Early-Stage Prediction of Review Effort in AI-Generated Pull Requests
University of Science, Vietnam National University(越南国立大学科学大学);University of Economics and Law, Vietnam National University(越南国立大学经济与法律大学)
本研究提出一种基于创建时间的电路断开模型,用于预测AI生成拉取请求的高维护需求,通过静态复杂性线索识别高成本贡献,提升维护效率。
2026-01-27 cs.SE
A Mixed-Methods Study of Open-Source Software Maintainers On Vulnerability Management and Platform Security Features
本文通过清单调查和半结构化访谈研究OSS维护者对漏洞管理和平台安全的视角,发现供应链不信任和缺乏自动化是主要挑战,并探讨了如何更好地支持漏洞管理。
2025-02-03 cs.CR cs.SE
Quality Gatekeepers: Investigating the Effects ofCode Review Bots on Pull Request Activities
该研究结合 GitHub 1,194 个项目的断点回归分析与 12 名从业者访谈,揭示代码审查机器人对 PR 合并、未合并数量及开发者沟通的影响。
2022-03-30 cs.SE
Understanding the Helpfulness of Stale Bot for Pull-based Development: An Empirical Study of 20 Large Open-Source Projects
Concordia University(康考迪亚大学);Université du Québec à Montréal (UQAM)(蒙特利尔魁北克大学);Mozilla Corporation(Mozilla公司)
通过对20个大型开源项目的实证研究发现,Stale Bot能提高PR审查效率并加速关闭积压PR,但会减少活跃贡献者数量,仅依赖它可能降低社区参与度并增加贡献者弃权(不执行)风险。
2023-05-29 cs.AI cs.LG cs.SE
Bots Don't Mind Waiting, Do They? Comparing the Interaction With Automatically and Manually Created Pull Requests
作为一个开源软件项目的维护者,你通常会对以拉取请求的形式提供的贡献感到高兴,因为这会使项目向前迈进一步。过去的研究表明,在审查拉取请求时,不仅要考虑其内容,还要考虑贡献者的社会特征。因此,是否接受捐款以及需要多长时间不仅取决于捐款的内容。然而,到目前为止,我们只有迹象表明,来自机器人的拉取请求可能会优先级较低,即使机器人是由开发团队显式部署的,并且被认为是有用的。机器人研究和开发社区的一个目标是设计有用的机器人,以各种方式有效地支持软件开发。为了更接近这个目标,在这个GitHub挖掘研究中,我们研究了维护者如何与人类手动创建的拉取请求进行交互,与机器人自动创建的拉取请求进行交互的可衡量差异。目前,GitHub上大约三分之一的拉取请求来自机器人。虽然来自人类的拉取请求在72.53%的情况下被接受和合并,但这只适用于37.38%的机器人拉取请求。此外,与机器人拉取请求进行交互并将其合并所需的时间要长得多,即使它们平均包含的更改比人工拉取请求少。这些结果表明,机器人尚未充分发挥其潜力。
2021-03-05 cs.HC cs.SE
Governance Matters: Lessons from Restructuring the data.table OSS Project
Northern Arizona University(北亚利桑那大学);data.table Project(data.table 项目)
data.table项目通过社区主导的治理改革,显著提升了贡献者招募、拉取请求解决效率和贡献者保留率,为OSS治理改进提供了实践经验。
2026-01-19 cs.SE
Are We on the Same Page? Examining Developer Perception Alignment in Open Source Code Reviews
本研究通过调查、访谈和仓库分析,揭示开源代码审查中贡献者与维护者的感知差异及偏见影响,并提出改进文档、工具和自动化方案以促进公平与创新。
2025-04-25 cs.SE
A Longitudinal Analysis of Good First Issue Practices and Newcomer Pull Requests in Popular OSS Projects
Nara Institute of Science and Technology(奈良先端科学技术大学院大学);Wakayama University(和歌山大学);The University of Osaka(大阪大学)
研究分析了37个流行GitHub仓库中406826个问题和1117个新成员GFI拉取请求,发现GFI标签比例在2024年后显著下降,但新成员参与度稳定,但拉取请求合并率下降,表明GFI基于的入职机制需持续维护。
2026-06-04 cs.SE
DoGBench: Can Agents Meet Expert Standards for User-Facing Documentation?
Promptless(Promptless公司);Doc Detective(Doc Detective公司);Helm(Helm公司);Mautic(Mautic公司);PostHog(PostHog公司)
DoGBench是首个面向用户文档生成基准,含292个开源项目条目,要求智能体判断文档是否需更新并生成可接受补丁,否则弃权;评估七个智能体,最高47.3分,识别出任务完成缺口等主要失败模式。
2026-10-01 cs.AI cs.SE
Making Agent-Mediated Contributions Governable: A Project-Level Governance Manifest for Open-Source AI Collaboration
School of Business Administration, Shanxi University of Finance and Economics(山西财经大学工商管理学院);Experiment and Practical Training Center, Shanxi University of Finance and Economics(山西财经大学实验实训中心);School of Computer Science and Technology, North University of China(中北大学计算机科学与技术学院);Department of Computer Science, University of Warwick(华威大学计算机科学系);School of Information, Shanxi University of Finance and Economics(山西财经大学信息学院)
研究开源人工智能协作中代理介导贡献的治理问题,开发代理治理宣言(AGM)作为双向治理合同,通过实验验证其有效性,构建三层框架,推进合规数字创新治理并保留维护者决策权。
2026-07-20 cs.CY cs.SE
On the impact of pull request decisions on future contributions
基于拉式的开发过程在GitHub等平台上作为分布式软件开发的一种形式变得流行起来。潜在的贡献者可以通过pull request创建并提交一组软件项目变更。这些变更可以被软件项目的维护者接受、讨论或拒绝,并且可以影响进一步的贡献提案。因此,检查鼓励项目贡献者提交拉取请求的实践是很重要的。具体来说,我们考虑了先前的拉取请求对接受或拒绝后续拉取请求的影响。我们还考虑了拒绝或忽略pull请求对进一步贡献的潜在影响。在这个初步的研究中,我们研究了\textsf{GitHub}上的三个大型项目,使用通过\textsf{GitHub} API获得的拉请求数据,我们进行实证分析,调查上述问题。我们的研究结果表明,对项目的持续贡献与较高的拉取请求接受率相关,拉取请求拒绝导致未来的贡献减少。
2018-12-15 cs.SE
Why Do Pull Requests Go Silent? Uncovering the Barriers to Contribution Completion in Open-Source Code Review
University of Saskatchewan(萨斯喀彻温大学)
本研究通过分析14,234个停滞PR和164,562条评论,揭示PR停滞主要源于沟通协调问题和技术依赖障碍,并提出类型感知分诊等干预措施。
2026-09-22 cs.SE
Safer Builders, Risky Maintainers: A Comparative Study of Breaking Changes in Human vs Agentic PRs
Kennesaw State University(肯尼索州立大学)
本文比较了人类与代理PR中破坏性变更的频率和任务情境,发现代理在维护任务中风险更高,存在'信心陷阱'问题。
2026-03-29 cs.AI cs.SE
Psychological Safety Framework in Pull-based Open Source Projects
University of Groningen(格罗宁根大学);University College London(伦敦大学学院)
本文提出基于心理安全理论的框架,通过分析拉取请求互动中的10种可观察行为,构建心理安全指数,并验证其对贡献者短期和长期持续参与的影响。
2026-11-04 cs.SE
Understanding Skills for OSS Communities on GitHub
开放源码软件的开发是一个广泛的领域,需要各种技能。例如,维护人员帮助领导项目并延长其寿命,技术作家协助文档,bug报告员识别软件中的缺陷,开发人员编写软件。然而,不知道开放源码软件开发中使用了哪些技能,也不知道开放源码软件贡献者对开放源码软件技能的一般态度。在本文中,我们通过对455名OSS贡献者进行调查来解决这一差距。这些反应,以及以前的文献软件开发的专业知识和社会因素的开放源码软件的指导下,我们开发了一个模型的技能在开放源码软件,考虑到许多情况下开放源码软件贡献者的工作。该模型包括以下9类45项技能:技术技能、工作风格、解决问题、贡献类型、项目特定技能、人际关系技能、对外关系、管理和特征。通过定性和定量分析的混合,我们发现,开放源码软件贡献者积极主动地提高技能,并认为与他人分享他们的技能有许多好处。然后,我们使用此分析来为那些将技能融入OSS工具和平台(如GitHub)的人导出一组设计含义和最佳实践。
2022-09-06 cs.SE
Empirical Analysis of Pull Requests for Google Summer of Code
University of Cincinnati(辛辛那提大学)
本研究通过分析GSoC项目期间实习生提交的拉取请求,揭示了开源项目中代码与非代码任务的分布特征及评审反馈内容,为软件工程教育提供实证依据。
2025-01-14 cs.SE
Leaving My Fingerprints: Motivations and Challenges of Contributing to OSS for Social Good
当激励软件开发人员为开源软件做出贡献时,该法案通常被视为构建工具以支持开发人员社区的机会。然而,这并不是推动贡献的唯一费用-对开源的兴趣日益增长也归因于软件开发人员决定利用他们的技术技能来造福于共同的社会利益。为了了解开发人员如何识别这些项目,他们贡献的动机以及他们面临的挑战,我们对OSS for Social Good(OSS 4SG)贡献者进行了21次半结构化访谈。从我们的访谈分析中,我们通过对超过5765名OSS和开源软件社会公益贡献者进行调查,确定了我们希望大规模了解的贡献风格主题。从我们对517份回复的定量分析中,我们发现大多数贡献者表现出OSS 4SG和OSS之间的区别。同样,贡献者描述了基于该项目要缓解的社会问题以及该项目的成果将使谁受益的定义。此外,我们发现OSS 4SG贡献者不太关注通过用新技术技能填充简历来使自己受益,而是更有兴趣在统计上显著地在社会上留下自己的印记。我们还发现,OSS 4SG贡献者对项目所有者的评价明显高于OSS贡献者。这些发现提供了信息,以帮助贡献者识别高社会影响力的项目,帮助项目维护者减少进入障碍,并帮助组织了解为什么贡献者被吸引到这些项目中来保持积极参与。
2021-04-26 cs.CY cs.HC cs.SE
Why Are AI Agent Involved Pull Requests (Fix-Related) Remain Unmerged? An Empirical Study
University of Saskatchewan, Canada(萨斯喀彻温大学)
本文通过实证研究揭示了AI代理生成的修复相关PRs合并失败的主要原因,指出测试用例失败和先前问题解决是主要障碍,为AI与人类协作改进提供方向。
2026-01-29 cs.AI cs.SE
Engineering Signals of Human-AI Collaboration in the Agentic Coding Era: A Longitudinal Analysis of 33,228 Pull Requests from vLLM and SGLang with Implications for Biomedical AI Agents and Bioinformatics Pipeline Developmen
Georgia Institute of Technology(佐治亚理工学院)
该研究对vLLM和SGLang的33228个拉取请求进行纵向分析,发现AI辅助开发提升了开源软件的吞吐量、贡献者参与度及人机协作信号,且增长主要由人类驱动,为生物医学智能体开发提供启示。
2026-08-17 cs.AI cs.ET cs.HC
Novice Developers Produce Larger Review Overhead for Project Maintainers while Vibe Coding
Lahore University of Management Sciences(拉合尔管理科学大学)
研究发现低经验 vibe 编码者生成更多代码但增加审查负担,建议结合培训与自适应审查流程
2026-02-27 cs.SE
On the Use of Agentic Coding: An Empirical Study of Pull Requests on GitHub
Nara Institute of Science and Technology(奈良先端科学技术大学院大学);Queen’s University(女王大学)
本文研究了GitHub上代理编码生成的拉取请求的接受情况,发现83.8%的PR被合并,其中54.9%无需修改,剩余需人类修订。
2026-02-09 cs.SE
The Impact of Documentation on Test Engagement in Pull Requests in OSS
Eastern Michigan University(东密歇根大学)
研究探讨了文档对开发者测试行为的影响,引入测试参与率(TER)并发现文档完整性与测试参与呈正相关,为提高测试参与提供了新思路。
2026-04-24 cs.SE
Open Source Stewardship Communities: "We need you, but not your pull request"
Universidad Rey Juan Carlos(雷乌斯·胡安卡洛斯大学);University of Victoria(维多利亚大学)
本研究提出“管理社区”概念,指出AI降低代码实现成本但审查昂贵,导致开源项目限制实现贡献,引发对社区自我更新能力削弱的担忧。
2026-09-14 cs.SE
Evaluating a bot detection model on git commit messages
为了防止大规模社会技术实证分析中的偏见,检测分布式软件开发活动中机器人的存在是非常重要的。在以前的工作中,我们提出了一个分类模型,根据GitHub帐户的pull请求和issue评论来检测GitHub存储库中的机器人。目前的研究基于提交消息对git贡献者进行了概括。我们在一个包含6,922个git贡献者的大型数据集上对分类模型进行了训练和评估。基于pull request和issue comments的原始模型在此数据集上获得了0.77的精度。在git commit消息上重新训练分类模型将精度提高到0.80。作为概念验证,我们在BoDeGiC中实现了这个模型,BoDeGiC是一个开源命令行工具,用于检测git存储库中的机器人。
2021-03-22 cs.SE
Understanding the Time to First Response In GitHub Pull Requests
本文通过分析 GitHub 上十个热门开源项目的 111,094 个已关闭 PR,研究首次响应时间,发现机器人响应与人类响应在时间上存在显著差异,并揭示了影响首次人类响应等待时间的 PR 特征。
2023-04-17 cs.SE
Do Good, Stay Longer? Temporal Patterns and Predictors of Newcomer-to-Core Transitions in Conventional OSS and OSS4SG
Queen’s University(女王大学)
研究比较了传统OSS与OSS4SG项目中新成员转为核心成员的时间模式及影响因素,发现OSS4SG项目在保留贡献者和提升核心成员概率上表现更优,且Late Spike模式在传统OSS中更高效。
2026-04-24 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 Successful Are Open Source Contributions From Countries with Different Levels of Human Development?
巴西的开发商是否比他们的同行,比如说英国的开发商更不可能接受他们的贡献?在本文中,我们研究了开发人员的位置是否与拉取请求的结果有关。我们策划了14k贡献者的位置,他们向20个开源项目执行了44k拉取请求。我们的研究结果确实表明,来自人类发展指数(HDI)低的国家的开发人员不仅执行了整体拉取请求的一小部分,而且他们也是最容易被拒绝的人。
2020-12-07 cs.SE
PatchTrack: A Comprehensive Analysis of ChatGPT's Influence on Pull Request Outcomes
University of Nevada Las Vegas(内华达大学拉斯维加斯分校)
研究分析了338个包含ChatGPT使用的拉取请求,发现ChatGPT生成的代码被完全采用的比例仅为25%,开发者通常将AI输出作为起点进行调整和迭代,影响不仅限于代码生成,还涉及协作流程中的决策过程。
2026-04-04 cs.SE
Tracing Vulnerabilities in Maven: A Study of CVE lifecycles and Dependency Networks
本文结合 Maven 依赖图分析 3,362 个 CVE 生命周期、GitHub 指标与维护者响应时间,揭示“先发布后修补”趋势及影响风险包的关键因素。
2025-02-16 cs.SE
The Impact of a Continuous Integration Service on the Delivery Time of Merged Pull Requests
基于162,653个PR和450份调查,研究发现CI服务未必加快PR交付,其核心价值在于改进PR提交决策、提升开发者信心并降低贡献门槛。
2023-05-25 cs.SE
How AI Coding Agents Modify Code: A Large-Scale Study of GitHub Pull Requests
University of Nevada Las Vegas(内华达大学拉斯维加斯分校)
研究通过分析GitHub拉取请求中的代码修改,探讨AI代理与人类贡献在提交数量、文件修改和描述一致性上的差异。
2026-04-06 cs.AI cs.SE
Co-Modifying Application Code and Deployment Infrastructure: A Causal Study of AI Agent Pull Requests
University of New South Wales(新南威尔士大学)
该研究通过分析AIDev v5和MOSAIC-3M数据集的26999个PR,发现AI智能体的双范围PR占比低但会引发双峰集成结果,部分PR绕过检查静默合并,凸显了部署感知基准和路径访问控制的必要性。
2026-10-12 cs.AI cs.SE
Predicting Acceptance and Review Effort in Human and Agent Pull Requests
Stevens Institute of Technology(史蒂文斯理工学院)
研究在拉取请求打开时预测其接受情况及评审工作量的可行性,利用AIDev数据集构建预测管道,评估多种机器学习模型,发现接受度预测可行,评审工作量预测较难,早期模型可支持分类和优先级排序,应作咨询工具。
2026-07-15 cs.SE
Don't Disturb Me: Challenges of Interacting with SoftwareBots on Open Source Software Projects
通过访谈21名OSS从业者,研究揭示拉取请求中软件机器人引发的交互挑战,核心是噪声干扰沟通与工作流,并提出开发者将烦人机器人行为感知为噪声的理论。
2021-03-25 cs.SE
More Than React: Investigating The Role of Emoji Reaction in GitHub Pull Requests
本文通过挖掘七种语言的1,850个活跃仓库和365,811个 PR,实证分析 emoji 反应与审查时间、贡献者类型、评论意图及情感一致性的关系,证明其有助于协作沟通。
2023-07-14 cs.SE
Plausible Is Not Enough: Trust and Evidence in AI-Authored Pull Request Review
University of Saskatchewan(萨斯喀彻温大学)
该研究调查了239名从业者,发现AIPR审查中审查者初始信任更低、证据要求更高,需关注证据所有权与不确定性,审查工具应公开来源并区分生成内容与人类验证证据。
2026-10-16 cs.SE
Predicting long time contributors with knowledge units of programming languages: an empirical study
本研究提出基于Java编程语言知识单元(KUs)的KULTC模型,用于早期预测长期贡献者,结合BAOLTC特征后AUC提升16.5%,显著优于现有方法。
2024-05-22 cs.SE
From Commits to Confidence: Towards Stability-Informed Risk Assessment in Open Source Software
George Mason University(乔治梅森大学);Queen’s University(女王大学)
本文研究了开源软件项目稳定性与韧性,发现稳定提交模式能反映项目治理和开发流程,提出需结合社区参与等指标进行稳定性导向的风险评估。
2026-01-05 cs.SE
A Tool to Extract Structured Data from GitHub
GitHub存储库包含有关项目贡献者、提交数量及其贡献者、发布、拉取请求、程序设计语言和问题的各种详细信息。然而,没有开源项目的系统数据集存在,其中包含有关GitHub上用于知识获取和挖掘的存储库的详细信息。在本文中,我们开发了名为GitRepository的工具支持,它有助于基于所提出的模式创建存储库的数据集。在最初的1680个存储库中,数据集托管了620个存储库(应用了星和叉的基本过滤器)和247个存储库(应用了所有预定义的过滤器后)。该工具提取GitHub存储库的信息,并以CSV格式保存数据。文件和数据库(.DB)文件。
2020-12-07 cs.SE
Effect of Technical and Social Factors on Pull Request Quality for the NPM Ecosystem
基于拉取请求(PR)的开发是社交编码平台的规范,需要评估来自开源生态系统的开发人员(通常是不熟悉的)的贡献,相反,向不熟悉的维护人员提交项目的贡献。以前的研究表明,接受或拒绝PR的决定可能会受到一组不同的技术和社会因素的影响,但往往集中在相对较少的项目,不考虑生态系统范围内的措施,或可能的非单调关系的预测和PR接受概率。我们的目标是揭示这一重要的决策过程,通过测试的措施显着影响PR接受的概率在一个大的生态系统的一个显着的部分,排名他们在预测PR接受的相对重要性,并确定形状的功能,每个预测映射到PR接受。我们提出了七个假设,技术和社会因素可能会影响公关接受,并创建了17个措施,根据他们。我们的数据集由来自3349个流行NPM包的470,925个PR和79,128个创建这些PR的GitHub用户组成。我们测试了哪些措施会影响公关接受度,并根据其在预测模型中的重要性对重要措施进行了排名。我们的预测模型的AUC为0.94,发现17项措施中有15项是重要的,包括5项新的生态系统范围的措施。描述提交到存储库的PR数量的度量以及其中被接受的比例,以及PR审查阶段的信号是最重要的。我们还发现,只有四个预测PR接受概率的线性影响,而其他人表现出更复杂的反应。
2020-07-20 cs.SE
Augmentation with Dilution? A Large-Scale Empirical Study of Human Contributor Ecosystems After AI Coding Agent Adoption
Karlsruhe Institute of Technology(卡尔斯鲁厄理工学院)
通过双重差分法分析11,097个GitHub仓库,发现AI编码代理采纳不改变人类贡献者绝对数量,但显著降低其密度,并减少新人参与份额,同时增加审查深度,揭示“稀释式增强”模式。
2026-11-09 cs.SE
Learning to Commit: Generating Organic Pull Requests via Online Repository Memory
Tsinghua University(清华大学)
本文提出Learning to Commit框架,通过在线仓库记忆提升生成拉取请求的有机性,通过对比历史提交改进代码风格和架构约束。
2026-03-27 cs.CL cs.SE
Ecosystem-wide influences on pull request decisions: insights from NPM
University of Groningen(格罗宁根大学);Linköping University(林雪平大学)
本研究通过分析NPM生态系统中180万拉取请求,发现生态系统范围因素(如跨项目经验)显著影响拉取请求接受决策,结合这些因素预测结果F1达0.92,并识别出开发者涉及生态系统的具体原因。
2025-03-10 cs.SE
Does the First Response Matter for Future Contributions? A Study of First Contributions
本研究针对开源社区新贡献者社交障碍问题,分析超276万份首次PR贡献及对应响应,发现负面首次响应分建设性与批评类,交互与未来贡献正相关,且机器学习模型预测未来贡献的效果有限。
2024-05-15 cs.SE
Who Pays the Review Cost? Triage, Fairness, and Accountability in AI-authored Pull Requests
University of Saskatchewan(萨斯喀彻温大学)
本研究通过对239名从业者的混合方法调查,明确AI生成拉取请求的审查条件,提出可审查性债务概念,为AIPR治理提供了新视角。
2026-10-09 cs.SE
Where Do AI Coding Agents Fail? An Empirical Study of Failed Agentic Pull Requests in GitHub
Drexel University(德雷塞尔大学);Missouri University of Science and Technology(密苏里科技大学)
研究分析了 GitHub 上 33k 个代理生成 PRs 的失败原因,发现文档、CI 等任务合并成功率高,而性能和修复任务失败率高,揭示了代理协作中的关键社会技术因素。
2026-01-21 cs.AI cs.SE
How Do Developers Use Code Suggestions in Pull Request Reviews?
本文通过对 46 个 GitHub 项目的实证研究和开发者调查,揭示了代码评审建议的四种类型、使用频率及其对合并率、解决时间和代码复杂度的影响,并发现建议更常用于新手提交者,具有知识共享工具的潜力。
2025-02-07 cs.SE
Do as I Do, Not as I Say: Do Contribution Guidelines Match the GitHub Contribution Process?
开发人员贡献指南用于GitHub等社交编码网站,以解释和塑造项目期望贡献者遵循的流程。他们为所有参与者设定了标准,并“节省了因不正确创建的拉取请求或必须拒绝和重新提交的问题而造成的时间和麻烦”(GitHub)。然而,我们缺乏对典型贡献准则的内容的系统理解,以及在实践中遵循这些准则的程度。此外,理解指南如何影响使用持续集成作为贡献过程的一部分的项目是特别有意义的。为了解决这一知识差距,我们对53个GitHub项目进行了混合方法研究,这些项目具有明确的贡献准则,并对准则进行了编码以提取关键主题。然后,我们使用GitHub活动数据创建了一个流程模型(例如,提交、新问题、新的拉取请求),以将实际活动与规定的贡献准则进行比较。我们发现,这些项目中约有68%与预期过程有很大差异。
2019-08-06 cs.SE
For Coding Agents, the Repository Matters
Daniel Russo(丹尼尔·鲁索)
研究发现,AI智能体贡献的代码在仓库层面产生的集成摩擦比人类贡献高约两倍,表明风险源于生态系统而非单个智能体,建议从生态系统层面进行治理。
2026-10-21 cs.AI cs.SE
Fork Entropy: Assessing the Diversity of Open Source Software Projects' Forks
本文提出基于 Rao 二次熵的 fork 熵度量,用于量化 OSS 项目 fork 群体的多样性,并通过 GitHub 五十个项目的实证研究表明该度量与外部生产力、PR 接受率和缺陷数量等结果显著相关,能够超越 fork 数量提供更深入的项目洞察。
2023-09-19 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
Does My README File Need To Be Updated? Exploring LLM-Based README Maintenance
University of Melbourne(墨尔本大学);Chalmers University of Technology(查尔姆斯理工大学);University of Gothenburg(哥德堡大学);Singapore Management University(新加坡管理大学)
本文提出了一种基于 LLM 的轻量级方法,用于在人机协作流程中精准更新 README 文件,以解决文档过时问题,并通过实验验证其有效性。
2026-08-24 cs.SE
An Empirical Validation of Open Source Repository Stability Metrics
本研究针对开源软件供应链依赖度提升的背景,对基于控制理论提出的综合稳定性指数(CSI)开展首次实证验证,通过100个高排名GitHub仓库实验优化了采样方式与统计方法,为开源项目健康监控提供了实证支撑的应用方案。
2025-08-02 cs.SE