論文の概要: How (Not) To Write a Software Engineering Abstract

• arxiv url: http://arxiv.org/abs/2506.21634v1
• Date: Wed, 25 Jun 2025 11:42:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-30 21:12:22.945227
• Title: How (Not) To Write a Software Engineering Abstract
• Title（参考訳）: ソフトウェアエンジニアリングの抽象化を書くにはどうすればいいのか(Not)
• Authors: Lutz Prechelt, Lloyd Montgomery, Julian Frattini, Franz Zieris,
• Abstract要約: 高品質なソフトウェアエンジニアリング会場における抽象化の構造を特徴付ける。 定量的な内容分析を用いて、362個の抽象標本の抽象構造を客観的に特徴付ける。 抽象文の4%のみが正しい、すなわち、優れた可読性(フレッシュ・キンケイドスコア)を持ち、情報的ギャップ、理解可能性ギャップ、あるいは非常に曖昧な文を持たない。
• 参考スコア（独自算出の注目度）: 5.111174360294747
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Background: Abstracts are a particularly valuable element in a software engineering research article. However, not all abstracts are as informative as they could be. Objective: Characterize the structure of abstracts in high-quality software engineering venues. Observe and quantify deficiencies. Suggest guidelines for writing informative abstracts. Methods: Use qualitative open coding to derive concepts that explain relevant properties of abstracts. Identify the archetypical structure of abstracts. Use quantitative content analysis to objectively characterize abstract structure of a sample of 362 abstracts from five presumably high-quality venues. Use exploratory data analysis to find recurring issues in abstracts. Compare the archetypical structure to actual structures. Infer guidelines for producing informative abstracts. Results: Only 29% of the sampled abstracts are complete, i.e., provide background, objective, method, result, and conclusion information. For structured abstracts, the ratio is twice as big. Only 4% of the abstracts are proper, i.e., they also have good readability (Flesch-Kincaid score) and have no informativeness gaps, understandability gaps, nor highly ambiguous sentences. Conclusions: (1) Even in top venues, a large majority of abstracts are far from ideal. (2) Structured abstracts tend to be better than unstructured ones. (3) Artifact-centric works need a different structured format. (4) The community should start requiring conclusions that generalize, which currently are often missing in abstracts.
• Abstract（参考訳）: 背景: 抽象化は、ソフトウェア工学の研究論文において特に価値のある要素です。 しかし、すべての抽象概念は、できる限り情報に富むものではない。 目的: 高品質なソフトウェアエンジニアリング会場における抽象化の構造を特徴付ける。 欠陥を観察し、定量化する。 情報的要約を書くための推奨ガイドライン。 メソッド: 定性的なオープンコーディングを使用して、抽象の関連する性質を説明する概念を導出する。 抽象の古型構造を同定する。 量的内容分析を用いて、5つの高品質な会場から抽出された362個の抽象構造の抽象構造を客観的に特徴づける。 探索データ分析を使用して、抽象論の繰り返しの問題を見つける。 典型的構造と実際の構造を比較する。 情報的要約を作成するためのガイドラインを提示する。 結果: サンプル要約の29%は完全であり、背景、目的、方法、結果、結論情報を提供する。 構造化抽象論では、その比率は2倍である。 抽象文の4%のみが正しい、すなわち、優れた可読性(フレッシュ・キンケイドスコア)を持ち、情報的ギャップ、理解可能性ギャップ、あるいは非常に曖昧な文を持たない。 結論:(1)最上位の会場でも、多くの抽象概念は理想とは程遠い。 2) 構造的抽象は非構造的抽象よりもよい傾向にある。 (3) アーティファクト中心の作品は、異なる構造化フォーマットを必要とする。 (4) コミュニティは、現在抽象的に欠落することが多い一般化の結論を求め始めるべきである。

関連論文リスト

• Neural Causal Abstractions [63.21695740637627]
  我々は、変数とそのドメインをクラスタリングすることで、因果抽象化の新しいファミリーを開発する。 本稿では,ニューラルネットワークモデルを用いて,そのような抽象化が現実的に学習可能であることを示す。 本実験は、画像データを含む高次元設定に因果推論をスケールする方法を記述し、その理論を支持する。
  論文  参考訳（メタデータ） (2024-01-05T02:00:27Z)
• AbsPyramid: Benchmarking the Abstraction Ability of Language Models with a Unified Entailment Graph [62.685920585838616]
  抽象能力は人間の知性において必須であり、言語モデルでは未探索のままである。 本稿では、抽象知識の221Kテキスト記述を統一したエンテーメントグラフであるAbsPyramidを提案する。
  論文  参考訳（メタデータ） (2023-11-15T18:11:23Z)
• GoSum: Extractive Summarization of Long Documents by Reinforcement Learning and Graph Organized discourse state [6.4805900740861]
  長文要約のための強化学習に基づく抽出モデルであるGoSumを提案する。 GoSumは入力文書ごとに異なる談話レベルから異質なグラフを構築することで状態をエンコードする。 論文要約の2つのデータセット,PubMed と arXiv のモデルを評価する。
  論文  参考訳（メタデータ） (2022-11-18T14:07:29Z)
• Salience Allocation as Guidance for Abstractive Summarization [61.31826412150143]
  本稿では, サリエンセ・サリエンス・ガイダンス(SEASON, SaliencE Allocation as Guidance for Abstractive SummarizatiON)を用いた新しい要約手法を提案する。 SEASONは、サリエンス予測の割り当てを利用して抽象的な要約を導き、異なる抽象性のある記事に順応する。
  論文  参考訳（メタデータ） (2022-10-22T02:13:44Z)
• Towards Computing an Optimal Abstraction for Structural Causal Models [16.17846886492361]
  我々は抽象学習の問題に焦点をあてる。 我々は,情報損失の具体的な尺度を提案し,その新しい抽象化の学習への貢献について説明する。
  論文  参考訳（メタデータ） (2022-08-01T14:35:57Z)
• Segmenting Scientific Abstracts into Discourse Categories: A Deep Learning-Based Approach for Sparse Labeled Data [8.635930195821265]
  我々は、PubMedから構造化された抽象概念に基づいて深層ニューラルネットワークをトレーニングし、それを手書きのコンピュータサイエンス論文の小さなコーパスで微調整する。 本手法は,データが疎結合である抽象文の自動セグメンテーションにおいて,有望な解であると考えられる。
  論文  参考訳（メタデータ） (2020-05-11T20:21:25Z)
• StructSum: Summarization via Structured Representations [27.890477913486787]
  抽象テキスト要約は、長い資料の情報を要約した要約に圧縮することを目的としている。 モデリング技術の進歩にもかかわらず、抽象的な要約モデルは依然としていくつかの重要な課題に悩まされている。 本稿では,これらの課題に対処するための要約のための文書レベルの構造誘導に基づくフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-03-01T20:32:51Z)

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。