DebtFree, a two-mode framework based on unsupervised learning is proposed as a more efficient and accurate way for identifying Self-Admitted Technical Debts (SATDs) in software projects, reducing labeling effort by up to 99% and improving the F1 score to almost 100%.

Jan, 2022

通过机器学习方法，本文针对问题跟踪系统中的自认技术债务(Self-Admitted Technical Debt, SATD)提出自动识别方案，并使用两种流行的跟踪系统(Jira和Google Monorail)收集和手动分析来自七个开源项目的4,200个问题。研究结果表明，我们的方法比基线方法在F1得分方面表现出更好的性能，并且所提取的SATD关键字是直观的，可能表明了SATD的类型和指标。

Feb, 2022

通过自动检测不同来源中的自承技术债务之间的关系与特征，可以改进和管理自承技术债务。在103个开源项目中，我们描述了9种主要的有关自承技术债务关系的情况，并对26种关系进行了量化概述。

Mar, 2023

本文介绍一种新的使用BERT架构改进自我承认技术债务检测的方法，并比较之前的深度学习方法，发现在跨项目情况下，该方法的性能优于之前的所有方法。

Mar, 2023

本文综合回顾了关于使用AI工具避免技术债务的现有研究，其中分析了15篇涵盖不同AI技术的文章，如代码分析与审查，自动化测试，代码重构，预测性维护，代码生成和代码文档化，并探讨了它们在解决技术债务方面的效果、挑战和限制，为想要在软件开发过程中有效减轻技术债务的团队提供了实用指南。

Jun, 2023

本文采用变换器预训练和微调等不同策略的深度学习模型，实证研究技术债务能否自动偿还。研究结果表明，自动偿还技术债务是一项具有挑战性的任务，最佳模型仅能自动修复2％至8％的测试实例，对性能提升起到关键作用。

Aug, 2023

自我承认技术债务（SATD）是一种特定形式的技术债务，由开发人员在软件工件中明确记录，如源代码注释和提交消息。本研究旨在提出一种新方法，利用大规模数据集自动估计SATD的还款工作，通过评估不同类型的债务及其还款的程度，并应用机器学习技术来提高还款工作的优先级和资源分配效率，以最终促进软件开发和可维护性。

Sep, 2023

软件开发项目中技术债务检测的特征提取技术和算法进行了综述，发现NLP+DL组在所有项目中的精确度和F1分数上始终表现优秀，并且在召回率度量上几乎所有项目都优于其他组。此外，PTWE在每个项目的精确度、召回率和F1分数上均表现较优，根据综述结果，我们确定了每个软件开发生命周期阶段最佳的特征提取技术和算法，并提出了对研究人员和实践者可能关注的问题。

Dec, 2023

自承的技术债（SATD）是一种技术债形式，在其中开发人员明确承认和记录代码库中存在的技术捷径、变通方案或暂时解决方案。在过去几年中，研究人员通过人工标注数据集，包括源代码注释、问题跟踪器和拉取请求部分的消息以及提交消息，以用于训练、评估、性能验证和改进机器学习和深度学习模型来准确识别SATD实例。然而，现有数据集中存在类别不平衡的严重挑战，特别是当研究人员有兴趣对SATD的具体类型进行分类时。为了解决现有数据集中SATD识别（即实例是否为SATD）和分类（即对哪种类型的SATD进行分类）的标记数据不足的问题，我们分享了SATDAUG数据集，这是现有SATD数据集的增强版本，包括源代码注释、问题跟踪器、拉取请求和提交消息。这些增强的数据集在可用的工件相关性方面进行了平衡，并为训练机器学习或深度学习模型提供了更丰富的标记数据源。

Mar, 2024

本研究解决了在软件项目中准确识别技术债务（TD）的关键挑战，提出了一种基于变压器的分类方法。研究结果显示，针对项目特定上下文进行微调的变压器模型在TD分类上显著优于任务特定的模型，且较小的DistilRoBERTa模型在TD分类任务中表现优于更大型语言模型。这一发现为软件项目的技术债务管理提供了新的策略和工具。

Aug, 2024