基于用例点的软件项目工作量估算混合模型
本文探讨了一种新的用于软件项目生产力预测的集成构建机制，利用带权平均方法来汇聚基模型的预测结果，结果表明基模型准确性不一致时，使用集成方法是一种良好的替代方案。
Dec, 2018
本文提出了一个用于估计敏捷软件项目问题文本输入中的用户故事点的工具 HeteroSP，该工具通过构建异构图神经网络模型支持快速文本表示学习，最终在估计用户故事点方面优于基线模型，并且获得了较快的运行时间效率。
Jun, 2022
本研究在过去的五年中对 AI 技术在软件工作量估计方面进行了广泛的研究。通过克服传统方法的局限性，该研究旨在提高准确性和可靠性，并通过性能评估和与包括人工神经网络（ANN）、支持向量机（SVM）、线性回归、随机森林在内的多种机器学习模型进行比较，找到最有效的方法。所提出的基于 AI 的框架具有增强项目规划和资源分配的潜力，有助于软件项目工作量估计研究领域。
Feb, 2024
研究表明，具有实现代码自动生成能力的大型语言模型的正确性及努力度均对程序员的价值有影响，建议设计出更人性化的评估指标以评估这些模型的优劣。
Oct, 2022
本文提出了 UniHCP，一个使用简化的端到端模式和平面视觉转换器架构，将广泛的以人为中心的任务统一起来的集成模型，通过在 33 个数据集上进行大规模联合训练，在多个领域和下游任务上直接评估优于强基线结果，在适应特定任务时，UniHCP 在多种以人为中心的任务上取得新的最佳性能。
Mar, 2023
通过硬件规格预测设备用户体验在实际应用中的表现，对于厂商来说是一个常见的挑战。使用了梯度提升回归树模型，通过设备规格预测了在常见用户工作负载下的用户体验指标，并在数据集上达到了 97.8% 的拟合优度和 10.1% 的预测误差。
Feb, 2024
本研究介绍了一种基于问题回答 (QA) 方法的价格计算法，利用深度字符级卷积神经网络进行单位类型预测和相关数量提取，以提高其价格计算的准确性和效率
Apr, 2022
User Story Tutor (UST) 是一个检查用户故事描述可读性、提供改进建议、使用机器学习技术估计用户故事工作量的 Web 应用程序，可用于敏捷开发团队继续教育和增强当前用户故事创建的有效技术。
Jun, 2024
提出一种新的效用函数有向图表示方式 ——UCP-networks，并结合广义加性模型和 CP-networks，将效用函数分解为一些加性因子，其中弧的方向性反映了（定性的）偏好排序的条件依赖关系，在决策中具有很高的效率。
Jan, 2013
本研究探讨了使用图神经网络方法在故事点级别上进行文本分类的潜力与可能遇到的挑战，并通过实验表明 GNN 文本级分类可以达到约 80％的故事点级分类高精度。
Mar, 2022