論文の概要: Learning from Past Mistakes: AI-Assisted Analytics of Software Defects and Their Fixes for Future Defect Prevention - An Industrial Case Study

• arxiv url: http://arxiv.org/abs/2610.26889v1
• Date: Wed, 14 Oct 2026 18:58:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-21 21:58:47.376508
• Title: Learning from Past Mistakes: AI-Assisted Analytics of Software Defects and Their Fixes for Future Defect Prevention - An Industrial Case Study
• Title（参考訳）: 過去の誤りから学ぶ:AIによるソフトウェア欠陥の分析と将来の欠陥防止のための修正 - 産業ケーススタディ
• Abstract要約: 本稿では,人間の監視下でのAI支援により,過去の欠陥と欠陥修正データを分析する方法を検討する。 我々は、障害タイプとヒューマンエラーの起点によって欠陥を分類するAI支援型ヒューマン・イン・ザ・ループ分析手法を開発した。 産業ケーススタディを通じて、大規模なソフトウェア企業にデプロイされ、評価されました。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Context. Despite advances in software testing and quality assurance, defects continue to recur in industrial software systems. Defect data are routinely collected in issue-tracking systems, but their use is largely confined to detection, reporting, and short-term resolution, leaving the knowledge embedded in historical defects and their fixes under-exploited for prevention and long-term improvement. Objective. This paper investigates how historical defect and defect-fix data can be analyzed, with AI assistance under human oversight, to identify the human-error origins of recurring defects and to feed that understanding back into prevention and QA improvement. Method. We developed an AI-assisted, human-in-the-loop analytics approach that classifies defects by failure type and by human-error origin across the SDLC, determines how each could have been prevented, and synthesizes engineer-focused capability-building insights. It was deployed and evaluated in a large software company through an industrial case study, using practitioner surveys and interviews, classification-reliability checks, and an effort-normalized analysis of defect density. Results. Practitioners and independent review judged the classifications accurate; the outputs were rated useful and actionable; and defect density decreased after the introduction of the feedback, a tentative association we interpret as consistent with, but not proof of, a positive effect, given the study's uncontrolled pre/post design. Conclusion. AI-assisted, human-governed analysis of defect-fix data can help shift organizations from defect detection toward prevention, continuous learning and improvement.
• Abstract（参考訳）: コンテキスト。 ソフトウェアテストと品質保証の進歩にもかかわらず、欠陥は産業用ソフトウェアシステムに再帰し続けている。 欠陥データは、問題追跡システムで定期的に収集されるが、その使用は主に検出、報告、短期的な解決に限られており、歴史的欠陥に埋め込まれた知識と、予防と長期的な改善のために未公開の修正が残されている。 目的。 本稿では,人間の監視下でのAI支援により,過去の欠陥や欠陥修正データを分析して,再発する欠陥のヒューマンエラー発生源を特定し,その理解を予防とQA改善に戻す方法について検討する。 方法。 我々は、障害タイプとSDLC全体にわたるヒューマンエラー起源の欠陥を分類し、各障害の防止方法を決定し、エンジニアに焦点を当てた能力構築の洞察を合成する、AI支援された、ループ内人間分析アプローチを開発した。 産業ケーススタディを通じて,大規模ソフトウェア企業で実施および評価を行い,実践者による調査とインタビュー,分類信頼性チェック,欠陥密度の正規化分析を行った。 結果。 アウトプットは有用かつ有効であると評価され、フィードバックの導入後に欠陥密度は低下した。 結論。 AIによる欠陥修正データの人為的な分析は、欠陥検出から予防、継続的な学習、改善へと組織をシフトさせるのに役立つ。

関連論文リスト

• Complex Problem Solving in Large Language Models: A Statistical Control Survey and Diagnostic Framework [52.886947585847594]
  大規模言語モデル(LLM)による複雑な問題解決は、しばしばより強い推論やより長い生成の問題としてフレーム化される。 しかし、早期のエラー増幅、迅速な脆さ、誤ったコミットメントを修正する失敗を説明するのは難しい。 本調査はCPSを潜在解状態上の逐次推定・決定問題と解釈する。
  論文  参考訳（メタデータ） (2026-09-17T18:28:45Z)
• AI Slop and Hallucinations in Vulnerability Assessment: A Survey on Reasoning Failures and Trustworthy Mitigation [48.55515767840701]
  AIスロープ(AI slop)は、アーティファクト、幻覚的脆弱性、可視だが正しくないパッチ、セマンティックに再パッケージされたバグレポートである。 本稿では,実証的証拠を調査し,統一メカニズムを特定し,信頼に値するトリアージへの道筋をたどる。
  論文  参考訳（メタデータ） (2026-08-26T11:48:38Z)
• Can Large Language Models Generate Observability-Aware Code? [51.30941152293301]
  本稿では,エージェント生成システムにおける可観測性に関する系統的研究を行う。 その結果,ソースレベルでの診断的セマンティクスと実行時の障害信号との間には,一貫したギャップがあることが判明した。 本稿では,診断的意味論と故障信号暴露の両方を改善するためのガイダンスとして,可観測性指向のスキルを導入する。
  論文  参考訳（メタデータ） (2026-07-07T03:20:52Z)
• VIBEPASS: Can Vibe Coders Really Pass the Vibe Check? [46.85901599242161]
  emphFault-Triggering Test Generation(FT-Test)とemphFault-targeted Program repair(FPR)の2つの組み合わせタスクを評価した。 故障対象推論は一般的な符号化能力ではスケールしないことがわかった。 自己生成テストが障害の発見に成功すると、結果として得られた修復結果が外部から提供されたテストによってガイドされた修復と一致したり、性能が低下する。
  論文  参考訳（メタデータ） (2026-03-16T21:14:28Z)
• Automated Self-Testing as a Quality Gate: Evidence-Driven Release Management for LLM Applications [51.56484100374058]
  我々は,エビデンスに基づくリリース決定を伴う品質ゲートを導入する自動自己テストフレームワークを提案する。 内部展開型多エージェント対話型AIシステムの縦型ケーススタディにより,本フレームワークの評価を行った。
  論文  参考訳（メタデータ） (2026-03-13T20:44:15Z)
• An explainable hybrid deep learning-enabled intelligent fault detection and diagnosis approach for automotive software systems validation [2.7082111912355877]
  ASSのリアルタイム検証プロセスから記録を解析するインテリジェントモデルを開発した。 説明可能なAI技術(IGs、DeepLIFT、Gradient SHAP、DeepLIFT SHAP)の活用は、モデル適応と根本原因分析(RCA)の促進に役立った。
  論文  参考訳（メタデータ） (2026-03-09T09:46:28Z)
• Evaluating Line-level Localization Ability of Learning-based Code Vulnerability Detection Models [9.543689542888599]
  脆弱性検出のための説明可能性に基づく評価手法を提案する。 提案手法は検出アライメント(DA)として定義され,入力されたソースコード間の一致を定量化する。 このようなモデルの予測は、常に非負の線に偏っていることを示す。
  論文  参考訳（メタデータ） (2025-10-13T09:34:40Z)
• A Defect Classification Framework for AI-Based Software Systems (AI-ODC) [0.0]
  本稿では,Orthogonal Defect Classification(ODC)パラダイムにヒントを得たフレームワークを提案する。 このフレームワークは、AIシステムのデータ、学習、思考の側面に対応するように適応された。
  論文  参考訳（メタデータ） (2025-08-25T11:15:31Z)
• Keeping Medical AI Healthy: A Review of Detection and Correction Methods for System Degradation [6.781778751487079]
  このレビューでは、医療におけるAIシステムの「健康」の監視と維持について、前向きな視点を提示する。 継続的パフォーマンス監視、早期劣化検出、効果的な自己補正メカニズムの緊急ニーズを強調します。 この研究は、ダイナミックな臨床環境における安全な長期展開を維持できる信頼性が高く堅牢な医療AIシステムの開発を導くことを目的としている。
  論文  参考訳（メタデータ） (2025-06-20T19:22:07Z)
• Managing Human-Centric Software Defects: Insights from GitHub and Practitioners' Perspectives [8.285109854002307]
  HCD(Human-centric defect)は、エンドユーザの認識や違いによってしばしば発生する、ニュアンスで主観的な欠陥である。 開発チームはこれらの問題に対する理解が限られており、これらの欠陥を無視することになります。 欠陥報告ツールは、HCDのキャプチャと修正を適切に処理しない。
  論文  参考訳（メタデータ） (2024-08-03T01:08:38Z)
• Adversarial vs behavioural-based defensive AI with joint, continual and active learning: automated evaluation of robustness to deception, poisoning and concept drift [62.997667081978825]
  人工知能(AI)の最近の進歩は、サイバーセキュリティのための行動分析(UEBA)に新たな能力をもたらした。 本稿では、検出プロセスを改善し、人間の専門知識を効果的に活用することにより、この攻撃を効果的に軽減するソリューションを提案する。
  論文  参考訳（メタデータ） (2020-01-13T13:54:36Z)

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。