.png){kind=icon}
返回
A Data-Driven Decision Model for Selecting ML Models in Research Software
.png){kind=icon}
OA
AI
DOI：10.1016/j.jss.2026.112821.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
背景：对于研究软件工程师而言，机器学习模型的选取过程较为复杂，需要仔细考虑训练能力、可解释性等因素，以确保模型的长期可用性和成功应用。
目标：本研究旨在开发并评估一个数据驱动的决策模型，以支持研究软件工程师系统性地选择适合集成到研究软件中的机器学习模型。
方法：通过系统文献综述、专家访谈、案例研究和设计科学，构建了一个元模型来指导模型选择。每个阶段均提供了有价值的见解，并完善了决策框架。
结果：研究分析了43个模型及其72个属性，形成了一个涵盖机器学习范式、方法和领域的分类体系。主要发现包括模型选择趋势、组合方式、评估指标及数据集应用。该决策模型通过专家反馈进一步优化，并经11个案例研究验证。
贡献：该数据驱动的决策模型能够支持研究软件工程师为研究软件集成选择最优的机器学习模型。建议持续开发以提升其准确性，并增强在不同研究场景下的适用性。
Keyword:
Machine learning Model
Decision-Making Meta-Model
Model Taxonomy
Research Software Engineering
Data-driven decision model
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
IF:
4.1
论文数:
5.4K
被引数:
8.4K
机构
引用论文
Using meta-heuristics and machine learning for software optimization of parallel computing systems: a systematic literature review使用元启发式和机器学习进行并行计算系统的软件优化: 系统的文献综述.png)
COMPUTINGOAAI
COMPUTINGIF2.8
OAAI分享收藏On Quantum Methods for Machine Learning Problems Part II: Quantum Classification Algorithms关于机器学习问题的量子方法第二部分: 量子分类算法OAAI
OAAI分享收藏分享收藏
查看更多内容