating Question Titles for Stack Overflow from Mined Code Snippets
Stack Overflow已被软件开发人员大量使用,作为通过互联网从同行中寻求编程相关信息的流行方式。Stack Overflow社区建议用户在创建问题时提供相关代码片段,以帮助其他人更好地理解并提供帮助。以前的研究表明,这些问题中有相当一部分是低质量的,对Stack Overflow中的其他潜在专家没有吸引力。这些问得不好的问题不太可能得到有用的答案,并阻碍了整个知识生成和共享过程。考虑到在SO中引入低质量问题的原因之一是,许多开发人员可能无法澄清和总结他们所呈现的代码片段背后的关键问题,因为他们缺乏与问题相关的知识和术语,和/或他们的写作技巧很差,在这项研究中,我们提出了一种方法来帮助开发人员编写高-通过使用深度序列到序列学习方法为代码片段自动生成问题标题来生成高质量的问题。我们的方法是完全数据驱动的,并使用一个注意力机制来执行更好的内容选择,一个复制机制来处理罕见的单词问题和覆盖机制,以消除单词重复问题。我们在各种程序设计语言(例如,Python,Java,JavaScript,C#和SQL)和我们的实验结果表明,我们的方法显着优于几个国家的最先进的基线在自动和人工评估。我们已经发布了我们的代码和数据集,以方便其他研究人员验证他们的想法并激发后续工作。
2020-07-13 cs.SE
An Insight into the Unresolved Questions at Stack Overflow
对于Stack Overflow上的大量问题,没有一个张贴的答案被接受为解决方案。接受一个答案表明这个答案实际上解决了问题中讨论的问题,并且这个问题得到了充分的回答。在本文中,我们使用探索性研究调查了3,956个未解决的问题,我们分析了这些问题的四个重要方面,它们的答案以及部分解释所观察到的场景的相应用户。然后,我们提出了一个预测模型,通过采用与用户行为,主题和问题的流行度相关的五个指标,预测Stack Overflow上问题的最佳答案是否可能仍然不被接受。对8,057个问题的实验表明,该模型能以78.70%的准确率和76.10%的召回率预测未解决的问题。
2018-07-05 cs.CY cs.SE
An Exploration of npm Package Co-Usage Examples from Stack Overflow: A Case Study
使用第三方软件包已经成为当代软件开发中的一种常见做法。开发人员经常面临不同的挑战,包括选择正确的库,安装错误,差异,设置环境,以及在软件开发过程中构建失败。维护第三方软件包的风险是众所周知的,但不清楚来自Stack Overflow(SO)的信息如何有用。本文对SO中的npm共用现象进行了实证研究。从超过30,000个SO帖子中,我们提取了2,100个与npm相关的SO帖子,并将它们与217,934个npm库包进行了匹配。我们发现,流行的和高度使用的库并没有经常在SO中讨论。然而,我们可以看到,被接受的答案可能是有用的,因为我们相信使用示例和可执行命令可以被重用为工具支持。
2022-02-28 cs.SE
SOTitle: A Transformer-based Post Title Generation Approach for Stack Overflow
在Stack Overflow上,开发人员不仅可以浏览问题帖子来解决他们的编程问题,还可以从问题帖子中获得专业知识,以帮助提高他们的编程技能。因此,提高Stack Overflow的问题帖质量,引起了研究者的广泛关注。一个简洁、准确的标题可以帮助开发者理解问题帖子的关键信息,从而提高帖子的质量。但是,由于缺乏与他们的问题相关的专业知识或开发人员的表达能力差,生成的标题质量不高。之前的一项研究旨在通过分析问题帖子中的代码片段来自动生成标题。然而,本研究忽略了相应问题描述中的有用信息。因此,我们提出了一种通过利用问题帖子中的代码片段和问题描述(即,多模式输入)。SOTitle遵循Transformer结构,通过多头注意力机制,可以有效捕捉长期依赖。为了验证SOTitle的有效性,我们从Stack Overflow中构建了一个大规模的高质量语料库,其中包括1,168,257个针对四种流行程序设计语言的高质量问题帖子。实验结果表明,SOTitle可以显着优于六个国家的最先进的基线在自动评价和人类评价。为了鼓励后续研究,我们公开了我们的语料库和方法
2022-02-20 cs.SE
On the Utility of Marrying GIN and PMD for Improving Stack Overflow Code Snippets
软件开发人员越来越依赖于问答门户和博客来编码解决方案。虽然这些接口提供了有用的信息,但有人担心这里托管的代码往往不正确,不安全或不完整。以前的工作确实通过使用静态分析在Stack Overflow上提供的代码中检测到了一系列错误。静态分析可能会对快速建立在线可用软件代码的健康状况大有帮助。此外,实现快速自动化程序改进的机制可以增强这样的代码。因此,我们提出了这个概念的证明。我们使用PMD静态分析工具来检测Stack Overflow Java代码片段样本的性能故障,然后使用GIN对这些代码片段执行突变。然后,我们重新分析GIN突变后这些片段中的性能故障。GIN的RandomSampler被用于对3,034个片段执行17,986个独特的行和语句补丁,其中PMD违规被从770个补丁版本中删除。我们的研究结果表明,静态分析技术可以与自动化程序改进方法相结合,以提高公共可用的代码很少的资源需求。我们将讨论我们在这方面的研究计划。
2022-02-03 cs.SE
Does the hiding mechanism for Stack Overflow comments work well? No!
Stack Overflow已经积累了数百万个答案。信息性的评论可以加强其相关的答案(例如,提供更多信息)。目前,Stack Overflow隐藏排名超过前5的评论。Stack Overflow旨在显示更多信息性评论(即,具有较高分数的那些),并使用该机制隐藏信息量较少的那些。结果,440万条评论被隐藏在他们的答案线索下。因此,了解当前评论隐藏机制的工作情况非常重要。在这项研究中,我们调查的机制是否可以有效地提供信息的评论,同时隐藏无信息的评论。我们发现:1)隐藏的评论和显示的评论一样具有信息性;超过一半的评论(隐藏的和显示的)都是信息性的(例如,提供可供选择的答案,或指出其相关答案中的缺陷)。2)当前的评论隐藏机制倾向于基于评论的创建时间而不是在大多数情况下基于评论的分数来对评论进行排名和隐藏,这是由于大量的平局评分的评论(例如,87%的评论为0分)。3)在97.3%的具有隐藏评论的答案中,至少一个评论被隐藏,而另一个具有相同分数的评论被显示(即,我们把这种情况称为不公平的隐藏评论)。在这些不公平隐藏的评论中,最长的不公平隐藏的评论比最短的不公平显示的评论更有可能提供信息。我们的研究结果表明,Stack Overflow应该考虑调整他们目前的评论隐藏机制,例如,显示较长的不公平隐藏注释,以替换较短的不公平显示注释。我们还建议用户检查所有评论,以防他们错过信息详细信息,如软件过时,…
2019-04-01 cs.SE
Optimising the Fit of Stack Overflow Code Snippets into Existing Code
软件开发人员经常在他们的项目中重用来自在线资源(如Stack Overflow)的代码。然而,搜索代码段并将其集成到现有源代码中的过程可能是乏味的。为了提高代码重用的效率和减少代码重用所花费的时间,我们提出了一个用于Eclipse IDE(集成开发环境)的自动化代码重用工具NLP 2TestableCode。NLP 2TestableCode不仅可以使用自然语言任务搜索Java代码段,还可以基于用户现有代码评估代码段,修改代码段以改进匹配并纠正错误,然后向用户呈现最佳代码段,所有这些都无需离开编辑器。NLP 2TestableCode还包括自动生成可定制测试用例并建议参数和返回类型的功能,以便进一步评估代码片段。在评估中,NLP 2TestableCode能够为82.9%的任务找到可编译的代码片段,为42.9%的任务找到可测试的代码片段。
2020-04-16 cs.SE
Characterization and Prediction of Questions without Accepted Answers on Stack Overflow
获取软件开发问题相关信息的一种快速有效的方法是搜索它们以找到类似的已解决问题或在社区问答(CQA)网站上发布问题。在短时间内解决编码问题非常重要,因此这些CQA对软件开发过程有相当大的影响。然而,如果开发人员没有得到他们预期的答案,网站将不会有用,软件开发时间将增加。堆栈溢出是最流行的CQA有关编程问题。根据它的规则,表明提问者已经获得了所需答案的唯一标志是用户的接受。在本文中,我们研究了堆栈溢出上尚未解决的问题,没有公认的答案。未解决的问题越来越多。截至2019年8月,47%的Stack Overflow问题尚未解决。在这项研究中,我们分析了各种功能的有效性,包括一些新的功能,以解决一个问题。我们不使用包含提问时不存在的信息的功能,例如答案。为了评估我们的功能,我们部署了几个预测模型,这些模型在1800万个问题的特征上进行了训练,以预测一个问题是否会得到一个被接受的答案。这项研究的结果表明,我们提出的功能和获得接受的答案之间的显着关系。最后,我们介绍了一个在线工具,预测一个问题是否会得到一个接受的答案或没有。目前,Stack Overflow的用户在提出问题之前不会收到任何反馈,因此他们可能会不小心提出不清楚,不可读或标记不当的问题。通过使用这个工具,他们可以修改他们的问题和标签来检查工具的不同结果,并故意改进他们的问题以获得可接受的答案。
2021-03-21 cs.SE
An Empirical Study of C++ Vulnerabilities in Crowd-Sourced Code Examples
软件开发人员在像Stack Overflow这样的问答网站上分享编程解决方案。众包代码片段的重用可以促进快速原型设计。然而,最近的研究表明,共享的代码段可能质量较低,甚至可能包含漏洞。本文旨在了解众包代码示例中安全漏洞的性质和流行程度。为了实现这一目标,我们调查了10年来在Stack Overflow上共享的C++代码片段中的安全漏洞。在涉及多个人类编码员的协作会话中,我们根据CWE(常见弱点枚举)指南手动评估每个代码片段的安全漏洞。从GitHub上至少一个项目中使用的72,483个代码片段中,我们发现了69个易受攻击的代码片段,分为29种类型。许多被调查的代码片段仍然没有在Stack Overflow上得到纠正。在Stack Overflow中发现的69个易受攻击的代码片段在总共2859个GitHub项目中被重复使用。为了帮助提高在Stack Overflow上共享的代码段的质量,我们开发了一个浏览器扩展,允许Stack Overflow用户在将代码段上传到平台时检查代码段中的漏洞。
2021-01-19 cs.SE
LLMs and Stack Overflow Discussions: Reliability, Impact, and Challenges
Polytechnique Montreal(蒙特利尔大学);CISPA(CISPA研究院)
本研究实证评估ChatGPT和LLaMA在Stack Overflow问题上的可靠性,发现它们虽挑战但未全面超越人类,且用户发帖活动显著下降,并为未来LLM发展提供指导。
2025-06-20 cs.AI cs.SE
SBOM Challenges for Developers: From Analysis of Stack Overflow Questions
本文通过分析Stack Overflow上SBOM相关问题,揭示开发者使用SBOM时面临解决率低、问题持续增长及工具挑战三大问题。
2025-02-06 cs.SE
Is Stack Overflow Obsolete? An Empirical Study of the Characteristics of ChatGPT Answers to Stack Overflow Questions
Purdue University(普渡大学)
该研究通过分析 ChatGPT 对 517 个 Stack Overflow 编程问题的回答,结合语言学分析与用户研究,发现其回答错误率高且冗长,但用户易因表述清晰偏好选择,同时常忽略其中错误,提示需关注相关错误信息风险。
2024-02-07 cs.AI cs.SE
On Using Stack Overflow Comment-Edit Pairs to recommend code maintenance changes
代码维护数据集通常由包含改进或修复的代码的前后版本组成。这样的数据集对于与代码维护相关的软件工程支持工具是重要的,例如程序修复、代码推荐系统或应用编程接口(API)误用检测。当前的大多数数据集都是通过挖掘版本控制系统中的提交历史或问题跟踪系统中的问题来构建的。在本文中,我们将研究Stack Overflow是否可以用作额外的数据源。Stack Overflow上的评论为开发人员提供了一种有效的方法,可以指出现有答案、替代解决方案或陷阱中的问题。在本文中,我们从Stack Overflow中挖掘评论-编辑对,并研究它们的潜在有用性。这些对具有额外的好处,即对为什么需要更改进行具体描述,并且可能需要处理的更改较少。我们首先设计了一种技术来提取相关的评论编辑对,然后调查这些对的性质。我们发现大多数评论-编辑对并不纠缠在一起,但只有27%的研究对可能对上述应用有用。我们对挖掘对的类型进行了分类,发现有用对的最高比例来自纠正,Objective,Flaw和Extension类别。为了证明我们提取的对的有效性,我们在GitHub上提交了15个pull请求,其中10个已被广泛使用的存储库(如Apache Beam和nltk)接受。我们的工作是第一个研究Stack Overflow注释-编辑对的工作,并为未来的工作打开了大门。基于我们的发现和观察,我们提供了关于如何潜在地识别更大的有用的评论-编辑…
2021-01-25 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
Improving Quality of a Post's Set of Answers in Stack Overflow
Sharif University of Technology(谢里夫理工大学)
Stack Overflow等社区问答平台帮助广大用户在线解决难题。随着这些社区的受欢迎程度在过去几年中不断增长,成员和帖子的数量都在不断增加。此外,由于用户的背景、技能、专业知识和观点不同,每个问题可能会得到不止一个答案。因此,焦点已经转向生成对整个社区更有价值的一组答案的帖子,而不仅仅是一个旨在满足提问者的接受答案。和每个通用社区一样,Stack Overflow上有大量低质量的帖子需要改进。我们称这些帖子为有缺陷的帖子,并将其定义为问题没有答案或可以通过其他帖子改进的帖子。在本文中,我们提出了一种方法来自动识别过程中的这些职位,并提高他们的答案集,利用相关专家的帮助。在60名参与者的帮助下,我们训练了一个分类模型,通过调查Stack Overflow上发布的3075个问题的特征与他们对更好答案集的需求之间的关系,来识别有缺陷的帖子。然后,我们开发了一个名为SOPI的Eclipse插件,并在插件中集成了预测模型,将这些有缺陷的帖子链接到相关开发人员,帮助他们改进答案集。我们分别在10名和15名专业工业开发人员的帮助下评估了插件的功能和提交给Stack Overflow的答案的影响。我们的研究结果表明,决策树,特别是J48,预测一个有缺陷的问题比其他方法0.945精度和0.903召回。我们的结论是,我们的插件不仅可以帮助程序员更容易地为Stack Overflow做出贡献,而且还…
2020-05-30 cs.LG cs.SE
Code Duplication on Stack Overflow
尽管堆栈溢出(SO)对于许多软件开发人员的日常工作具有不可否认的重要性,尽管现有的知识对软件可维护性的影响代码复制,SO上的代码克隆的流行和影响尚未得到应有的重视。在本文中,我们动机为什么代码重复的研究在SO是必要的,以及如何现有的研究代码重用不同于这个新的研究方向。我们提出了一般的代码克隆和SO上的代码克隆之间的相似性和差异,并指出了需要解决的开放性问题,以便能够就如何在这个重要的平台上正确处理克隆做出数据知情的决策。我们目前的结果从第一次初步调查,表明SO上的克隆是常见的和多样的。我们进一步指出了具体的挑战,包括鼓励用户克隆成功的答案以及在平台上进行批量编辑的困难,并总结了未来工作的可能方向。
2020-02-04 cs.SE
SOTorrent: Studying the Origin, Evolution, and Usage of Stack Overflow Code Snippets
Stack Overflow(SO)是最受软件开发人员欢迎的问答网站,提供了大量可复制的代码片段。像其他软件工件一样,SO上的代码会随着时间的推移而演变,例如,当bug被修复或API被更新到最新版本时。为了能够分析SO上的代码和周围的文本是如何演变的,我们构建了SOTorrent,这是一个基于官方SO数据转储的开放数据集。SOTorrent提供了对整个帖子以及单个文本和代码块级别的SO内容的版本历史的访问。它通过聚合来自周围文本块和评论的URL,以及通过收集来自GitHub文件的引用来将SO帖子中的代码片段连接到其他平台。我们的愿景是,研究人员将使用SOTorrent来调查和了解SO上代码的演变和维护,以及它与其他平台(如GitHub)的关系。
2019-03-09 cs.SE
A Study of Knowledge Sharing related to Covid-19 Pandemic in Stack Overflow
2019冠状病毒病疫情除了造成悲剧性影响外,还以前所未有的程度改变了全世界人类活动的几乎每一个方面。与此同时,这一大流行病促使各学科的科学家进行了大量研究,力求研究这一现象本身、其流行病学特征以及应对其后果的方法。信息技术,特别是数据科学,推动了所有与Covid-19生物医学领域相关的创新。鉴于软件开发人员经常求助于Stack Overflow等开放问答社区,寻求解决技术问题的建议,我们进行了一项实证研究,以调查Covid-19相关帖子的程度,演变和特征。特别是,通过研究主要在2020年2月和3月发布的464个Stack Overflow问题,并利用文本挖掘的力量,我们试图揭示开发人员对Covid-19相关主题的兴趣以及用户寻求信息的最热门技术问题。调查结果显示,这场全球危机确实引发了Stack Overflow的激烈和日益增加的活动,大多数帖子主题反映了对Covid-19数据分析的浓厚兴趣,主要使用Python技术。
2020-04-18 cs.CY cs.SE
Attribution Required: Stack Overflow Code Snippets in GitHub Projects
Stack Overflow(SO)是最大的开发者问答网站,提供了大量可复制的代码片段。使用这些片段会引起各种维护和法律问题。SO许可证需要署名,即,引用原始问题或答案,并要求派生作品采用兼容的许可证。虽然有一个激烈的辩论SO的许可证模型的代码片段和所需的归属,很少有人知道的程度,代码片段被复制从SO没有适当的归属。在本文中,我们提出了一项实证研究的研究设计和总结结果,分析了GitHub项目中SO代码片段的属性和非属性使用。平均而言,3.22%的被分析仓库和7.33%的流行仓库包含对SO的引用。此外,我们发现开发人员更愿意参考SO上的整个线程,而不是特定的答案。对于Java,至少有三分之二的复制片段没有属性。
2017-07-03 cs.SE
Why Do You Contribute to Stack Overflow? Understanding Cross-Cultural Motivations and Usage Patterns before the Age of LLMs
University of Otago(奥塔哥大学);Monash University(蒙纳士大学);University of Calgary(卡尔加里大学);University of Fiji(斐济大学)
研究通过分析Stack Overflow贡献者的动机和跨文化差异,揭示了不同国家用户在参与平台时的动机和行为模式,为提升软件工程领域的跨文化参与提供策略依据。
2026-03-05 cs.SE