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

研究人工智能与敏捷软件开发方法的整合，重点是改善持续集成和交付，发现了人工智能未来应用的关键挑战，如需要专业的社会技术专业知识。尽管人工智能有助于提高软件开发实践，但需要进一步研究其对进程和实践者的影响，并解决与其实施相关的间接挑战。

May, 2023

本文提出了一种新型生产力评估模型，用于评估在生产链中采用人工智能 (AI) 组件的影响。我们的模型提供了支持解决 “AI” 的 Solow 悖论的证据，其基础包括（i）理论和实证证据以解释 Solow 的二分法；（ii）数据驱动模型以评估和评估生产率变化；（iii）基于过程挖掘数据集的方法论，以确定业务流程（BP）和生产率；（iv）一组计算机模拟参数；（v）以及关于劳动力分配的实证分析。这些为我们认为 AI Solow 悖论的后果是指标误测提供了数据。

Oct, 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

这篇论文探讨了人工智能引领的自动化和人类创新之间的相互作用，以及如何将人工智能顺利整合到软件工程中并保持其固有的人类创造力。

Jun, 2024

人工智能和机器学习的广泛应用导致公司难以招聘深入了解这些技术的员工，在此背景下，自动机器学习 (AutoML) 正以一种有希望的解决方案迅速崛起，旨在自动化构建端到端的人工智能 / 机器学习流水线，这通常会由专门的团队成员进行工程设计。本文通过对 12 个端到端自动机器学习工具在两个软件工程数据集上的基准测试和用户调查以及随后的访谈构成的混合方法研究，填补了这些信息缺口，并且发现 AutoML 解决方案可以在软件工程领域的分类任务中生成超过研究人员训练和优化的模型，并且当前可用的 AutoML 解决方案并不能完全支持 ML 开发工作流程的自动化和团队成员的需求。本研究结果为软件工程研究界提供了有关如何利用 AutoML 促进其活动以及工具构建者如何设计下一代 AutoML 技术的见解。

Jul, 2023

本研究旨在研究人工智能（AI）和机器学习（ML）应用程序的开发过程，为其提供最佳支持环境，并构建了一个使用深度学习技术进行数据增强的框架来解决数据不足的问题。

Apr, 2023

软件工程领域的未来将依靠人工智能技术（AI4SE）的发展，以提升开发者的生产力、提高软件质量，并实现可信赖和协同工作的目标。

Sep, 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