paperbot · PL 论文追踪

全部论文 待读 收藏

P2 On the use of evaluation measures for defect prediction studies

关于缺陷预测研究中评估指标的使用
ISSTA Proceedings of the 31st ACM SIGSOFT International Symposium on Software Testing and Analysis2022匹配度 2/10 · 该论文聚焦软件缺陷预测中的评估指标选择与数据不平衡问题，属于机器学习在软件工程中的方法学研究，与用户关注静态分析、Agentic 程序、LLM 改进静态分析/形式化验证、浮点程序分析及贝叶斯程序分析等核心方向均无明显交集。引用 44 inbox
Rebecca Moussa, Federica Sarro
测试、调试与修复机器学习与程序语言
crossref: 2026-09-12

AI 速览

一句话：指出缺陷预测研究应审慎选择评估指标，尤其面对数据不平衡，才能正确评价模型优劣。

软件缺陷预测研究已采用多种评估指标来衡量预测模型性能。本文进一步强调，选择适当指标对于正确评估给定缺陷预测模型的优势与不足至关重要，尤其是大多数缺陷预测任务都面临数据不平衡问题。作者围绕评估指标选择的重要性展开论述，提醒研究者若不考虑数据不平衡等任务特性，评估结果可能无法真实反映模型能力。该文属于立场/讨论性工作，未在摘要中报告具体实验，但为缺陷预测研究的评估实践提供了警示与建议。

问题
缺陷预测任务常受数据不平衡影响；若评估指标选择不当，可能无法正确判断预测模型的优势与不足。
方法
本文以论述/立场文章的方式，强调选择适当评估指标的重要性，并特别关注数据不平衡对评估的影响。
评估
摘要未给出具体实验或数据集；评估方式主要是对缺陷预测评估实践的讨论与警示。
原文摘要（Abstract）

Software defect prediction research has adopted various evaluation measures to assess the performance of prediction models. In this paper, we further stress on the importance of the choice of appropriate measures in order to correctly assess strengths and weaknesses of a given defect prediction model, especially given that most of the defect prediction tasks suffer from data imbalance.

链接与引用

DOI 原文 · PDF（开放获取） ·

BibTeX 
@inproceedings{paperbot7424,
  title = {On the use of evaluation measures for defect prediction studies},
  author = {Rebecca Moussa and Federica Sarro},
  booktitle = {ISSTA},
  year = {2022},
  doi = {10.1145/3533767.3534405}
}