Rethinking Software Misconfigurations in the Real World: An Empirical Study and Literature Analysis
Nankai University(南开大学);Xi’an Jiaotong University(西安交通大学);Jilin University(吉林大学)
通过对772个真实软件配置问题的实证研究,提出新的根因分类(约束违反、资源不可用、组件集成错误、配置语义误解),并系统综述相关文献,发现研究目标从系统软件转向高级应用(如云服务),非崩溃配置错误研究显著增长,但多数研究因工具和数据集不可用而缺乏可重复性。
2026-07-15 cs.SE
Rethinking Software Engineering for Agentic AI Systems
Saudi Data and Artificial Intelligence Authority (SDAIA)(沙特数据与人工智能管理局)
本文探讨面向代理AI系统软件工程应转向协作与验证,并分析其对教育、工具和实践的影响。
2026-04-12 cs.SE
From Human Interfaces to Agent Interfaces: Rethinking Software Design in the Age of AI-Native Systems
Victoria University of Wellington, New Zealand(维多利亚大学惠灵顿分校);Independent Researcher(独立研究员);Dalian University of Technology, China(大连理工大学)
本文探讨了软件设计从以人为中心的界面转向以代理为中心的调用系统,提出了代理接口的概念和设计原则,为AI原生软件设计提供理论基础。
2026-03-19 cs.AI cs.SE
Rethinking Build vs. Buy Decisions in Enterprise Software: Navigating Trade-offs through a Structured Decision-Support Approach
Accenture Inc.(埃森哲)
针对企业软件自建与采购决策的复杂性,提出一种基于本体因素模型、规则推理和参考匹配的结构化决策支持方法,并通过金融案例验证其能提升决策质量、透明度和可审计性。
2026-06-29 cs.SE
Rethinking Services in the Quantum Age: The SOQ Paradigm
I3US Institute, SCORE Lab, Universidad de Sevilla(塞维利亚大学 I3US 研究所、SCORE 实验室);University of Pisa(比萨大学)
本文提出 SOQ 范式,将量子服务视为自主、可组合、可互操作的实体,并通过分层技术栈和原则设计推动量子计算独立融入现实软件系统。
2025-10-04 cs.SE
Beyond Human-Readable: Rethinking Software Engineering Conventions for the Agentic Development Era
Military Institute of Telecommunications and Information Technologies (MITIT)(军事电信与信息技术研究所)
本文探讨代理开发时代软件工程惯例的变革,提出语义密度优化原则,通过实验验证压缩对开发成本的影响,并提出程序骨架概念和语义意图与可读性分离的主张。
2026-04-08 cs.AI cs.SE
Using causal inference and Bayesian statistics to explain the capability of a test suite in exposing software faults
测试有效性是指测试套件暴露软件中错误的能力。了解影响这种能力的因素至关重要。我们的目标是推断这两个因素之间的因果关系(即,Cover/Exec)以及测试套件暴露和发现软件中错误的能力。Cover指的是覆盖语句的不同测试用例的数量,而Exec等于测试套件执行语句的次数。我们分析了来自{12} Java程序的459166个软件故障。贝叶斯统计与后门标准一起被用于因果推理的目的。此外,我们研究了测量关联的常见陷阱,因果关系和非因果关系的混合,而不是因果关联。结果表明,Cover与\textit{Exec}之间的因果关系更强,且Cover与\textit{Exec}之间的因果关系和非因果关系存在统计学差异。软件开发人员可以利用这些结果来设计和编写更有效的测试用例,从而发现更多隐藏在软件中的错误。
2023-03-17 cs.SE
The Specification Paradox: Rethinking Requirements Engineering in the Age of AI
Rio de Janeiro State University(里约热内卢州立大学)
该研究探讨大型语言模型普及下软件工程从代码中心转向规范驱动开发的趋势,提出规范悖论,指出AI生成软件能力越强,越依赖高质量人类规范,强调需求工程的核心地位。
2026-08-18 cs.PL cs.SE
Applications of Causality and Causal Inference in Software Engineering
本文通过系统性文献综述探讨了因果推理与软件工程各领域的关系,发现45篇相关论文中多数因果推理用于根因定位测试,多为非正式的因果图探索而非严格统计干预,并指出其在提升软件可读性工具中的应用及未来研究方向。
2023-03-29 cs.SE
Applications of Causality in Software Testing: A Rapid Review
University of Tennessee(田纳西大学)
通过快速综述分析27项研究,揭示因果推理在软件测试中的应用集中于识别与估计阶段,而表示与发现技术探索不足,并提出未来研究方向。
2026-06-16 cs.SE
Rethinking Software Engineering in the Foundation Model Era: From Task-Driven AI Copilots to Goal-Driven AI Pair Programmers
Centre for Software Excellence, Huawei Canada(华为加拿大软件卓越中心);York University(约克大学)
论文提出从任务驱动 AI copilots 转向目标驱动、具备软件工程意识的 AI 结对程序员,通过对话式迭代协作提升开发生产力与软件质量。
2024-04-16 cs.AI cs.SE
Bayesian causal inference in automotive software engineering and online evaluation
随机现场实验,如A/B测试,长期以来一直是评估软件更改的黄金标准。在汽车领域,进行随机现场实验并不总是理想的,可能的,甚至是道德的。面对这些限制,我们开发了一个框架BOAT(贝叶斯因果模型的观察测试),利用观察研究与贝叶斯因果推理相结合,以了解复杂的汽车软件更新对现实世界的影响,并帮助软件开发组织得出因果结论。在这项研究中,我们提出了三个因果推理模型的贝叶斯框架和相应的情况下,以解决三个常见的汽车领域的软件评估的挑战。我们与我们的行业合作者开发了BOAT框架,并通过对大型车队进行实证研究来展示因果推理的潜力。此外,我们将因果假设理论与它们在实践中的含义联系起来,旨在为如何在汽车软件工程中应用因果模型提供全面的指导。当我们无法访问整个用户群时,我们应用贝叶斯倾向评分匹配来产生平衡的对照组和治疗组,贝叶斯回归不连续性设计用于识别协变量依赖的治疗分配和局部治疗效果,贝叶斯差异差异用于随时间推移的治疗效果的因果推断,并隐式控制未观察到的混杂因素。每一个示范性案例在实践中都有其依据,并且是在随机化不可行时经历的场景。借助BOAT框架,我们可以在汽车领域进行在线软件评估,而无需完全随机化的实验。
2022-07-01 cs.SE
A Call for Critically Rethinking and Reforming Data Analysis in Empirical Software Engineering
University of Oulu(奥卢大学);Federal University of Rio de Janeiro(里约热内卢联邦大学);University of Milano-Bicocca(米兰比可卡大学)
本研究通过调查约27,000项实证研究并举办专家研讨会,发现统计方法错误普遍且专家检测能力有限,呼吁对实证软件工程的数据分析进行批判性反思与改革。
2025-01-22 cs.AI cs.DL cs.SE
Rethinking Certification for Higher Trust and Ethical Safeguarding of Autonomous Systems
随着软件的复杂性日益增加,渗透到自动驾驶等关键领域,这些系统的工程设计需要重新思考。预计自动驾驶将继续逐步取代所有关键驾驶功能,这增加了自动驾驶系统认证的复杂性。作为回应,认证机构已经开始引入自动驾驶汽车及其软件的认证策略。但是,即使有了这些新方法,认证程序也不能完全跟上未来自治系统的动态性和不可预测性,因此可能不一定能保证遵守对这些系统的所有要求。在本文中,我们确定了一些问题,提出的认证策略,这可能会影响系统的实质性。例如,我们强调,对不断变化的系统中发生的软件变化缺乏充分的反映,或者对管理协调行动所需的系统合作支持不足。其他的缺点涉及到授予认证的狭隘焦点,忽略了诸如自治软件系统的道德行为等方面。本文的贡献有三个方面。首先,我们讨论了需要修改自动驾驶系统当前认证流程的动机。其次,我们分析了当前的国际标准中使用的认证过程中的要求,来自动态的软件生态系统和自治系统本身的要求。第三,我们概述了一个概念,将缺失的部分纳入认证程序。
2023-03-16 cs.CY cs.SE
Environment-in-the-Loop: Rethinking Code Migration with LLM-based Agents
University College London(伦敦大学学院);Nanjing University(南京大学);Brunel University(布鲁内尔大学);Delysium
本文提出了一种整合自动环境设置与代码迁移流程的框架,强调自动环境交互对代码迁移自动化的重要性。
2026-02-10 cs.SE
ECLAIR: A Causally-Grounded AI Framework for Scientific Discovery in Empirical Software Engineering
William & Mary(威廉与玛丽学院);Microsoft(微软)
该研究提出因果基础AI框架ECLAIR,将LLMs整合到软件工程科学过程各阶段,通过案例研究揭示提示设计对LLMs代码生成准确率的影响,为AI辅助软件工程实证研究提供方法论基础。
2026-08-06 cs.SE
Rethinking Software Engineering in the Foundation Model Era: A Curated Catalogue of Challenges in the Development of Trustworthy FMware
Huawei Canada(华为加拿大);Queen’s University(女王大学);York University(约克大学)
本文梳理企业级可信 FMware 开发中的 10 个 SE4FMware 关键挑战,并提出覆盖全生命周期的 FMArts 平台,结合大型客户复杂系统实践验证其工程价值。
2024-03-04 cs.AI cs.SE
Testing Causality in Scientific Modelling Software
本文提出因果测试框架,利用因果推断技术从现有混杂数据中推断因果效应,支持后验的蜕变测试,有效解决了科学建模软件因复杂输入、漫长执行和非确定性而难以测试的问题。
2023-06-30 cs.SE
Rethinking the Value of Agent-Generated Tests for LLM-Based Software Engineering Agents
Singapore Management University(新加坡管理大学);Shanghai Jiao Tong University(上海交通大学)
研究探讨了LLM软件工程代理生成测试的有效性,发现测试主要作为反馈渠道,而非提升问题解决效果。
2026-11-10 cs.AI cs.SE
Continuous Integration and Software Quality: A Causal Explanatory Study
本文运用因果有向无环图并结合文献综述与软件仓库挖掘,分析70个开源项目,揭示了持续集成对软件质量的直接和间接因果效应及项目年龄的混杂作用。
2023-09-18 cs.SE
Rethinking Performance Analysis for Configurable Software Systems: A Case Study from a Fitness Landscape Perspective
University of Electronic Science and Technology of China(电子科技大学);University of Exeter(埃克塞特大学)
本文提出将可配置软件系统的配置空间建模为适应度景观,并设计开源图数据挖掘框架FLA,基于8600万配置的分析揭示了景观地形特征及其对配置调优和性能建模的启示。
2025-01-02 cs.DC cs.LG cs.PF
Shaky Structures: The Wobbly World of Causal Graphs in Software Analytics
该研究揭示软件工程中因果图生成结果高度不稳定的问题,通过多生成器、多数据集、多维度对比验证其变异性,提出相关结论需经多图一致性检验的建议。
2025-05-18 cs.SE
Towards Causal Analysis of Empirical Software Engineering Data: The Impact of Programming Languages on Coding Competitions
本文提出基于结构因果模型分析软件工程观测数据的方法,并以 Google Code Jam 数据评估编程语言对竞赛成绩的因果影响,证明因果分析比纯预测建模更稳健。
2023-09-01 cs.SE
Applications of statistical causal inference in software engineering
Fraunhofer Institute for Experimental Software Engineering(弗劳恩霍夫实验软件工程研究所)
本文回顾了软件工程中应用统计因果推理方法的现有工作。这些方法旨在从观测数据中估计因果效应。该综述涵盖了2010年至2022年期间发表的32篇论文。我们的研究结果表明,统计因果推理方法的应用是相对较新的,相应的研究社区仍然相对分散。
2023-03-23 cs.AI cs.SE
Can Causality Cure Confusion Caused By Correlation (in Software Analytics)?
North Carolina State University(北卡罗来纳州立大学)
本研究探讨在符号模型中引入因果意识分割标准是否能提升稳定性与鲁棒性,并比较人类与自动化模型的稳定性差异。
2026-02-17 cs.SE
Encouraging Students' Responsible Use of GenAI in Software Engineering Education: A Causal Model and Two Institutional Applications
Queen’s University Belfast(贝尔法斯特女王大学);Azerbaijan Technical University(阿塞拜疆理工大学);Karabakh University(卡拉巴赫大学)
本文提出一个因果模型,帮助教育工作者在软件工程教育中引导学生负责任地使用GenAI,并在两所大学进行了应用,通过多种干预措施促进负责任的AI使用。
2025-10-18 cs.SE
On the Use of Causal Graphical Models for Designing Experiments in the Automotive Domain
随机现场实验是评估软件变更对客户影响的黄金标准。在在线领域,随机化一直是确保交换的主要工具。然而,由于部署条件的不同以及对周围环境的高度依赖性,汽车软件的设计实验需要考虑更多的限制变量,以确保条件互换性。在本文中,我们将展示沃尔沃汽车如何利用因果图模型来设计实验,并明确传达实验的假设。这些图形模型被用来进一步评估实验的有效性,计算直接和间接的因果效应,并对因果结论的可移植性进行推理。
2022-04-25 cs.SE
Rethinking Autonomy: Preventing Failures in AI-Driven Software Engineering
Department of CSE Chandigarh University Mohali, India(计算机科学与工程系 奇纳格里大学 莫哈利,印度);Department of CST Tsinghua University Beijing, China(计算机科学与技术系 清华大学 北京,中国)
本文针对LLM辅助代码生成中的安全与治理风险,提出SAFE-AI框架,通过防护栏、沙箱化、人在回路和可解释AI等技术,结合AI行为分类法,为负责任的AI软件工程集成提供路线图。
2025-08-15 cs.AI cs.CR cs.PF
RAD-AI: Rethinking Architecture Documentation for AI-Augmented Ecosystems
本文提出RAD-AI框架,通过扩展arc42和C4模型,解决传统架构文档无法捕捉AI概率行为和数据依赖演化的问题,提升欧盟AI法案合规性。
2026-03-30 cs.AI cs.SE
Causal Models in Requirement Specifications for Machine Learning: A vision
针对机器学习软件系统数据需求指定难的问题,本文提出将因果建模作为需求工程活动,通过工作流从先验知识引出低层需求,并在工业故障检测系统上验证,展望未来研究方向。
2025-04-23 cs.SE
Rethinking Code Review Workflows with LLM Assistance: An Empirical Study
本研究通过现场研究与实验,探讨LLM辅助代码审查工具在真实开发环境中的效果,发现AI主导审查更受青睐,但受代码熟悉度和拉取请求严重性影响。
2025-05-22 cs.SE
Towards a Science of Causal Interpretability in Deep Learning for Software Engineering
本论文提出DoCode方法,利用因果推断为神经代码模型提供可解释性,通过结构因果模型和平均处理效应等步骤,减少虚假相关性,增强软件工程中AI的信任度。
2025-05-21 cs.AI cs.SE
An Exploratory Study of Bug-Introducing Changes: Exploring Relationships in Bug-Introducing Changes Towards Causal Understanding
University of Passau(帕绍大学);Universidad de Los Andes(洛斯安第斯大学)
本研究通过探索软件开发实践中与缺陷引入更改的关系,为理解因果机制提供了基础框架。
2026-02-04 cs.SE
Causal Reasoning in Software Quality Assurance: A Systematic Review
Università degli Studi di Napoli Federico II(那不勒斯费德里科二世大学);DIETI
本文系统综述86篇文献,梳理因果推理在软件质量保障中的应用领域、方法、工具与成熟度,指出故障定位为主、V&V及维护阶段价值显著。
2024-10-10 cs.AI cs.SE
Causal Software Engineering: A Vision and Roadmap
University of Naples Federico II(那不勒斯费德里科二世大学);University of Sheffield(谢菲尔德大学)
研究软件工程在不确定性下决策的关键问题,提出因果软件工程范式,通过因果模型和推理为软件生命周期活动提供信息,还给出工作流程视图、路线图及评估议程。
2026-05-04 cs.AI cs.SE
Future Vision of Dynamic Certification Schemes for Autonomous Systems
本文针对自主系统现有认证难以适应动态演进、协作与伦理要求的问题,分析国际标准不足,提出六项认证重构建议,并引入三层 Multi-Layer Trust Governance Framework。
2023-08-20 cs.SE
Agentic Pipelines in Embedded Software Engineering: Emerging Practices and Challenges
Chalmers University of Technology(查尔姆斯理工大学);University of Gothenburg(哥德堡大学)
本文探讨嵌入式软件工程中生成式AI的整合挑战与实践,通过专家访谈揭示代理流水线的发展与可持续采用策略。
2026-01-15 cs.SE
Bayesian propensity score matching in automotive embedded software engineering
随机现场实验,如A/B测试,一直是评估新软件为客户带来价值的黄金标准。然而,在汽车嵌入式软件的开发中,运行随机现场实验并不总是理想的,可能的,甚至是道德的。在面对这样的限制,我们建议使用贝叶斯倾向得分匹配技术的因果推理的观察性研究在汽车领域。在本文中,我们提出了一种基于贝叶斯倾向得分匹配框架的方法,应用于汽车软件工程的独特设置。该方法用于根据观察性在线评价生成平衡的对照组和治疗组,并估计软件变更的因果治疗效应,即使治疗组中的样本有限。我们在汽车领域中使用概念验证来验证该方法。在本例中,我们有一个较大的控制($N_c=1100$)车队,使用当前软件,还有一个小的治疗车队($N_t=38$),其中我们引入了一个新的软件变体。我们演示了一个场景,即限制向所有用户运送新软件,因此无法进行完全随机化的实验。因此,我们使用贝叶斯倾向评分匹配方法,以14个观察到的协变量作为输入。结果显示更平衡的组,适合根据收集的观察数据估计因果治疗效应。我们将详细描述该方法并分享我们的配置。此外,我们讨论了如何可以使用这样的方法,利用小样本组的新软件的在线评估。
2021-09-26 cs.SE
Tutorial Debriefing: Applied Statistical Causal Inference in Requirements Engineering
本研究指出软件工程贡献的价值依赖因果关系证据,随机对照试验常不可行,需从观察数据中进行统计因果推断(SCI)的可靠流程以促进研究知识向实践转化。
2025-11-19 cs.SE
Diagrammatic Modelling of Causality and Causal Relations
本文提出用事物机(TM)概念语言对因果图建模,通过转换与对比,证明TM对因果性的描绘更完整,可为因果图提供基础,助力需求工程中的因果关系研究。
2023-10-17 cs.SE
On the Robustness of Fairness Practices: A Causal Framework for Systematic Evaluation
University of Illinois Chicago(伊利诺伊大学芝加哥分校);Penn State(宾夕法尼亚州立大学);University of Colorado Boulder(科罗拉多大学博尔德分校)
本文提出一种因果框架,用于系统评估公平实践的鲁棒性,探讨其在数据不完美情况下的有效性。
2026-01-07 cs.SE
Dataflow graphs as complete causal graphs
University of Cambridge(剑桥大学);Max Planck Institute for Intelligent Systems(马克斯·普朗克智能系统研究所)
基于一致性的开发是现代软件工程实践背后的核心原则之一。理解软件系统组件之间的因果关系可以给开发人员带来很大的好处。然而,现代软件设计方法使得在系统规模上跟踪和发现这种关系变得困难,这导致了越来越多的智力债务。在本文中,我们考虑了一种替代方法,软件设计,基于流的编程(FBP),并提请社会的注意,由FBP和结构的因果模型产生的图之间的连接。通过简单的例子,我们展示了如何利用这种连接来改善软件项目中的日常任务,包括故障定位,业务分析和实验。
2023-03-16 cs.AI cs.LG cs.SE
Reasoning Beyond Prediction: From Data-Driven to Causal Software Engineering
University of Naples Federico II(那不勒斯费德里科二世大学)
本文提出因果软件工程新范式,通过因果推理增强工程师的决策能力,超越传统数据驱动方法,以应对日益复杂的软件系统开发挑战。
2026-06-29 cs.AI cs.SE
Think Like an Engineer: A Neuro-Symbolic Collaboration Agent for Generative Software Requirements Elicitation and Self-Review
本文提出 RequireCEG 智能体,通过神经-符号协作架构结合因果效应图,分层分析用户叙述、构建自修复 CEGs 并优化 Gherkin 场景,在 RGPair 数据集上实现 87% 覆盖率和 51.88% 多样性提升。
2025-07-20 cs.SE
Causal Inference for the Effect of Code Coverage on Bug Introduction
University of Passau(帕绍大学)
本文通过因果推断方法研究代码覆盖率对缺陷引入的影响,分析其剂量-反应关系及非线性模式。
2026-02-03 cs.SE
Rethinking Testing for LLM Applications: Characteristics, Challenges, and a Lightweight Interaction Protocol
Singapore Management University Singapore;Capital Normal University Beijing China;Tianjin University Tianjin China;Wuhan University China;CSIRO's Data61 \& Australian National University Australia;Nanyang Technological University Singapore;Singapore Management University;Capital Normal University;Tianjin University;Wuhan University;CSIRO's Data61 \& Australian National University;Nanyang Technological University
本文针对 LLM 应用的非确定性与多层架构,分析传统测试与 AI 安全分析的脱节及六大挑战,提出四类协作策略、闭环质量保障框架和轻量级 AICL 智能体交互协议。
2025-08-28 cs.AI cs.SE
SDVDiag: Multimodal Causal Discovery for Online Diagnosis in Software-defined Vehicles
University of Erlangen-Nuremberg(埃尔兰根-纽伦堡大学);Fraunhofer Institute for Software and Virtual Systems(弗劳恩霍夫软件与虚拟系统研究所)
提出SDVDiag多模态因果发现管道,融合日志和指标表示构建因果图,结合异常触发实现持续在线诊断,在自动泊车测试中因果图更稀疏,根因定位准确。
2026-06-16 cs.DC cs.LG cs.SE
A Conceptual Framework for Requirements Engineering of Pretrained-Model-Enabled Systems
本文针对预训练模型使能系统在能力边界、上下文行为和持续演化方面的特性对传统需求工程假设的挑战,提出一个专门的概念框架并指出未来研究方向。
2025-07-17 cs.SE
FITNESS: A Causal De-correlation Approach for Mitigating Bias in Machine Learning Software
Southern University of Science and Technology(南方科技大学);National University of Defense Technology(国防科技大学);Huawei(华为)
本文提出FITNESS方法,通过去相关敏感特征与标签间的因果效应并利用多目标优化,在8个基准任务上相比7种先进方法显著缓解机器学习软件偏差,同时更好地保持模型性能。
2023-05-23 cs.CY cs.LG cs.SE