研究发现 MDE 对 AI 的使用仍处于早期阶段，并且没有广泛应用的单一工具或方法，当前的方法主要注重具体的开发阶段而非整个开发过程，因此，该研究提出了几个研究方向，以进一步改进 MDE 在 AI 方面的应用，并引导未来的研究。

Jul, 2023

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

通过国际调查，本研究提供了机器学习应用系统工程的现状和问题，推动软件工程实践的进一步应用和传播，以提升机器学习应用系统的工程水平。

May, 2024

本文提出了一种通过将模型转换集成到形式化机器学习任务中，以生成可执行代码来扩展以前的工作的方法，以便在不需要修改代码生成器的情况下集成代码生成的扩展和更改。通过对天气预报的案例研究进行可行性评估，并评估和讨论模型转换的质量属性，表明了该方法的灵活性和简单性，减少了实施的工作量，并为标准化实践中的数据驱动工程实现建立了理论基础。

Jul, 2023

使用模型驱动工程的系统建模语言 SysML 对机器学习任务进行协同定义的方法能够整合不同数据源，定义语义连接、数据处理步骤，从而将机器学习的特性整合到系统工程技术中，促进了各个领域的知识整合，实现了将机器学习引入工业界的目标。

Jul, 2023

通过系统文献综述，我们深入研究了大型语言模型（LLMs）与软件工程（SE）的交叉领域，并特别关注 LLMs 在 SE 中的应用、影响和潜在局限。通过收集和分析 2017 年至 2023 年的 229 篇研究论文，我们回答了四个关键研究问题（RQs），比较分析了不同用于 SE 任务的 LLMs 的特点和用途，并详细描述了在此领域中数据收集、预处理和应用的方法，揭示了稳健、经过良好策划的数据集对于成功实施 LLM 的关键作用。同时，我们还调查了优化和评估 LLMs 在 SE 中性能的策略，以及与提示优化相关的常见技术。通过解决上述研究问题，我们勾勒出当前最先进的研究状况，找出现有研究的不足之处，并标注未来研究的有前景的领域。

Aug, 2023

本文旨在通过分析机器学习在软件工程中的最佳实践，填补现有文献不足的空缺，并针对机器学习应用所面临的挑战和开发过程，提出一系列以软件工程视角为基础的建议。

Apr, 2023

我们提供了一个原型工具，利用模型驱动工程（MDE）和大型语言模型（LLM）的协同作用，以实现汽车行业软件开发过程的自动化。在这种方法中，用户提供的输入是自由形式的文本需求，首先使用 LLM 将其转换为 Ecore 模型实例表示，然后使用对象约束语言（OCL）规则检查其一致性。在成功的一致性检查后，模型实例被作为输入提供给另一个 LLM，以进行代码生成。所生成的代码在一个紧急制动场景的模拟环境中，通过连接到一个示例的集中式车辆架构的 CARLA 模拟器进行评估。

Apr, 2024

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

该研究综述了持续集成领域中基于学习的方法，探讨了自动化持续集成任务的分析以及相关技术和指标的应用和缺陷，为研究人员和从业者提供了有价值的洞见，并强调了在持续集成中进一步研究这些方法的重要性。

Jun, 2024