本文提出了一个基于现有进展的全面质量管理框架视角，并确定了软件工程研究的新领域，以实现更可靠的人工智能。

Jun, 2020

本文旨在从实践者的角度研究机器学习软件系统中的质量问题，通过一系列采访和调研，我们创建了一个包含 18 个质量问题和 24 个解决策略的目录，这将有助于开发高效的质量保证工具。

Jun, 2023

本研究为了解决工业生产系统中机器学习模型的质量检验问题，提出了基于模块化策略的数据完整性及数据质量的质量保证方法，并以工业合作案例为支撑，还提出了未来研究的几个挑战。

Nov, 2022

本文提出了一种新方法，支持自动化机器学习，帮助软件工程师在不需要深入了解人工智能的情况下，选择适当的机器学习模型、算法和技术以及适当的超参数来开发人工智能密集型系统，并进行智能能源领域的案例研究。

Mar, 2022

介绍了人工智能技术的广泛应用和存在的问题，并提出了对 “AI 工程” 学科的需求，探讨了相关概念和需要解决的关键挑战。

Oct, 2019

我们进行了第一项细致入微的实证研究，以填补现有研究中对机器学习软件测试实践的知识空白，从而识别机器学习质量属性、测试策略以及它们在机器学习工作流中的实施。

Dec, 2023

通过系统文献综述，本文旨在阐述在软件工程 (Software Engineering) 领域中提高人工智能模型可解释性的方法，并总结了已有研究的挑战和未来的研究方向。

Jan, 2024

应用机器学习技术研究软件工程领域的现状，特别关注软件质量保证、软件维护、软件理解和软件文档等方面。

Jun, 2024

该研究论文提出了一个用于分析机器学习系统中软件工程最佳实践集的质量影响和优先级的框架，并介绍了适用于 ML 系统的分层软件质量模型 (SQM)。通过应用集函数优化技术，可以回答哪些实践集可以最大程度地增加 SQM 覆盖范围，哪些是最重要的，应该实施哪些实践以改善特定的质量方面。

Jun, 2023

本研究旨在探讨人工智能技术在软件测试活动和方面中的影响，以及 AI 在软件测试领域未来的一些关键贡献和应用面临的挑战。

Jan, 2022