論文の概要: Software Change Request in AI-Orchestrated Software Evolution: Literature Review and Research Agenda

• arxiv url: http://arxiv.org/abs/2611.00294v1
• Date: Fri, 30 Oct 2026 19:19:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-14 02:12:29.062921
• Title: Software Change Request in AI-Orchestrated Software Evolution: Literature Review and Research Agenda
• Title（参考訳）: AIが組織するソフトウェア進化におけるソフトウェア変革の要求 - 文献レビューと研究アジェンダ
• Abstract要約: 本研究では、機械学習(ML)とディープラーニング(DL)がソフトウェア変更要求(SCR)の識別と分類を強化した方法について検討する。 この研究によると、関連するデータセットは5000から1800万以上のレビューまで様々である。 重要な発見は、ランダムフォレストとサポートベクターマシンの圧倒的な使用、ディープラーニング技術の採用の制限、0.08から1までの一貫性のないF1スコア結果、SURFやChangeAdvisorといった既存のSCRツールの部分的な自動化などである。
• 参考スコア（独自算出の注目度）: 2.4087148947930634
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: In the emerging paradigm of holistic AI-orchestrated software maintenance and evolution, large-scale app stores continuously generate exponentially vast Software Change Requests (SCRs) streams through user feedbacks. These streams enable intelligent software evolution. Automating SCR extraction and classification is crucial with rapid growth of Mobile Apps (MA). However, significant challenges exist such as scare large-scale datasets, inconsistent classification schemes, limited data sharing and insufficient research. This study presents a first and thorough systematic survey of SCR identification from MA Reviews (MAR). In particular, we investigated how Machine Learning (ML) and Deep Learning (DL) enhanced identification and classification of SCR. This study has found pertinent datasets varying sizes from 5,000 to more than 18 million reviews. The key findings highlight the dominant use of Random Forest and Support Vector Machines, limited adoption of deep learning techniques, inconsistent F1-score results ranging from 0.08 to 1 and partial automation in existing SCR tools such as SURF and ChangeAdvisor. Finally, we have performed a synthesis of the studies to presents a comparative taxonomy of SCR methodologies, identify research gaps and annotation frameworks. We contend that classification schemes, shared datasets and annotation frameworks are essential for advancing SCRs and thereby improving the maintenance of mobile applications.
• Abstract（参考訳）: 包括的なAIによるソフトウェアメンテナンスと進化という新たなパラダイムにおいて、大規模なアプリストアは、ユーザフィードバックを通じて、指数関数的に広大なソフトウェア変更要求(SCR)ストリームを継続的に生成する。 これらのストリームはインテリジェントなソフトウェア進化を可能にする。 SCR抽出と分類の自動化は、モバイルアプリ(MA)の急速な成長に不可欠である。 しかし、大規模なデータセット、一貫性のない分類スキーム、限られたデータ共有、不十分な研究など、重大な課題が存在する。 本研究は、MA Reviews (MAR) によるSCR識別に関する、初めてかつ徹底的な体系的な調査である。 特に,機械学習(ML)とディープラーニング(DL)がSCRの識別と分類をどのように強化したかを検討した。 この研究によると、関連するデータセットは5000から1800万以上のレビューまで様々である。 重要な発見は、ランダムフォレストとサポートベクターマシンの圧倒的な使用、ディープラーニング技術の採用の制限、0.08から1までの一貫性のないF1スコア結果、SURFやChangeAdvisorといった既存のSCRツールの部分的な自動化などである。 最後に,本研究の合成を行い,SCR手法の比較分類,研究ギャップの同定,アノテーションフレームワークについて述べる。 分類体系,共有データセット,アノテーションフレームワークは,SCRの進展とモバイルアプリケーションのメンテナンス改善に不可欠である,と我々は主張する。

関連論文リスト

• Systematic Literature Review of Machine Learning Models and Applications for Text Recognition [0.08431877864777443]
  機械ビジョンを用いた文字認識のための光学文字認識(OCR)は大幅に改善された。 従来のOCRモデルは、スクリプトのバリエーションやスタイル、文書の劣化に悩まされている。 技術の進歩は、複数の言語と複雑なデータフォーマットを扱うアーキテクチャを改善した、新しいAIモデルにつながっている。
  論文  参考訳（メタデータ） (2026-08-27T00:48:11Z)
• MARAG-R1: Beyond Single Retriever via Reinforcement-Learned Multi-Tool Agentic Retrieval [50.30107119622642]
  大規模言語モデル(LLM)は推論と生成において優れているが、本質的には静的事前学習データによって制限されている。 Retrieval-Augmented Generation (RAG)は、LLMを外部知識に基盤を置くことでこの問題に対処する。 MarAG-R1は、LLMが複数の検索機構を動的に調整できる強化学習型マルチツールRAGフレームワークである。
  論文  参考訳（メタデータ） (2025-10-31T15:51:39Z)
• A Systematic Review of Key Retrieval-Augmented Generation (RAG) Systems: Progress, Gaps, and Future Directions [1.4931265249949528]
  Retrieval-Augmented Generation (RAG)は自然言語処理(NLP)における大きな進歩である RAGは、大規模言語モデル(LLM)と情報検索システムを組み合わせて、事実的根拠付け、正確性、文脈的関連性を高める。 本稿ではRAGの体系的なレビューを行い、最近の最先端実装に対するオープンドメイン質問の早期展開から進化を辿る。
  論文  参考訳（メタデータ） (2025-07-25T03:05:46Z)
• Does Machine Unlearning Truly Remove Knowledge? [80.83986295685128]
  本研究では,3つのベンチマークデータセット,6つのアンラーニングアルゴリズム,および5つのプロンプトベースの監査手法からなる,アンラーニング評価のための総合的な監査フレームワークを提案する。 異なるアンラーニング戦略の有効性とロバスト性を評価する。
  論文  参考訳（メタデータ） (2025-05-29T09:19:07Z)
• An experimental survey and Perspective View on Meta-Learning for Automated Algorithms Selection and Parametrization [0.0]
  我々は、この継続的な発展途上の分野における芸術の状況について概観する。 AutoMLは、高度な分析を適用することに興味があるドメイン科学者が機械学習技術にアクセスできるようにする。
  論文  参考訳（メタデータ） (2025-04-08T16:51:22Z)
• Composed Multi-modal Retrieval: A Survey of Approaches and Applications [81.54640206021757]
  複合マルチモーダル検索(CMR)は次世代技術として誕生する。 CMRは、参照視覚入力とテキスト修正を統合することで、画像やビデオをクエリすることを可能にする。 本稿では,CMRの基礎的課題,技術的進歩,応用について概説する。
  論文  参考訳（メタデータ） (2025-03-03T09:18:43Z)
• Online Continual Learning: A Systematic Literature Review of Approaches, Challenges, and Benchmarks [1.3631535881390204]
  オンライン連続学習(OCL)は、機械学習において重要な分野である。 本研究は,OCLに関する総合的なシステム文献レビューを初めて実施する。
  論文  参考訳（メタデータ） (2025-01-09T01:03:14Z)
• Are Large Language Models Good Classifiers? A Study on Edit Intent Classification in Scientific Document Revisions [62.12545440385489]
  大規模言語モデル(LLM)は、テキスト生成の大幅な進歩をもたらしたが、分類タスクの強化の可能性はまだ未検討である。 生成と符号化の両方のアプローチを含む分類のための微調整LDMを徹底的に研究するためのフレームワークを提案する。 我々はこのフレームワークを編集意図分類(EIC)においてインスタンス化する。
  論文  参考訳（メタデータ） (2024-10-02T20:48:28Z)
• Emerging Results on Automated Support for Searching and Selecting Evidence for Systematic Literature Review Updates [1.1153433121962064]
  本稿では,ソフトウェア工学におけるSLR更新研究の検索と選択を支援する自動手法について述べる。 我々は,機械学習(ML)アルゴリズムを用いて,雪玉探索技術を実行する自動化ツールのプロトタイプを開発し,SLR更新に関する関連する研究を選択することを支援する。
  論文  参考訳（メタデータ） (2024-02-07T23:39:20Z)

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。