論文の概要: Triage in Software Engineering: A Systematic Review of Research and Practice

• arxiv url: http://arxiv.org/abs/2511.08607v1
• Date: Thu, 13 Nov 2025 01:00:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-13 22:34:54.137393
• Title: Triage in Software Engineering: A Systematic Review of Research and Practice
• Title（参考訳）: ソフトウェアエンジニアリングにおけるトリアージ: 研究と実践の体系的レビュー
• Authors: Yongxin Zhao, Shenglin Zhang, Yujia Wu, Yuxin Sun, Yongqian Sun, Dan Pei, Chetan Bansal, Minghua Ma,
• Abstract要約: Triageは、複雑な環境の信頼性を確保するために、問題を効率的に優先順位付け、割り当て、評価することを目的としている。 ソフトウェアシステムによって生成される膨大な量の異種データが、効果的なトリアージを必須としてきた。 この調査は2004年から現在までの234の論文の総合的なレビューを提供し、基本的な概念、システムアーキテクチャ、問題ステートメントの詳細な調査を提供する。
• 参考スコア（独自算出の注目度）: 18.03124877437556
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: As modern software systems continue to grow in complexity, triage has become a fundamental process in system operations and maintenance. Triage aims to efficiently prioritize, assign, and assess issues to ensure the reliability of complex environments. The vast amount of heterogeneous data generated by software systems has made effective triage indispensable for maintaining reliability, facilitating maintainability, and enabling rapid issue response. Motivated by these challenges, researchers have devoted extensive effort to advancing triage automation and have achieved significant progress over the past two decades. This survey provides a comprehensive review of 234 papers from 2004 to the present, offering an in-depth examination of the fundamental concepts, system architecture, and problem statement. By comparing the distinct goals of academic and industrial research and by analyzing empirical studies of industrial practices, we identify the major obstacles that limit the practical deployment of triage systems. To assist practitioners in method selection and performance evaluation, we summarize widely adopted open-source datasets and evaluation metrics, providing a unified perspective on the measurement of triage effectiveness. Finally, we outline potential future directions and emerging opportunities to foster a closer integration between academic innovation and industrial application. All reviewed papers and projects are available at https://github.com/AIOps-Lab-NKU/TriageSurvey.
• Abstract（参考訳）: 現代のソフトウェアシステムは複雑さが増し続けており、システム運用とメンテナンスにおいてトリアージは基本的なプロセスになっている。 Triageは、複雑な環境の信頼性を確保するために、問題を効率的に優先順位付け、割り当て、評価することを目的としている。 ソフトウェアシステムによって生成される膨大なヘテロジニアスなデータは、信頼性の維持、保守性の向上、迅速な問題対応の実現に不可欠である。 これらの課題に触発されて、研究者はトリアージ自動化の推進に多大な努力を払っており、過去20年間で大きな進歩を遂げてきた。 この調査は2004年から現在までの234の論文の総合的なレビューを提供し、基本的な概念、システムアーキテクチャ、問題ステートメントの詳細な調査を提供する。 学術・工業研究の異なる目標を比較し、産業実践の実証的研究を分析することにより、三元システムの実用的展開を制限する主要な障害を特定する。 方法論の選択と性能評価の実践者を支援するため,広く採用されているオープンソースデータセットと評価指標を要約し,トリアージの有効性の測定について統一的な視点を提供する。 最後に、学術的イノベーションと産業応用の密接な統合を促進するための今後の方向性と新たな機会を概説する。 レビューされたすべての論文とプロジェクトはhttps://github.com/AIOps-Lab-NKU/TriageSurvey.comで公開されている。

関連論文リスト

• A Comprehensive Empirical Evaluation of Agent Frameworks on Code-centric Software Engineering Tasks [14.762911285395047]
  代表的な3つのコード中心タスクにまたがる7つの汎用エージェントフレームワークを評価する。 この結果から,評価フレームワーク間の機能パターンとトレードオフが明らかとなった。 オーバヘッドに関しては、ソフトウェア開発が最も金銭コストが高いのに対して、GPTswarmは依然として最もコスト効率が高い。
  論文  参考訳（メタデータ） (2025-11-02T09:46:59Z)
• A Comprehensive Survey on Benchmarks and Solutions in Software Engineering of LLM-Empowered Agentic System [56.40989626804489]
  この調査は、Large Language Modelsを使ったソフトウェアエンジニアリングに関する、最初の総合的な分析を提供する。 本稿では,150以上の最近の論文をレビューし,(1)素早い,微調整,エージェントベースのパラダイムに分類した解法,(2)コード生成,翻訳,修復などのタスクを含むベンチマークという2つの重要な側面に沿った分類法を提案する。
  論文  参考訳（メタデータ） (2025-10-10T06:56:50Z)
• Retrieval-Augmented Generation in Industry: An Interview Study on Use Cases, Requirements, Challenges, and Evaluation [0.0]
  Retrieval-Augmented Generation (RAG)は、AIにおける急速に進化する分野である。 工業的文脈におけるその実践的応用に関する研究の欠如がある。 本研究では,企業におけるRAGの適用状況について検討した。
  論文  参考訳（メタデータ） (2025-08-11T09:40:54Z)
• ResearcherBench: Evaluating Deep AI Research Systems on the Frontiers of Scientific Inquiry [22.615102398311432]
  我々は、ディープAI研究システムの能力を評価することに焦点を当てた最初のベンチマークであるResearcherBenchを紹介する。 現実の科学的シナリオから専門的に選択された65の質問のデータセットを収集した。 OpenAI Deep ResearchとGemini Deep Researchは、他のシステムよりも格段に優れており、オープンエンドのコンサルティングの質問では特に強みがある。
  論文  参考訳（メタデータ） (2025-07-22T06:51:26Z)
• Imitate, Explore, and Self-Improve: A Reproduction Report on Slow-thinking Reasoning Systems [92.89673285398521]
  o1のような推論システムは、複雑な推論タスクを解く際、顕著な能力を示した。 推論モデルをトレーニングするために、模倣、探索、自己改善のフレームワークを導入します。 提案手法は,産業レベルの推論システムと比較して競争性能が向上する。
  論文  参考訳（メタデータ） (2024-12-12T16:20:36Z)
• A Systematic Literature Review on Explainability for Machine/Deep Learning-based Software Engineering Research [23.273934717819795]
  本稿では,ソフトウェア工学の文脈におけるAIモデルの説明可能性の向上を目的とした,体系的な文献レビューを行う。 我々は,XAI技術がこれまで成功してきたSEタスク,(2)異なるXAI手法の分類と分析,(3)既存の評価手法を考察することを目的としている。
  論文  参考訳（メタデータ） (2024-01-26T03:20:40Z)
• Scaling up Search Engine Audits: Practical Insights for Algorithm Auditing [68.8204255655161]
  異なる地域に数百の仮想エージェントを配置した8つの検索エンジンの実験を行った。 複数のデータ収集にまたがる研究インフラの性能を実証する。 仮想エージェントは,アルゴリズムの性能を長時間にわたって監視するための,有望な場所である,と結論付けている。
  論文  参考訳（メタデータ） (2021-06-10T15:49:58Z)

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。