Wir freuen uns, bekannt geben zu können, dass unser Artikel „Perspective of software engineering researchers on machine learning practices regarding research, review, and education“ von Anamaria Mojica-Hanke, David Nader Palacio, Denys Poshyvanyk, Mario Linares-Vásquez und Steffen Herbold in der Fachzeitschrift Empirical Software Engineering (EMSE) veröffentlicht wurde.
Maschinelles Lernen wird zunehmend im Software Engineering eingesetzt, doch darüber, wie Software-Engineering-Forschende selbst damit arbeiten, ist bislang nur wenig bekannt. In dieser Studie untersuchen wir Praktiken des maschinellen Lernens aus ihrer Perspektive und betrachten dabei, wie sie Forschung betreiben, wissenschaftliche Arbeiten begutachten und maschinelles Lernen im Kontext des Software Engineerings lehren. Hierzu kombinieren wir eine Analyse von 195 Forschungsartikeln aus führenden Software-Engineering-Konferenzen und -Fachzeitschriften mit 47 Umfrageantworten von Autorinnen und Autoren der untersuchten Artikel sowie 14 Interviews mit einflussreichen Forschenden im Bereich ML4SE.
Unsere Ergebnisse zeigen eine deutliche Diskrepanz zwischen dem, was Forschende als Best Practice betrachten, und dem, was in wissenschaftlichen Arbeiten tatsächlich berichtet wird. Beispielsweise werden Praktiken wie die Optimierung von Hyperparametern in weniger als 20 % der analysierten Artikel beschrieben. Die größten Herausforderungen liegen im Bereich der Daten, gefolgt von der Bewertung nichtfunktionaler Eigenschaften und der Einbeziehung von Fachexpertinnen und -experten. In der Lehre sind praxisorientierte Aktivitäten weit verbreitet, obwohl traditionelle Lehrmethoden weiterhin häufig eingesetzt werden. Außerdem beobachten wir eine Entwicklung hin zu Deep Learning und Large Language Models, die neue Praktiken wie Prompt Engineering mit sich bringt. Auf Grundlage dieser Ergebnisse leiten wir Empfehlungen für Richtlinien, Begutachtungsverfahren und die Lehre an der Schnittstelle von maschinellem Lernen und Software Engineering ab.
Links
Paper: https://doi.org/10.1007/s10664-026-10926-z
arXiv: https://arxiv.org/abs/2411.19304