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
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
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
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
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
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
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
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
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
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
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
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
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
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
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
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
What Skills do IT Companies look for in New Developers? A Study with Stack Overflow Jobs
背景：对于IT公司如何寻找空缺职位候选人的信息的需求越来越大。目的：本文通过分析20，000个工作机会的描述来调查IT公司更需要哪些硬技能和软技能。方法：我们应用开放式卡片排序来进行高层次的分析，哪些类型的硬技能更需要。此外，我们手动分析了最常提到的软技能。结果：程序设计语言是最需要的硬技能。沟通、协作和解决问题是最需要的软技能。结论：我们建议开发人员根据他们申请的职位来组织他们的简历。我们还强调了软技能的重要性，因为它们出现在许多工作机会中。
2020-11-04 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
PTM4Tag: Sharpening Tag Recommendation of Stack Overflow Posts with Pre-trained Models
Stack Overflow通常被认为是最有影响力的软件问答（SQA）网站，拥有数百万与编程相关的问题和答案。标签在有效地构建Stack Overflow中的内容方面发挥着关键作用，并且对于支持一系列网站操作至关重要，例如，查询相关内容。选择不当的标签通常会引入额外的噪声和冗余，从而导致标签同义词和标签爆炸问题。因此，期望能够准确地推荐高质量标签的自动标签推荐技术来缓解上述问题。受最近预训练语言模型（PTM）在自然语言处理（NLP）中的成功启发，我们提出了PTM 4 Tag，这是一个用于堆栈溢出帖子的标签推荐框架，该框架利用具有三元组架构的PTM，该架构对帖子的组件进行建模，即，标题、描述和代码，具有独立的语言模型。据我们所知，这是第一个在SQA站点的标签推荐任务中利用PTM的工作。我们基于五种流行的预训练模型：BERT，RoBERTa，ALBERT，CodeBERT和BERTOverflow比较评估了PTM 4 Tag的性能。我们的研究结果表明，在PTM 4 Tag中利用软件工程（SE）领域特定的PTM CodeBERT在五种考虑的PTM中实现了最佳性能，并且在平均$Precision@k$、$Recall@k$和$F1$ - $score@k$方面远远优于最先进的深度学习（基于卷积神经网络）方法。我们进行了一项消融研究，以量化帖子的组成部分（标题、描述和代码段）对PTM 4 T…
2022-05-11 cs.SE
Mining Architecture Tactics and Quality Attributes Knowledge in Stack Overflow
内容：架构策略（AT）是架构构建块，为解决质量属性（QA）问题提供通用架构解决方案。挖掘和分析QA-AT知识可以帮助软件架构社区更好地理解架构设计。然而，手动捕获和挖掘这些知识是劳动密集型和困难的。目的：使用堆栈溢出（SO）作为我们的源代码，我们的主要目标是有效地挖掘这些知识;并从相关讨论中了解开发人员如何使用AT来解决QA问题。方法：我们采用半自动的基于字典的挖掘方法来提取问答-AT职位在SO。通过挖掘出的QA-AT帖子，我们确定了AT和QA之间的关系。结果：我们的方法使我们能够有效地挖掘QA-AT知识，F值为0.865，性能为82.2%。使用这种挖掘方法，我们能够发现架构的QA和AT的同义词设计师使用，从中我们发现开发人员如何应用AT来解决质量要求。结论：我们在这项工作中做了两个贡献：第一，我们展示了一个半自动的方法来挖掘AT和QA从SO职位;第二，我们确定了鲜为人知的设计之间的关系QA和AT和分组的架构设计考虑，以帮助架构师做出架构策略设计决策。
2021-05-17 cs.SE
Automatic Bi-modal Question Title Generation for Stack Overflow with Prompt Learning
针对Stack Overflow问题标题质量不佳的问题，提出结合代码与文本双模态信息、采用混合提示微调CodeT5的SOTitle+方法，在多语言语料上的表现优于现有最优基线。
2024-03-06 cs.SE
Negative Results of Image Processing for Identifying Duplicate Questions on Stack Overflow
本文探索了两种基于图像的方法来识别 Stack Overflow 上的重复问题，但实验表明效率提升平均仅约 1%，未能产生实质性影响，为后续研究提供了可复现的基线。
2024-07-08 cs.SE
Developer Challenges on Large Language Models: A Study of Stack Overflow and OpenAI Developer Forum Posts
本文通过 BERTopic 分析 Stack Overflow 和 OpenAI 开发者论坛帖子，识别出 LLM 开发者在 API 使用、微调、训练等方面的九类和 17 类挑战，揭示其高未解决率和长响应时间，并呼吁加强社区支持与针对性资源建设。
2024-11-22 cs.SE
SOCluster- Towards Intent-based Clustering of Stack Overflow Questions using Graph-Based Approach
Stack Overflow（SO）平台有一个由用户之间的交互驱动的问题和答案的巨大数据集。但未回答问题的数量不断上升。这个问题在各种社区问答平台（Q&A）中很常见，如Yahoo，Quora等。聚类是这些社区用来解决这个挑战的方法之一。具体而言，可以利用基于意图的聚类来使用同一聚类中的其他已回答问题来回答未回答的问题，并且还可以改善新问题的响应时间。正是在这里，我们提出了SOCluster，一种方法和工具，使用基于图的聚类方法，基于意图聚类SO问题。我们选择了10 k，20 k，30 k和40 k SO问题的四个数据集，不涉及代码片段或图像，并对它们进行基于意图的聚类。我们已经做了一个初步的评估，我们的工具，通过分析所产生的集群使用常用的指标的轮廓系数，Calinkski-Harabasz指数，戴维斯-博尔丁指数。我们对8个不同的阈值相似性值进行了聚类，并通过三个评估指标分析了输出聚类所反映的有趣趋势。在90%的阈值相似性下，它显示了所有四个数据集上三个评估指标的最佳值。源代码和工具可以在Github上下载：https：//github.com/Liveitabhi/SOCluster，演示可以在这里找到：https://youtu.be/uyn8ie4h3NY。
2021-07-06 cs.SE
An Empirical Study of Package Management Issues via Stack Overflow
包管理器（PM）对于大多数技术栈来说都是至关重要的，它充当了一个代理，以确保正确地安装、配置或从应用程序中删除经过验证的依赖包。技术堆栈的多样性导致了数十种具有各种功能的PM。虽然我们最近的研究表明PM的包管理功能与最终用户体验有关，但还不清楚这些问题是什么以及需要什么信息来解决它们。在本文中，我们通过对Stack Overflow（SO）内容的实证研究，调查了最终用户所面临的PM问题。我们对三个流行的PM（即，Maven、npm和NuGet）来识别问题类型、根本原因及其解决方案。我们的研究结果证实，最终用户与PM工具的使用（约64-72%）斗争。我们观察到，大多数问题是由最终用户提出的，因为缺乏PM工具的说明和错误消息。在问题解决方面，我们发现外部链接共享是解决PM问题的最常见做法。此外，我们观察到指向有用资源的链接（即，官方文档网站、教程等）最常被分享，表明工具支持的潜力和为PM最终用户提供相关信息的能力。
2022-11-23 cs.SE
Accessibility in Software Practice: A Practitioner's Perspective
能够在日常生活中访问软件对每个人都至关重要，因此可访问性是软件开发的根本挑战。然而，鉴于许多用户报告的无障碍问题数量，例如，在应用程序审查中，尚不清楚无障碍环境是否已广泛纳入当前的软件项目，以及软件项目如何解决无障碍环境问题。在本文中，我们报告了一项研究的关键挑战和好处，将可访问性纳入软件开发和设计。我们采用定性和定量相结合的方法，从来自五大洲26个国家的15次访谈和365名调查受访者中收集数据，以了解从业者如何看待实践中的无障碍开发和设计。我们从从业者的角度和不同的软件开发阶段得到了44个关于可访问性的陈述，分为八个主题。我们的统计分析揭示了群体之间的巨大差距，例如，实践者有直接与间接无障碍相关的工作经验，当他们审查总结报表。这些差距可能会阻碍无障碍开发和设计的质量，我们使用我们的研究结果建立一套指导方针，以帮助从业者意识到无障碍的挑战和好处因素。我们还提出了一些补救措施，以解决差距，并突出未来的主要研究方向。
2021-03-16 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
The Reproducibility of Programming-Related Issues in Stack Overflow Questions
软件开发人员经常使用Stack Overflow Q&A网站寻找代码级问题的解决方案。为了获得帮助，开发人员经常提交包含示例代码段和编程问题描述的问题。不幸的是，并不总是能够从代码段中重现问题，这可能会阻碍问题得到及时和适当的解决方案。我们对400个Java和400个Python问题中讨论的问题的可重复性进行了探索性研究。我们解析、编译、执行并仔细检查了这些问题中的代码段，以重现报告的编程问题。我们的研究成果有三个方面。首先，我们发现我们可以重现大约68%的Java和71%的Python问题，而我们无法使用代码段重现大约22%的Java和19%的Python问题。在可重现的问题中，大约67%的Java代码段和20%的Python代码段需要进行轻微或重大修改才能重现这些问题。其次，我们仔细研究了为什么编程问题不能被复制，并提供了基于证据的指导方针，为Stack Overflow问题编写有效的代码示例。第三，我们调查了问题的问题再现性状态和相应的答案元数据之间的相关性，例如接受答案的存在。根据我们的分析，一个可重复的问题比一个不可重复的问题至少有两倍的机会得到一个可接受的答案。此外，如果问题中报告的问题无法复制，收到已接受的答复的中位时间延迟将增加一倍。我们还调查了混杂因素（例如，声誉），并发现混杂因素不会损害再现性状态和回答元数据之间的相关性。
2021-12-25 cs.SE
Understanding the Role of Images on Stack Overflow
软件开发人员越来越多地通过各种渠道共享图像，包括像Stack Overflow这样的问答论坛。虽然先前的工作已经指出，这些图像是有意义的，并提供互补的信息相比，其相关的文本，图像如何被用来支持问题是经验未知的。为了解决这一知识差距，在本文中，我们专门进行了实证研究，调查（一）图像的特点，（二）图像在不同的问题类型中使用的程度，（三）图像在接收答案的作用。我们的研究结果首先表明，用户界面是最常见的图像内容和不期望的输出是最常见的目的共享图像。此外，这些图像基本上有助于理解68%的抽样问题。第二，我们发现，差异的问题是更相对频繁相比，那些没有图像，但有没有观察到在所有类型的问题的描述长度的显着差异。第三，定量结果在统计上验证了具有图像的问题更有可能接收到被接受的答案，但不会加快接收答案的时间。我们的工作展示了图像通过从一个新的角度接近主题所发挥的关键作用，并为未来使用图像来协助生成问题和识别问题相关性等任务奠定了基础。
2023-03-28 cs.SE
Characterizing Architecture Related Posts and Their Usefulness in Stack Overflow
背景：Stack Overflow（SO）已经赢得了软件工程师的青睐（例如，建筑师）学习，实践和利用开发知识，如建筑知识（AK）。但是，作为一种高层次的、重要的发展知识，人们对SO中所传达的AK却知之甚少。目的：本研究旨在从SO用户的角度探讨SO帖子中AK的类别和特征以及它们的有用性。方法：我们进行了一项探索性研究，定性分析了统计上有代表性的样本968建筑相关职位（ARP）从SO。结果如下：主要调查结果如下：（1）体系结构相关问题可分为9个核心类别，其中“体系结构配置”是最常见的类别，其次是“体系结构决策”类别，以及（2）提供清晰描述以及体系结构图的体系结构相关问题增加了获得多个答案的可能性，而结构不良的体系结构问题往往只能获得一个答案。结论：我们的研究结果表明，未来的研究可以集中在启用自动化的方法和工具，可以促进搜索和（重新）使用AK SO。SO用户可以参考我们提出的指导方针来撰写与体系结构相关的问题，并有可能在SO中获得更多的响应。
2023-01-05 cs.SE
Practitioner Views on Mobile App Accessibility: Practices and Challenges
University of Hawaiʻi at Mānoa（夏威夷大学马诺阿分校）
本文通过混合方法调查研究了全球110名移动应用开发人员的可访问性实践，揭示了平台生态和开发经验对可访问性实施的影响及面临的挑战。
2026-01-20 cs.SE
Accessible or Not? An Empirical Investigation of Android App Accessibility
移动应用程序为残疾人在世界上独立行动提供了新的机会。受这种趋势的激励，研究人员通过使用每个页面的不可访问性问题率（即，屏幕级别）来表示移动应用程序可访问性的特征。然而，仍然缺乏直接关注问题本身的实证研究（即，问题级别），以揭示更细粒度的调查结果，由于缺乏有效的问题检测方法和相对全面的问题数据集。为了填补这一文献空白，我们首先提出了一个自动化的应用程序页面探索工具，命名为Xbot，以促进应用程序的可访问性测试，并自动收集可访问性问题，利用仪器技术和静态程序分析。由于Xbot在探索应用程序时实现了相对较高的活动覆盖率（约80%），Xbot在可访问性问题收集方面的性能优于现有的测试工具，如Google Monkey。通过Xbot，我们能够收集到一个相对全面的无障碍问题数据集，最终收集到来自2,270个独立应用程序（包括闭源和开源应用程序）的86,767个问题，并在此基础上进一步从无障碍问题本身的角度进行实证研究，以探讨无障碍问题的新特征。具体而言，我们通过检查1）多个标准的问题的总体严重性，2）问题类型与应用程序类别，GUI组件类型之间的深入关系，3）定量的频繁问题模式，以及4）可访问性问题的修复状态来广泛调查这些问题。
2022-03-12 cs.SE
Toward Inclusive Low-Code Development: Detecting Accessibility Issues in User Reviews
本文针对低代码应用可能排斥视觉障碍用户的问题，构建评论数据集并提出结合两个Transformer模型与关键词系统的混合模型，以78%的准确率和F1分数检测可访问性问题。
2025-08-08 cs.SE
Usage and Attribution of Stack Overflow Code Snippets in GitHub Projects
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。使用这些片段会引起维护和法律问题。SO的许可证（CC BY-SA 3.0）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。我们提出了一项大规模实证研究的结果，分析了公共GitHub（GH）项目中SO答案中非平凡Java代码片段的使用和属性。我们遵循三种不同的方法来对未归因使用的比例进行三角测量，并与软件开发人员进行了两次在线调查，以补充我们的结果。对于我们分析的不同项目集，包含引用SO的文件的项目比例在3.3%和11.9%之间变化。我们发现，在所有分析过的包含SO代码的存储库中，最多有1.8%的代码以与CC BY-SA 3.0兼容的方式使用。此外，我们估计，从SO复制的代码片段中，最多有四分之一是根据需要进行属性化的。在接受调查的开发人员中，近一半的人承认在没有署名的情况下从SO复制代码，约三分之二的人不知道SO代码片段的许可及其影响。
2018-09-21 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
Finding the Needle in a Haystack: On the Automatic Identification of Accessibility User Reviews
近年来，移动可访问性已成为一个重要的趋势，其目标是允许所有用户使用任何应用程序的可能性，而没有太多限制。用户评论包括对应用程序发展有用的见解。然而，随着收到的评论数量的增加，手动分析它们是繁琐和耗时的，特别是在搜索可访问性评论时。本文的目标是支持自动识别用户评论中的可访问性，帮助技术专业人员优先处理这些评论，从而创建更具包容性的应用程序。特别是，我们设计了一个模型，作为输入的可访问性用户评论，学习他们的关键字为基础的功能，为了作出二元决策，对于一个给定的审查，它是否是关于可访问性或没有。该模型使用总共5，326个移动应用程序评论进行评估。研究结果表明：（1）我们的模型可以准确地识别可访问性评论，优于两个基线，即基于关键字的检测器和随机分类器;（2）我们的模型在相对较小的训练数据集上达到了85%的准确率;然而，随着我们增加训练数据集的大小，准确率会提高。
2022-10-18 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
Do Stack Overflow Answer Edits Occur Beyond Java? A Replication on Python and JavaScript
Faculty of Information and Communication Technology, Mahidol University（马希隆大学信息与通信技术学院）；State University of Ceara (UECE)（塞阿拉州立大学）
本研究在Python和JavaScript上复现Java相关研究，发现这两种语言的已采纳回答编辑率约为Java的2.5倍，且编辑数量随GitHub项目人气升高而增加，原研究结论可推广至Java之外。
2026-08-13 cs.SE
Hot Topics and Common Challenges: an Empirical Study of React Discussions on Stack Overflow
本研究通过探索性数据分析 Stack Overflow 上的 React 相关问题，识别出最常讨论的关键词和以算法错误为主的最常见挑战，并发现中等声誉用户贡献最多，旨在为 React 社区早期采用提供支持。
2025-07-21 cs.SE
Do Subjectivity and Objectivity Always Agree? A Case Study with Stack Overflow Questions
本文针对Stack Overflow中主观投票与客观质量评估不一致的问题，使用250万问题和十种文本指标进行对比，并构建机器学习模型分类推荐与劝阻问题，准确率达76%-87%，优于现有模型。
2023-04-07 cs.SE
SOTorrent: Reconstructing and Analyzing the Evolution of Stack Overflow Posts
Stack Overflow（SO）是软件开发人员最受欢迎的问答网站，提供了大量关于各种主题的代码片段和自由格式的文本。像其他软件工件一样，SO上的问题和答案会随着时间的推移而演变，例如，当代码片段中的bug被修复时，代码被更新以使用更新的库版本，或者为了清晰起见编辑代码片段周围的文本时。为了能够分析SO上的内容如何演变，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提供对整个帖子和单个文本或代码块级别的SO内容的版本历史的访问。它通过聚合来自文本块的URL和收集来自GitHub文件的引用来将SO帖子连接到其他平台。在本文中，我们描述了我们如何构建SOTorrent，特别是我们如何评估134种不同的字符串相似性度量，以了解它们对重建文本和代码块的版本历史的适用性。基于使用数据集的第一次分析，我们提出了对SO职位演变的见解，例如，文章的编辑通常很小，在文章最初创建后不久就发生了，并且代码很少在不更新周围文本的情况下更改。此外，我们的分析揭示了帖子编辑和评论之间的密切关系。我们的愿景是，研究人员将使用SOTorrent来调查和了解SO帖子的演变及其与GitHub等其他平台的关系。
2018-05-07 cs.SE
Leveraging Unsupervised Learning to Summarize APIs Discussed in Stack Overflow
Carleton University（卡尔顿大学）
自动源代码摘要是一项任务，它生成有关方法和类的目的、用法和/或实现的摘要信息，以支持对这些代码实体的理解。针对代码摘要中的监督学习和无监督学习，已经提出了多种方法和技术，然而，它们大多集中于为一段代码生成摘要。此外，很少有作品利用非官方文档。本文提出了一种自动和新颖的方法来总结堆栈溢出中讨论的Android API方法，我们认为这是本研究中的非官方文档。我们的方法将API方法的名称作为输入，并基于该API方法的Stack Overflow讨论生成一个自然语言摘要。我们对16位Android开发人员进行了一项调查，以评估我们自动生成的摘要的质量，并将其与官方Android文档进行比较。我们的研究结果表明，虽然开发人员发现官方文档更有用的一般，生成的摘要也有竞争力，特别是提供实施细节，并可以用作指导开发人员在软件开发和维护任务的补充来源。
2021-11-27 cs.LG cs.SE
The Evolution of Stack Overflow Posts: Reconstruction and Analysis
Stack Overflow（SO）是软件开发人员最受欢迎的问答网站，提供了大量关于各种主题的代码片段和自由格式的文本。像其他软件工件一样，SO上的问题和答案会随着时间的推移而演变，例如，当代码片段中的bug被修复时，代码被更新以使用更新的库版本，或者为了清晰起见编辑代码片段周围的文本时。为了能够分析SO上的内容如何演变，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提供对整个帖子和单个文本或代码块级别的SO内容的版本历史的访问。它通过聚合来自文本块和评论的URL，以及从GitHub文件收集对SO帖子的引用，将SO帖子连接到其他平台。在本文中，我们描述了我们如何构建SOTorrent，特别是我们如何评估134种不同的字符串相似性度量，以了解它们对重建文本和代码块的版本历史的适用性。基于使用数据集的不同分析，我们提出：（1）对SO职位演变的见解，例如，文章的编辑通常很小，在文章最初创建后不久就发生了，并且代码很少在不更新周围文本的情况下更改;（2）调查文章编辑和评论之间密切关系的定性研究，（3）对SO上的代码克隆进行首次分析，并调查可能的许可风险。最后，由于数据集的初始呈现，我们改进了后块提取和我们的前任匹配策略。
2018-11-02 cs.SE
From Awareness to Action: How Developers Engage with Accessibility Innovation in LLM-Assisted Development
Universidade Federal do Pará（帕拉联邦大学）；Zup Innovation（Zup创新）；Universidade Federal de Uberlândia（乌贝兰迪亚联邦大学）
通过分析14个基于LLM的无障碍项目提案和9名参与者的焦点小组讨论，发现由残障人士主导的倡议能促进包容性创新，推动无障碍从合规要求转变为技术卓越和文化变革的驱动力。
2026-06-09 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
Attention-based model for predicting question relatedness on Stack Overflow
South China University of Technology（华南理工大学）；Research Institute of SCUT in Yangjiang（华南理工大学阳江研究院）
Stack Overflow是最受欢迎的基于编程社区的问答（PCQA）网站之一，近年来吸引了越来越多的用户。当用户在Stack Overflow中提出或询问问题时，提供相关问题可以帮助他们解决问题。虽然有许多基于深度学习的方法可以自动预测问题之间的相关性，但这些方法是有限的，因为两个问题之间的交互信息可能会丢失。本文采用深度学习技术，提出了一种基于注意力的句对交互模型（ASIM），用于自动预测Stack Overflow上问题之间的相关度。我们采用注意力机制来捕捉问句之间的语义交互信息。此外，我们已经为这个任务预先训练并发布了特定于软件工程领域的词嵌入，这也可能有助于其他相关任务。实验结果表明，ASIM在精确度，召回率和Micro-F1评估指标方面比基线方法有了显着的改进，在这项任务中实现了最先进的性能。我们的模型在AskUbuntu的重复问题检测任务中也表现良好，这是一个类似但不同的任务，证明了它的通用性和鲁棒性。
2021-04-05 cs.AI cs.CL cs.SE
An Empirical Study of Java Code Improvements Based on Stack Overflow Answer Edits
Faculty of Information and Communication Technology, Mahidol University（马希达大学信息与通信技术学院）；State University of Ceara (UECE)（塞阿拉州立大学）
本研究通过分析Stack Overflow的Java回答编辑，识别可改进的开源Java代码，发现近7%的采纳回答有多次修订，近半数编辑代码可应用于开源项目，11个bug修复方案被接受。
2026-08-25 cs.SE
Automated Query Reformulation for Efficient Search based on Query Logs From Stack Overflow
Nanjing University（南京大学）；Monash University（莫纳什大学）；University of Adelaide（阿德莱德大学）；Nantong University（南通大学）
作为一个流行的编程问答网站，Stack Overflow是开发者的宝藏。然而，Stack Overflow上的大量问题和答案使得开发人员很难有效地找到他们正在寻找的信息。有两个差距导致搜索结果不佳：用户的意图和文本查询之间的差距，以及查询和帖子内容之间的语义差距。因此，开发人员必须不断地重新制定他们的查询，纠正拼写错误的单词，增加限制某些程序设计语言或平台等查询重新制定是繁琐的开发人员，特别是新手，我们提出了一个自动化的软件特定的查询重新制定方法的基础上深度学习。利用Stack Overflow提供的查询日志，我们构建了一个大规模的查询重构语料库，包括原始查询和相应的重构查询。我们的方法训练了一个Transformer模型，当给定用户的原始查询时，该模型可以自动生成候选重构查询。评估结果表明，我们的方法优于五个国家的最先进的基线，并实现了5.6%至33.5%的提升方面的$\mathit{ExactMatch}$和4.8%至14.4%的提升方面的$\mathit{GLEU}$。
2021-02-10 cs.AI cs.IR cs.SE
FACOS: Finding API Relevant Contents on Stack Overflow with Semantic and Syntactic Analysis
Singapore Management University（新加坡管理大学）；University of British Columbia（不列颠哥伦比亚大学）
收集API示例、用法和与特定API方法相关的提及，而不是在Stack Overflow等场所进行讨论，这不是一个简单的问题。它需要努力正确识别讨论是否涉及开发人员/工具正在搜索的API方法。由描述API方法在讨论中的参与的文本段落和包含API调用的代码片段组成的线程的内容可以引用给定的API方法。利用这一观察，我们开发FACOS，上下文特定的算法来捕获的段落和代码片段的语义和语法信息的讨论。FACOS将基于语法单词的分数与来自CodeBERT微调的预测模型的分数相结合。FACOS在F1得分方面比最先进的方法高出13.9%。
2021-11-14 cs.AI cs.PL cs.SE
Energy-Efficient Software Development: A Multi-dimensional Empirical Analysis of Stack Overflow
针对现有开发者能耗认知调研样本量有限的不足，本研究通过分析1193条Stack Overflow能耗相关问题开展多维度实证分析，揭示了能效开发中的核心痛点并提出分层优化启示。
2025-11-15 cs.PF cs.SE
Diverse Title Generation for Stack Overflow Posts with Multiple Sampling Enhanced Transformer
Wuhan University（武汉大学）；Huazhong University of Science and Technology（华中科技大学）；Wuhan University of Technology（武汉理工大学）；Deakin University（迪肯大学）；City University of Hong Kong（香港城市大学）
Stack Overflow是最受欢迎的编程社区之一，开发人员可以在这里为遇到的问题寻求帮助。然而，如果没有经验的开发人员不能清楚地描述他们的问题，他们很难引起足够的注意并得到预期的答案。我们提出了M $_3$ NSCT 5，一种新的方法来自动生成多个职位的标题从给定的代码片段。开发人员可以使用生成的标题来查找密切相关的帖子并完成其问题描述。M $_3$ NSCT 5采用CodeT5主干，这是一个预先训练的Transformer模型，具有出色的语言理解和生成能力。为了减轻歧义问题，相同的代码片段可以对齐不同的标题在不同的上下文，我们提出了最大边际多核抽样策略，以产生多个高质量和多样化的标题候选人在同一时间供开发人员选择。我们构建了一个包含890，000个问题帖子的大规模数据集，涵盖8种程序设计语言，以验证M $_3$ NSCT 5的有效性。BLEU和ROUGE指标的自动评估结果证明了M $_3$ NSCT 5优于六种最先进的基线模型。此外，具有值得信赖的结果的人类评估也证明了我们的方法在现实世界中应用的巨大潜力。
2022-08-24 cs.CL cs.SE
Interpreting Cloud Computer Vision Pain-Points: A Mining Study of Stack Overflow
Deakin University（迪肯大学）；Monash University（莫纳什大学）
智能服务正变得越来越普遍;应用程序开发人员希望利用计算机视觉等领域的最新进展为用户提供新的服务和产品，大型技术公司通过RESTful API实现这一点。虽然这些API承诺易于集成按需机器智能，但它们当前的设计，文档和开发人员界面隐藏了许多底层机器学习技术。这样的API看起来和感觉像传统的API，但抽象出数据驱动的概率行为-开发人员以与其他传统云服务（如云存储）相同的方式处理这些API的含义是值得关注的。本研究的目的是确定开发人员在实现依赖于这些智能服务中最成熟的服务的系统时面临的各种痛点，特别是那些提供计算机视觉的系统。我们使用Stack Overflow来挖掘开发人员在使用计算机视觉服务时似乎面临的挫折的迹象，根据两个最近的分类分类法（文档相关和一般问题）对他们的问题进行分类。我们发现，与移动开发等成熟领域不同，开发人员提出的问题类型存在差异。这些都表明了对支持这种系统的底层技术的肤浅理解。我们讨论了这些发现的几个影响，通过学习分类的镜头，建议软件工程社区如何改进这些服务，并评论开发人员使用它们的性质。
2020-01-28 cs.AI cs.SE
Towards Automated Accessibility Report Generation for Mobile Apps
针对移动应用无障碍报告生成的难题，本文提出一个结合多种数据收集与现有扫描器的系统，通过高精度的屏幕分组和UI元素匹配实现问题去重与汇总，并引入像素级忽略功能，经18名专家评估可有效增强现有测试工具。
2023-10-16 cs.HC cs.SE
Automated Code Fix Suggestions for Accessibility Issues in Mobile Apps
Apple（苹果公司）
针对移动应用无障碍问题缺少代码级修复指导的痛点，本文提出多智能体 LLM 工具 FixAlly，可定位问题并生成源代码修改建议，实验显示合理建议率达77%，开发者接受意愿为69.4%。
2024-08-07 cs.AI cs.HC cs.SE
