.png){kind=icon}
返回
An improved quantum software challenges classification approach using transfer learning and explainable AI
.png){kind=icon}
PRE
AI
DOI：10.1007/s11704-026-51539-5.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
量子软件工程（QSE）已成为科技企业实践的研究方向。量子开发者面临优化量子计算和QSE概念的挑战。开发者使用Stack Overflow讨论量子挑战，并采用专业标签标注帖子。这些标签常涉及技术性量子方面。按概念对量子从业者的提问进行分类有助于识别常见的QSE挑战。我们进行了研究，将量子开发者的提问归类为各种挑战。我们使用量子相关标签从问答平台提取了2,829个开发者提问。通过分析帖子以识别频繁的量子相关挑战并发展出一种新颖的扎根理论。识别出的挑战包括工具、理论、学习、概念、错误和API使用。通过内容分析和扎根理论，将开发者的讨论标注为常见的量子挑战，以构建基准数据集。ChatGPT用于验证人工标注并解决分歧。采用多种微调的Transformer算法（包括BERT、DistilBERT和RoBERTa）将开发者讨论分类为常见的量子挑战。我们使用BERT和DistilBERT算法实现了95%的平均准确率，优于微调的深度学习和机器学习（D&ML）分类器，包括前馈神经网络（FNN）、卷积神经网络（CNN）和长短期记忆网络（LSTM），其准确率分别为89%、86%和84%。提出的基于Transformer的方法通过处理实际开发者讨论（即不进行数据增强），在准确率上比之前的D&ML方法提高了6%。此外，我们应用SHAP（SHapley加性解释）提供模型可解释性，揭示特定语言特征如何驱动预测，并增强分类过程的透明度。这些改进的研究成果可帮助量子供应商和开发者讨论论坛更好地组织开发者讨论，以提升访问和可读性。
Keyword:
quantum software engineering
repository mining
developer forums
stack overflow
transfer learning
natural language processing
期刊
IF:
4.6
论文数:
1.6K
被引数:
2.8K
机构
引用论文
.png){kind=icon}
Architecture decisions in quantum software systems: An empirical study on Stack Exchange and GitHub量子软件系统的架构决策: 基于Stack Exchange和GitHub的实证研究
PREAI
分享收藏
分享收藏Bug severity prediction using question-and-answer pairs from Stack Overflow使用来自Stack Overflow的问答对进行错误严重性预测
PREAI
分享收藏
查看更多内容