Contemporary COBOL: Developers' Perspectives on Defects and Defect Location
随着当代COBOL开发人员的退休,大型机系统正面临着开发人员劳动力的严重短缺。此外,由于公共COBOL资源的有限可用性,承担传统COBOL系统维护人员职责的入门级开发人员在日常维护任务(如代码理解和缺陷定位)中面临重大困难。虽然我们每年都在现代程序设计语言的软件维护领域取得了实质性的进展,但大型机维护受到的关注有限。通过这项研究,我们的目标是将研究人员和从业人员的注意力引向调查和解决与大型机开发相关的挑战。具体来说,我们探讨的范围内的缺陷影响COBOL系统和缺陷定位策略通常遵循的COBOL开发人员,并比较它们与现代程序设计语言的同行。为此,我们调查了30 COBOL和74现代程序设计语言(PL)的开发人员,以了解两组所采用的缺陷和缺陷定位策略的差异。我们的初步结果表明:(1)影响COBOL生态系统的主要缺陷类别与现代PL软件项目中遇到的缺陷不同;(2)COBOL中最具挑战性的缺陷类型也是最频繁发生的缺陷类型;(3)COBOL和现代PL开发人员遵循类似的策略来定位缺陷代码。
2021-07-14 cs.SE
Evaluating SZZ Implementations Through a Developer-informed Oracle
SZZ算法用于识别错误引起的变化已被广泛用于评估缺陷预测技术和经验调查何时,如何以及由谁引入错误。多年来,研究人员提出了几种方法来提高SZZ的准确性,提供了各种SZZ的实现。然而,在一个可靠的oracle上公平地评估这些实现是一个悬而未决的问题:SZZ评估通常依赖于(i)对SZZ输出的手动分析,以将识别出的bug诱导提交分类为真或假阳性;或者(ii)链接bug修复和bug诱导提交的黄金集。在这两种情况下,这些人工评估都是由对所研究的主题系统知识有限的研究人员进行的。理想情况下,应该有一个由所研究系统的原始开发人员创建的黄金集。我们提出了一种方法来建立一个“开发人员知情”的预言SZZ变种的评估。我们使用自然语言处理(NLP)来识别bug修复提交,其中开发人员显式引用引入已修复bug的提交。随后是手动过滤步骤,旨在确保神谕的质量和准确性。一旦构建完成,我们就使用oracle来评估SZZ算法的几个变体的准确性。我们的评估帮助我们提取了一组经验教训,以进一步改进SZZ算法。
2021-02-05 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
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
Evaluating LLM-Generated Code: A Benchmark and Developer Study
IU Internationale Hochschule Bad Honnef(德国国际高等教育学院)
本文提出了一种定制的树折评估方法,用于评估大语言模型生成的代码,弥补了现有基准在代码质量和可操作性方面的不足,并通过对比三个通用大语言模型展示了其有效性。
2026-06-11 cs.SE
Explicit Programming Strategies
软件开发人员解决各种各样的问题。虽然软件工程的研究通常集中在支持这种问题解决的工具上,但开发人员用于解决问题的策略至少同样重要。在本文中,我们提供了一种新的方法,使开发人员遵循明确的编程策略,描述了专家如何处理一个常见的编程问题。我们定义明确的编程策略,接地我们的定义在以前的工作都在软件工程和其他专业,采用更明确的程序解决问题。然后,我们提出了一种新的符号称为Roboto和一种新的StrategyTracker工具,明确表示编程策略和框架执行策略之间的合作努力,人类的能力,使决策和计算机的能力,结构化的过程和持久的信息。在形成性评价中,28名不同专业知识的软件开发人员完成了一项设计任务和一项调试任务。我们发现,与自由选择策略的开发人员相比,开发人员给出的明确策略使他们的工作更具组织性,系统性和可预测性,但也更具约束性。使用显式策略的开发人员在设计和调试任务上客观上更成功。我们讨论了Roboto和这些发现的影响,设想了一个繁荣的生态系统的显式策略,加速和提高开发人员编程解决问题。
2019-11-06 cs.HC cs.SE
Personalizing LLM-Based Conversational Programming Assistants
Radboud University(拉德堡德大学)
本文探讨了认知多样性与组织背景如何影响开发者需求,并探索个性化方法以提升基于大语言模型的对话编程助手的包容性。
2026-04-14 cs.SE
Regexes are Hard: Decision-making, Difficulties, and Risks in Programming Regular Expressions
正则表达式(regex)是解决字符串匹配问题的强大机制。它们被所有现代程序设计语言支持,并且估计出现在超过三分之一的Python和JavaScript项目中。然而,现有的研究主要集中在正则表达式编程的一个方面:可读性。我们对开发人员如何理解和编程正则表达式知之甚少,也不知道他们面临的困难。在本文中,我们提供了正则表达式开发周期的第一个研究,重点是(1)开发人员如何在整个过程中做出决策,(2)他们面临的困难,以及(3)他们如何意识到编程正则表达式所涉及的严重风险。我们采取了混合方法,调查了279名来自不同背景(包括顶级科技公司)的专业开发人员,以获得高层次的视角,并采访了17名开发人员,以了解他们面临的困难和他们更喜欢的解决方案的细节。简而言之,正则表达式很难。它们不仅难以阅读,我们的参与者说,它们很难搜索,很难验证,也很难记录。它们也很难掌握:我们研究的大多数开发人员都没有意识到使用正则表达式时可能发生的关键安全风险,而那些知道风险的人也没有以有效的方式处理它们。我们的研究结果为未来的工作,包括语义正则表达式搜索引擎正则表达式重用和改进的输入生成器正则表达式验证提供了多种影响。
2023-03-05 cs.SE
An Exploratory Study of Debugging Episodes
长期以来,许多研究都在调查开发人员如何调试,塑造我们对调试的理解,并帮助激励开发更有效的工具。然而,很少有人知道在现实世界中调试的典型进展。在这项研究中,我们专注于从开发人员第一次遇到缺陷的那一刻起,它被解决的调试情节的特点。我们研究了调试事件的典型持续时间和频率以及发生的典型活动。我们通过观看专业开发人员在直播编程会议中的工作来观察开发人员。使用这个数据源,我们策划了15个会议,其中11名专业开发人员工作了30个小时。然后,我们系统地编码了这些视频中发生的调试事件和活动,产生了2137个调试活动和1407个编程活动的数据集。我们发现调试是频繁的,即使在编程工作中,每八分钟发生一次。癫痫发作的时间差异很大,大多数不到几分钟,少数超过100分钟。然而,大多数调试时间都花在了长的调试片段上。我们没有发现单一的活动主导调试时间,长调试事件往往涉及许多不同的活动。最后,我们发现,就开发人员所做的活动而言,编程和调试非常相似,特别是在编辑和浏览代码的频率方面。
2021-05-05 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
Performance and Programming Effort Trade-offs of Android Persistence Frameworks
移动应用程序的一个基本构建块是在不同调用之间持久化程序数据的能力。这个功能称为\emph{persistence},通常通过持久性框架来实现。如果不清楚流行的Android持久性框架的能耗、执行时间和编程工作量,移动开发人员就缺乏为应用程序选择框架的指导方针。为了弥合这一知识差距,我们报告的性能和编程工作的权衡的8个Android持久性框架的系统研究的结果,并为移动应用程序开发人员提供实用的建议。
2018-06-27 cs.SE
Why did developers migrate Android applications from Java to Kotlin?
目前,大多数在移动设备上运行的应用程序都是用Java开发的Android应用程序。然而,开发人员现在可以使用一种新的程序设计语言编写Android应用程序:Kotlin,谷歌在2017年将其作为开发Android应用程序的官方程序设计语言。从那时起,Android开发人员已经能够:a)使用Kotlin从头开始编写Android应用程序,b)通过添加Kotlin代码(可能归功于两种语言之间的互操作性)来改进现有的Java Android应用程序,或者c)将其Android应用程序从Java迁移到Kotlin。本文旨在研究这最后一种情况。我们进行了一项定性研究,以了解Android开发人员将Java代码迁移到Kotlin的原因,并将他们在此过程中的经验汇总在一起,以确定他们面临的主要困难。为了执行这项研究,我们首先确定了来自开源Android项目的提交,这些项目已经将Java代码迁移到Kotlin。然后,我们给编写这些迁移的开发人员发了电子邮件。因此,我们从98名将代码从Java迁移到Kotlin的开发人员那里获得了信息。本文介绍了研究确定的进行迁移的主要原因。我们发现开发人员将Java代码迁移到Kotlin是为了访问程序设计语言功能(例如,扩展函数,扩展函数,智能转换),这些功能在Java for Android开发中不可用,并获得更安全的代码(即,避免空指针异常)。我们还确定了研究…
2021-11-22 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
Assessing the alignment between the information needs of developers and the documentation of programming languages: A case study on Rust
程序设计语言文档是指为应用程序开发人员提供语言高级概念描述的一组技术文档。此类文档对于支持应用程序开发人员有效使用程序设计语言至关重要。文档管理员面临的挑战之一(即,制作文档的人员)是为了确保文档具有与开发人员的具体需求相一致的相关信息。在本文中,我们提出了一种自动化的方法来支持文档管理员在评估开发人员的具体信息需求和文档的当前状态之间的差异和相似之处(一个问题,我们称之为主题对齐的程序设计语言文档)。我们的方法利用半监督主题建模来评估Q&A帖子和官方文档主题之间的相似性和差异。为了展示我们的方法的应用,我们对Rust的文档进行了案例研究。我们的研究结果表明,Rust文档中的主题对齐程度相对较高。尽管如此,在Q&A网站和文档中,关于特定主题的信息仍然很少,特别是与网络,游戏和数据库开发等编程利基相关的主题。对于其他主题(例如,与语言特征相关的主题,如结构,模式和匹配,以及外部函数接口),信息仅在问答网站上提供,而缺乏官方文档。最后,我们讨论了对程序设计语言文档编制者的影响,特别是如何利用我们的方法来优先考虑应该添加到文档中的主题。
2022-02-08 cs.PL cs.SE
On the Naming of Methods: A Survey of Professional Developers
本文描述了一个大型的(1100个回复)调查的专业软件开发人员有关标准命名源代码的方法。源代码方法名称的各种标准来自于软件工程文献,并得到这些文献的支持。调查的目的是确定开发人员是否对这些标准在实践中被接受和使用达成了普遍共识。此外,该文件还审查了调查答复背景下的多年经验和程序设计语言知识等因素。调查结果显示,参与者非常同意各种标准的重要性及其如何适用于名称。此外,调查显示,多年的经验和参与者使用的程序设计语言对他们的回答几乎没有影响。
2021-02-26 cs.SE
From Today's Code to Tomorrow's Symphony: The AI Transformation of Developer's Routine by 2030
本文比较2024年与2030年AI辅助编程的演进,提出增强型AI工具HyperAssistant以全面支持开发,强调AI作为补充力量将开发者转变为AI驱动生态的编排者,推动软件工程效率与安全的飞跃。
2024-09-27 cs.SE
A Large-Scale Survey on the Usability of AI Programming Assistants: Successes and Challenges
Carnegie Mellon University(卡内基梅隆大学)
本文通过对410名开发者的调查,揭示了AI编程助手在减少按键、加速任务完成和语法回忆方面的成功,以及其在满足功能需求和控制生成输出方面的可用性挑战,并为设计低认知负担的交互提供了启示。
2023-09-17 cs.AI cs.HC cs.SE
Evaluating Heuristics for Iterative Impact Analysis
迭代影响分析(IIA)是允许开发人员估计软件变更的受影响单元的过程。从单个受影响的单元开始,开发人员通过程序依赖性检查其交互单元,以识别也受影响的单元,并且该过程迭代地继续。经验表明,开发人员经常错过受影响的单元,并检查许多不相关的单元。在这项工作中,我们研究了传播算法,指导开发人员找到实际受影响的单位和终止算法,帮助决定是否估计的影响是完整的。这两种策略的作用是互补的,在IIA中使用时会影响精确度和召回率。我们研究了几个传播算法改编自以前发表的论文,并结合他们的实际终止启发式。我们开发了一个重演过程,模拟在IIA期间使用这些策略的开发人员的行为,并评估了他们的表现。我们重新制定的软件更改是从开源项目的存储库中挖掘出来的。我们发现,IIA提供了更好的召回比其他已知的影响分析技术。然而,我们调查的具有传播检验的IIA并不能取代IIA与随机检查相结合,因此这些检验对IIA没有帮助。
2019-07-20 cs.SE
Assisting Novice Developers Learning in Flutter Through Cognitive-Driven Development
本研究通过线下Flutter训练营,探索认知驱动开发(CDD)对新手学习者的帮助,发现其能降低代码复杂度,更严格限制使代码量减少20%,提升质量与可读性。
2024-08-20 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
Enhancing Programming Interface to Effectively Meet Multiple Information Needs of Developers
在过去的几十年里,集成开发环境(IDE)已经得到了很大的发展,以促进常见的软件工程任务。然而,随着开发现代高质量软件的复杂性不断增加,信息需求不断增长,开发人员在开发过程中经常需要在多个用户界面之间切换,甚至在不同的应用程序之间切换,这打破了他们的心理工作流程,从而往往会对他们的工作效率和生产力产生不利影响。本立场文件讨论了当前IDE设计所面临的挑战,主要来自开发人员在为其开发任务寻求多种信息需求的过程中的工作环境转换。它指出了背后的主要障碍,并初步探讨了在下一代IDE中克服这些挑战的一些高级设计考虑因素。具体来说,在现代IDE之上的一些设计增强是可以预见的,试图减少在开发人员的多任务处理中常见的频繁上下文切换的开销。
2015-02-23 cs.HC cs.SE
Task-Oriented API Usage Examples Prompting Powered By Programming Task Knowledge Graph
编程教程通常是为了用代码示例演示编程任务而创建的。然而,我们对堆栈溢出问题的研究揭示了高质量编程教程的低利用率,这是由任务描述不匹配和代码信息过载引起的。文档搜索可以找到相关的教程文档,但它们通常无法找到与开发人员的任务需求相关的特定编程操作和代码解决方案。最近提出的基于知识图谱的以活动为中心的搜索支持直接搜索编程动作,但它在动作覆盖、基于自然语言的任务搜索和粗粒度代码示例推荐方面存在局限性。在这项工作中,我们提高行动的知识图谱的代码示例和更多形式的活动句子中的评论提取的行动覆盖率。为了克服任务描述不匹配的问题,我们开发了一种基于代码匹配的任务搜索方法,以找到相关的编程动作和代码示例的代码正在开发中。我们将知识图谱和任务搜索方法集成到IDE中,并开发了一个基于任务推送的工具,以提示开发人员使用面向任务的API示例。为了缓解代码信息过载问题,我们的工具基于底层知识图谱在提示的教程任务摘录和代码示例中突出显示编程操作和API信息。我们的评估证实了高质量的构造知识图谱,并表明我们的代码匹配的任务搜索可以推荐有效的代码解决方案,编程问题上提出的堆栈溢出。一个小规模的用户研究表明,我们的工具是有用的,帮助开发人员在他们的编程任务中查找和使用相关的编程教程。
2020-06-12 cs.SE
NCQ: Code reuse support for node.js developers
代码重用是软件开发的重要组成部分。代码重用实践的采用在Node.js开发人员中尤其普遍。Node.js包管理器NPM索引了超过100万个包,开发人员经常寻找包来解决编程任务。由于软件包数量众多,选择合适的软件包既困难又耗时。为了提高通过第三方包大量重用代码的开发人员的生产力,我们提出了节点代码查询(NCQ),一个读取-评估-打印-循环环境,允许开发人员1)使用自然语言查询搜索NPM包,2)搜索与这些包相关的代码片段,3)自动纠正这些代码片段中的错误,4)快速设置新的环境来测试这些片段,以及5)在搜索和编辑模式之间转换。在两项共有20名参与者的用户研究中,我们发现参与者使用NCQ比基线方法更快地开始编程并更快地完成任务,并且他们喜欢搜索代码片段和包等功能。我们的研究结果表明,NCQ使Node.js开发人员在重用代码方面更有效率。
2023-01-02 cs.SE
Edit-Run Behavior in Programming and Debugging
当开发人员编程和调试时,他们不断地编辑和运行代码,这种行为称为编辑-运行周期。虽然诸如实时编程之类的技术旨在支持这种行为,但人们对编辑-运行周期本身的特性知之甚少。为了弥补这一差距,我们分析了11名专业开发人员28小时的编程和调试工作,其中包括3000多个开发活动。我们将活动映射到编辑或运行步骤,构建了581个调试和207个编程编辑-运行循环。我们发现编辑-运行周期很频繁。开发人员在修复缺陷之前平均编辑和运行程序7次,在引入缺陷之前平均编辑和运行程序2次。开发人员在编程时再次运行程序比调试时等待的时间更长,编程的平均周期长度为3分钟,调试为1分钟。大多数周期涉及对单个文件的编辑,之后开发人员运行程序以观察对最终输出的影响。编辑-运行周期包括编辑和运行之外的活动,例如在文件之间导航,咨询资源或与其他IDE功能交互,这要长得多,平均长度为5分钟,而不是1.5分钟。最后,我们讨论了工具的设计建议,以使编辑-运行周期更加流畅。
2021-09-06 cs.HC cs.SE
Predicting Developer Acceptance of AI-Generated Code Suggestions
Beihang University(北京航空航天大学)
本文通过分析工业数据,提出CSAP模型预测开发者对AI生成代码建议的接受度,提升了过滤效果和开发者体验。
2026-01-29 cs.SE
No Two Developers Think Alike: How Problem-Solving Styles and Experience Shape Needs in Conversational Interaction with Copilot
Radboud University Nijmegen(拉德堡德大学);Federal University of Technology – Paraná Campo Mourão(巴拉那联邦技术大学 - 卡莫阿乌校区);Microsoft(微软)
通过混合方法出声思考研究,识别出5种交互模式和10种需求,并建立概念模型,揭示认知多样性如何影响开发者与GitHub Copilot的交互。
2026-06-18 cs.HC cs.SE
Comprehensive Integration of API Usage Patterns
如今,开发人员经常重用现有的API来实现他们的编程任务。大量的API使用模式被挖掘出来,帮助开发人员学习API使用规则。然而,当开发人员将模式集成到他们的编程上下文中时,仍然有许多缺少的变量需要合成。为了解决这个问题,本文提出了一种综合的方法来集成API使用模式。我们首先通过分析API使用模式如何集成到现实世界的项目中来进行实证研究。我们发现变量综合的表达式通常是非平凡的,可以分为5种语法类型。在此基础上,提出了一种帮助开发者交互式完成API使用模式的方法.与现有的代码自动完成技术相比,我们的方法可以根据用户的意图推荐不频繁的表达式,并附有其真实世界的使用示例。评估表明,我们的方法可以帮助用户更有效地集成API,并完成编程任务比现有的作品更快。
2021-03-22 cs.SE
An Exploratory Study of Live-Streamed Programming
在直播节目中,开发人员使用YouTube或Twitch等流媒体在开源项目上广播他们的开发工作。会话首先由开发人员作为主播宣布,邀请其他开发人员加入并使用聊天作为观察者进行交互。为了更好地了解直播节目的特点,动机和挑战,我们分析了20小时的直播节目视频,并调查了7位主播的体验。结果表明,直播节目共享一些特点和好处的配对编程,但不同的性质之间的关系主播和观众。我们还发现,主播的动机是知识共享,社交和建立在线身份,但面临着工具限制和保持与观察者的互动的挑战。我们讨论了这些发现的影响,确定与当前工具的局限性,并提出了新形式的工具,以更好地支持直播节目的设计建议。
2019-07-12 cs.HC cs.SE
Programming by Chat: A Large-Scale Behavioral Analysis of 11,579 Real-World AI-Assisted IDE Sessions
University of Notre Dame(圣母大学);Vanderbilt University(范德堡大学)
研究通过分析11579个真实IDE会话中的74998条开发者消息,揭示了编程工作组织的三大转变:对话编程作为逐步规范、认知工作分配给AI以及主动管理协作。
2026-08-25 cs.HC cs.SE
Built to Last or Built Too Fast? Evaluating Prediction Models for Build Times
自动化构建是持续集成(CI)软件开发实践的组成部分。在CI中,鼓励开发人员尽早并经常进行集成。然而,当集成频繁时,长的构建时间可能是一个问题。这项研究的重点是在经常集成和保持开发人员的生产力之间找到平衡。我们提出并分析模型,可以预测一个工作的构建时间。这些模型可以帮助开发人员更好地管理他们的时间和任务。此外,项目经理可以探索不同的因素,以确定构建作业的最佳设置,从而将构建等待时间保持在可接受的水平。过渡到CI实践的软件组织可以在实施CI之前使用预测模型来预测构建时间。研究界可以修改我们的预测模型,以进一步了解影响构建时间的因素和关系。
2017-12-19 cs.SE
The Impact of AI-Assisted Development on Software Security: A Study of Gemini and Developer Experience
Ruhr University Bochum(波鸿鲁尔大学);Karlsruhe Institute of Technology(卡尔斯鲁厄理工学院);TU Braunschweig(布伦瑞克工业大学);University of Cologne(科隆大学)
研究探讨AI工具Gemini对代码安全的影响,发现编程经验显著提升安全性,无法完全被AI替代。
2026-03-17 cs.HC cs.SE
Towards Decoding Developer Cognition in the Age of AI Assistants
本文提出结合EEG、眼动追踪与交互数据的受控观察研究,考察专业水平如何影响开发者使用AI助手的模式,以及该模式对实际认知负荷、任务时间和感知生产力的影响。
2025-01-05 cs.HC cs.SE
Cracking CodeWhisperer: Analyzing Developers' Interactions and Patterns During Programming Tasks
University of British Columbia(不列颠哥伦比亚大学);Federal University of Pará(帕拉联邦大学)
本研究通过两项各10人的用户研究,利用定制遥测插件收集底层交互数据,分析了开发者使用基于LLM的代码生成工具CodeWhisperer的行为,识别出四种关键编程模式并进行了全面分析。
2025-10-13 cs.AI 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
Recommending Comprehensive Solutions for Programming Tasks by Mining Crowd Knowledge
开发人员经常在Web上搜索相关的代码示例以完成编程任务。不幸的是,他们面临两个主要问题。首先,由于他们的查询(任务描述)和与解决方案相关联的信息之间的词汇差距,搜索受到损害。其次,检索到的解决方案可能不全面,即,代码段可能会缺少简洁的解释。这些问题使得开发人员浏览数十个文档,以便综合出合适的解决方案。为了解决这两个问题,我们提出了CROKAGE(人群知识答案生成器),一个工具,需要描述的编程任务(查询),并提供了一个全面的解决方案的任务。我们的解决方案不仅包含相关的代码示例,还包含简洁的解释。我们提出的方法扩展了任务描述与相关的API类从堆栈溢出Q&A线程,然后减轻词汇差距的问题。此外,我们对最高质量的答案进行自然语言处理,然后返回包含代码示例和代码解释的编程解决方案,这与以前的研究不同。我们使用48个编程查询来评估我们的方法,并表明它的性能优于六个基线,包括统计上显著的优势。此外,我们对29名开发人员使用24个任务(查询)进行的评估证实了CROKAGE在建议代码示例的相关性,代码解释的好处和整体解决方案质量(代码+解释)方面优于最先进的工具。
2019-03-20 cs.SE
Evaluating Developer-written Unit Test Case Reduction for Java -- A Replication Study
本研究使用 ReduJavator 在 Defects4J 缺陷和变异体上复现 ReduSharptor 研究,证实 Java 单元测试归约中叶节点被大量移除,但未能确认叶节点移除概率更高。
2025-01-09 cs.SE
What Should Developers Be Aware Of? An Empirical Study on the Directives of API Documentation
应用程序编程接口(API)向开发人员公开,以便重用软件库。API指令是API文档中的自然语言语句,使开发人员了解与API使用相关的约束和指导原则。本文介绍了设计和面向对象的图书馆的API文档的指令的实证研究的结果。它的主要贡献是提出并广泛讨论了23种API指令的分类。
2012-05-29 cs.SE
Debugging Behaviour of Embedded-Software Developers: An Exploratory Study
许多研究人员研究了成功的开发人员在调试桌面软件时的行为。在本文中,我们调查嵌入式软件调试的中级程序员通过探索性研究。这些错误是语义上的低级错误,参与者是完成了实时操作系统课程以及其他五门编程课程的学生。我们比较成功的调试尝试与不成功的行为。我们描述了一些平稳和成功的调试行为的特点。
2017-04-11 cs.SE
An Exploratory Study of Writing and Revising Explicit Programming Strategies
知识共享在所有软件应用程序开发活动中发挥着至关重要的作用。当程序员通过Stack overflow、GitHub、Meetups、视频、论坛、wiki和博客等媒体学习和分享时,每个开发人员都会受益。然而,有一种知识开发人员很少分享:如何解决编程问题的战略知识(例如,如何调试服务器端的Python错误,如何解决合并冲突,如何评估API的稳定性(考虑采用)。在本文中,我们探讨了开发人员阐明和分享他们的战略知识的可行性,以及使用这些策略来支持其他开发人员解决问题。我们专门研究了开发人员在以其他开发人员可以用来提高生产力的形式阐述策略时所面临的挑战。为了观察这一点,我们模拟了一个知识共享平台,要求专家阐明他们自己的策略之一,然后要求第二组开发人员尝试使用这些策略,并向作者提供有关策略的反馈。在研究过程中,我们要求策略作者和用户反思他们面临的挑战。在分析作者创建的策略、策略的使用、用户提供给作者的反馈以及作者在处理这些反馈时所面临的困难时,我们发现开发人员可以分享策略知识,但创作策略需要来自不同受众的大量反馈,才能对具有不同先验知识的程序员有所帮助。我们的研究结果还提出了具有挑战性的问题,未来的工作应该如何支持搜索和浏览的策略,支持不同的先验知识。
2020-10-21 cs.HC cs.SE
Understanding Developer Information Needs for Software with Embedded Natural Language Prompts
Carnegie Mellon University(卡内基梅隆大学);JetBrains Research(JetBrains研究)
本文通过访谈、观察与调查构建提示编程的25项任务和51个问题分类,并对比48种工具,发现关键需求仍缺乏自动化支持。
2026-11-10 cs.AI cs.HC cs.SE
How Do You Feel, Developer? An Explanatory Theory of the Impact of Affects on Programming Performance
情感--情绪和心情--对个人的认知活动和工作绩效有影响。开发任务是通过认知过程进行的,然而软件工程研究缺乏关于情感及其对软件开发活动的影响的理论。在本文中,我们报告了一个解释性的研究,旨在扩大我们的理解心理学的编程方面的经验,影响,而编程,和影响编程性能。我们进行了一个定性的解释性研究的基础上:面对面的开放式访谈,在现场观察,和电子邮件交流。这使我们能够构建一个新的解释性理论的影响,发展业绩。该理论是使用一个既定的分类框架来解释的。所提出的理论建立在事件,影响,吸引,焦点,目标和性能的概念。理论和实践的影响。
2015-09-17 cs.CY cs.HC cs.SE
Cracking the Code: Evaluating Zero-Shot Prompting Methods for Providing Programming Feedback
本研究引入评估框架评估不同零样本提示工程方法,发现分步过程提示提升精确度,省略明确数据规范改善R语言编程错误识别。
2024-12-20 cs.SE
Data-Driven Evidence-Based Syntactic Sugar Design
针对编程语言语法糖设计依赖经验直觉的问题,本文提出将频繁子图挖掘应用于超1.6亿个Java方法的数据集,通过泛化控制流图挖掘代码模式,识别潜在新语法糖,为数据驱动的语言演进提供概念验证。
2024-02-02 cs.SE
Managing Power Gaps as an Element of Pair Programming Skill: A Grounded Theory
Freie Universität Berlin(柏林自由大学)
研究探讨配对编程中功率差距如何影响团队协作,通过扎根理论分析21次会议和6次访谈,揭示高同理心下功率差距导致功能障碍的机制及解决方法。
2026-04-16 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
Prompts Are Programs Too! Understanding How Developers Build Software Containing Prompts
Carnegie Mellon University(卡内基梅隆大学)
本文通过访谈20名开发者,提出提示词编程概念,发现其与传统软件开发不同,开发者难以建立可靠心智模型,为提示词工具开发提供启示。
2025-04-25 cs.AI cs.HC cs.SE
Gistable: Evaluating the Executability of Python Code Snippets on GitHub
软件开发人员在线创建和共享代码,以演示程序设计语言概念和编程任务。代码段是解释和演示编程概念的有用方法,但可能并不总是直接可执行的。代码段可能包含分析错误,或者在环境包含未满足的依赖项时无法执行。本文对通过GitHub gist系统共享的Python代码片段的可执行状态以及熟悉软件配置的开发人员正确配置和运行它们的能力进行了实证分析。我们发现,75.6%的GIST需要非平凡的配置,以克服缺少的依赖关系,配置文件,依赖于特定的操作系统,或其他一些环境配置。我们的研究还表明,开发人员在解决配置错误时对资源名称的自然假设只有不到一半的正确率。我们还介绍了Gistable,一个建立在GitHub的gist系统上的数据库和可扩展框架,它提供了可执行的代码片段,以便在软件工程中进行可重复的研究。Gistable包含10,259个代码片段,其中大约5,000个带有Dockerfile,用于配置和执行它们而不会发生导入错误。Gistable可在https://github.com/gistable/gistable上公开获取。
2018-08-14 cs.SE
An Empirical Study on Low-Code Programming using Traditional vs Large Language Model Support
School of Software Engineering, Sun Yat-sen University(中山大学软件学院);The University of Melbourne(墨尔本大学);The University of Western Australia(西澳大学);Faculty of Information Technology, Monash University(蒙纳士大学信息技术学院);School of Artificial Intelligence, Sun Yat-sen University(中山大学人工智能学院);Shenzhen Institute for Advanced Study, University of Electronic Science and Technology of China(电子科技大学深圳高等研究院);University of Glasgow(格拉斯哥大学);Zhuhai Key Laboratory of Trusted Large Language Models(珠海可信大模型重点实验室)
本研究通过实证分析比较了传统与基于大语言模型的低代码编程方法在应用中的差异及影响。
2025-12-05 cs.SE
The Good, the Bad, and the Missing: Neural Code Generation for Machine Learning Tasks
本文系统评估了六种神经代码生成模型在四类ML库上83K个任务中的表现,发现其在ML任务上优于非ML任务但生成代码语义错误多,并提出将分治式代码生成分解为API序列识别与API使用生成两个子任务。
2023-05-16 cs.SE
GazeCopilot: Evaluating Novel Gaze-Informed Prompting for AI-Supported Code Comprehension and Readability
University of Glasgow(格拉斯哥大学)
针对AI编码助手提示上下文不足问题,提出Real-time GazeCopilot方法,将实时注视指标整合到提示以适配开发者认知状态,实验表明其在代码理解准确率、时间及可读性上优于Standard Copilot,且重构效果优于Pre-set GazeCopilot。
2025-11-11 cs.HC cs.SE
Improving Testing Behavior by Gamifying IntelliJ
本文提出 IntelliGame,一个 IntelliJ 的游戏化插件,通过多级成就系统激励开发者改善测试行为;实验表明,受激励的开发者编写更多测试、获得更高覆盖率与变异分数,并更早完成功能。
2023-10-17 cs.SE
On Extracting Unit Tests from Interactive Programming Sessions
软件工程方法论建议开发人员应该捕获他们的努力,以确保程序在可重复和自动化的工件中正确运行,例如单元测试。然而,当从探索性测试到脚本测试的范围内观察开发人员活动时,我们发现许多工程活动都包括探索性测试的爆发。在本文中,我们建议利用这些探索性的测试突发自动提取脚本测试从这些会话的记录。为了做到这一点,我们窃听开发环境,这样我们就可以记录所有的程序输入,所有用户发出的函数调用,以及探索性测试会话的所有程序输出。然后,我们建议使用机器学习(即聚类)从这些记录中实时提取脚本测试用例。我们概述了两个早期原型,一个是静态的,一个是动态的。我们通过例子概述了这个想法如何融入编程的更大研究方向。
2012-12-08 cs.SE
Choose Your Own Adventure: Non-Linear AI-Assisted Programming with EvoGraph
McGill University(麦吉尔大学)
本文提出EvoGraph,一种集成AI交互和代码变更的轻量级开发图插件,帮助开发者更高效地探索、迭代和反思AI生成的代码变化,降低认知负担。
2026-04-20 cs.AI cs.HC cs.SE
Towards A Visual Programming Tool to Create Deep Learning Models
Politecnico di Torino(都灵理工大学)
深度学习(DL)开发人员来自不同的背景,例如,医学、基因组学、金融和计算机科学。要创建DL模型,他们必须学习和使用高级程序设计语言(例如,Python),因此需要处理相关的设置并解决编程错误。本文介绍了DeepBlocks,一个可视化的编程工具,允许DL开发人员设计,训练和评估模型,而不依赖于特定的程序设计语言。DeepBlocks通过构建典型的模型结构来工作:一系列可学习的函数,其排列定义了模型的特定特征。我们从5名参与者的形成性访谈中得出了DeepBlocks的设计目标,并通过典型用例验证了该工具的首次实现。结果是有希望的,并表明开发人员可以可视化地设计复杂的DL架构。
2023-03-22 cs.AI cs.HC cs.LG