論文の概要: Perspective of Software Engineering Researchers on Machine Learning Practices Regarding Research, Review, and Education

• arxiv url: http://arxiv.org/abs/2411.19304v1
• Date: Thu, 28 Nov 2024 18:21:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-02 15:22:41.678190
• Title: Perspective of Software Engineering Researchers on Machine Learning Practices Regarding Research, Review, and Education
• Title（参考訳）: 研究, レビュー, 教育に関する機械学習実践に関するソフトウェア工学研究者の展望
• Authors: Anamaria Mojica-Hanke, David Nader Palacio, Denys Poshyvanyk, Mario Linares-Vásquez, Steffen Herbold,
• Abstract要約: 本研究は、機械学習(ML)とソフトウェア工学(SE)の相乗効果に関する知識への貢献を目的とする。 ML に精通した SE 研究者,あるいは ML を用いた SE 記事の執筆者,および記事自体を分析した。 データ収集、モデルトレーニング、評価に重点を置くさまざまなプラクティスを見つけました。
• 参考スコア（独自算出の注目度）: 12.716955305620191
• License:
• Abstract: Context: Machine Learning (ML) significantly impacts Software Engineering (SE), but studies mainly focus on practitioners, neglecting researchers. This overlooks practices and challenges in teaching, researching, or reviewing ML applications in SE. Objective: This study aims to contribute to the knowledge, about the synergy between ML and SE from the perspective of SE researchers, by providing insights into the practices followed when researching, teaching, and reviewing SE studies that apply ML. Method: We analyzed SE researchers familiar with ML or who authored SE articles using ML, along with the articles themselves. We examined practices, SE tasks addressed with ML, challenges faced, and reviewers' and educators' perspectives using grounded theory coding and qualitative analysis. Results: We found diverse practices focusing on data collection, model training, and evaluation. Some recommended practices (e.g., hyperparameter tuning) appeared in less than 20\% of literature. Common challenges involve data handling, model evaluation (incl. non-functional properties), and involving human expertise in evaluation. Hands-on activities are common in education, though traditional methods persist. Conclusion: Despite accepted practices in applying ML to SE, significant gaps remain. By enhancing guidelines, adopting diverse teaching methods, and emphasizing underrepresented practices, the SE community can bridge these gaps and advance the field.
• Abstract（参考訳）: コンテキスト: 機械学習(ML)はソフトウェア工学(SE)に大きな影響を与えるが、研究は主に実践者に焦点を当て、研究者を無視している。 これは、SEにおけるMLアプリケーションの教育、研究、レビューにおけるプラクティスや課題を見落としている。 目的: 本研究は,SE研究者の視点から, ML と SE の相乗効果に関する知識に寄与することを目的として, ML を適用した SE 研究の研究, 教育, レビューを行う際の実践に関する洞察を提供することによって, ML と SE の相乗効果について考察する。 方法: MLに精通したSE研究者, MLを用いたSE記事の執筆者, 記事自体を分析した。 我々は,基礎理論のコーディングと定性解析を用いて,実践,MLで対処するSEタスク,直面する課題,レビュアーの視点と教育者の視点を検討した。 結果: データ収集、モデルトレーニング、評価に重点を置くさまざまなプラクティスを見つけました。 いくつかの推奨プラクティス(例:ハイパーパラメータチューニング)は、20 %未満の文献に現れました。 一般的な課題は、データハンドリング、モデル評価(非機能特性を含む)、評価における人間の専門知識の関与である。 ハンズオン活動は教育では一般的であるが、伝統的な手法は継続している。 結論: MLをSEに適用する慣行が受け入れられているにもかかわらず、大きなギャップは残る。 ガイドラインの強化、多様な教育方法の採用、過度に表現されていないプラクティスの強調により、SEコミュニティはこれらのギャップを埋め、分野を前進させることができる。

関連論文リスト

• MME-Survey: A Comprehensive Survey on Evaluation of Multimodal LLMs [97.94579295913606]
  MLLM(Multimodal Large Language Models)は、産業と学術の両方から注目を集めている。 開発プロセスでは、モデルの改善に関する直感的なフィードバックとガイダンスを提供するため、評価が重要である。 この研究は、研究者に異なるニーズに応じてMLLMを効果的に評価する方法を簡単に把握し、より良い評価方法を促すことを目的としている。
  論文  参考訳（メタデータ） (2024-11-22T18:59:54Z)
• Surveying the MLLM Landscape: A Meta-Review of Current Surveys [17.372501468675303]
  MLLM(Multimodal Large Language Models)は、人工知能分野における変革の原動力となっている。 本研究の目的は,MLLMのベンチマークテストと評価方法の体系的レビューを提供することである。
  論文  参考訳（メタデータ） (2024-09-17T14:35:38Z)
• Evaluating and Optimizing Educational Content with Large Language Model Judgments [52.33701672559594]
  言語モデル(LM)を教育専門家として活用し,学習結果に対する様々な指導の影響を評価する。 本稿では,一方のLMが他方のLMの判断を報酬関数として利用して命令材料を生成する命令最適化手法を提案する。 ヒトの教師によるこれらのLM生成ワークシートの評価は、LM判定と人間の教師の嗜好との間に有意な整合性を示す。
  論文  参考訳（メタデータ） (2024-03-05T09:09:15Z)
• C-ICL: Contrastive In-context Learning for Information Extraction [54.39470114243744]
  c-ICLは、正しいサンプル構築と間違ったサンプル構築の両方を活用して、コンテキスト内学習のデモを作成する、新しい数ショット技術である。 各種データセットに対する実験により,c-ICLは従来の数発のインコンテキスト学習法よりも優れていたことが示唆された。
  論文  参考訳（メタデータ） (2024-02-17T11:28:08Z)
• Aligning Large Language Models with Human: A Survey [53.6014921995006]
  広範囲なテキストコーパスで訓練されたLarge Language Models (LLM) は、幅広い自然言語処理(NLP)タスクの先導的なソリューションとして登場した。 その顕著な性能にもかかわらず、これらのモデルは、人間の指示を誤解したり、偏見のあるコンテンツを生成したり、事実的に誤った情報を生成するといった、ある種の制限を受ける傾向にある。 本調査では,これらのアライメント技術の概要について概観する。
  論文  参考訳（メタデータ） (2023-07-24T17:44:58Z)
• A Survey on Evaluation of Large Language Models [87.60417393701331]
  大規模言語モデル(LLM)は、学術と産業の両方で人気が高まっている。 本稿では,評価方法,評価方法,評価方法の3つの重要な側面に焦点をあてる。
  論文  参考訳（メタデータ） (2023-07-06T16:28:35Z)
• Towards machine learning guided by best practices [0.0]
  機械学習(ML)は、医学からソフトウェア工学(SE)まで、複数の応用分野を持つソフトウェアシステムで使われている。 この論文は、SEコミュニティの実践者や研究者が使用し議論するプラクティスを理解するのに役立つ研究の質問に答えることを目的としている。
  論文  参考訳（メタデータ） (2023-04-29T10:58:37Z)
• What are the Machine Learning best practices reported by practitioners on Stack Exchange? [4.882319198853359]
  127の機械学習ベストプラクティスを14のStack Exchange(STE)ウェブサイトから242のポストを体系的にマイニングする。 プラクティスのリストは、ML対応システムの実装プロセスの異なる段階に関連するカテゴリのセットで示されます。
  論文  参考訳（メタデータ） (2023-01-25T10:50:28Z)
• Machine Learning for Software Engineering: A Tertiary Study [13.832268599253412]
  機械学習(ML)技術は、ソフトウェアエンジニアリング(SE)ライフサイクルアクティビティの有効性を高める。 2009～2022年に発行されたML for SEで, 体系的, 品質評価, 要約, 分類を行い, 初等研究6,117件について検討した。 MLに最も取り組まれているSE領域は、ソフトウェアの品質とテストである。
  論文  参考訳（メタデータ） (2022-11-17T09:19:53Z)
• Lost in Translation: Reimagining the Machine Learning Life Cycle in Education [12.802237736747077]
  機械学習(ML)技術は、教育においてますます普及している。 ML技術が長年の教育原則と目標をどのように支えているかを調べる必要がある。 本研究では,教育専門家へのインタビューから得られた質的な洞察をもとに,この複雑な景観を考察した。
  論文  参考訳（メタデータ） (2022-09-08T17:14:01Z)
• Panoramic Learning with A Standardized Machine Learning Formalism [116.34627789412102]
  本稿では,多様なMLアルゴリズムの統一的な理解を提供する学習目的の標準化された方程式を提案する。 また、新しいMLソリューションのメカニック設計のガイダンスも提供し、すべての経験を持つパノラマ学習に向けた有望な手段として機能する。
  論文  参考訳（メタデータ） (2021-08-17T17:44:38Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。