Harnessing Large Language Models for Software Issue Learning and Knowledge Retention

doi:10.6688/jise.202605_42(3).0013

Harnessing Large Language Models for Software Issue Learning and Knowledge Retention

2026-05-01

0

PRE

AI

Koong, Chorng-Shiuh *

H

Huang, Shih-Kun

DOI：10.6688/jise.202605_42(3).0013

原文链接

原文求助

摘要

En 中文

项目问题通常捕捉软件开发生命周期中遇到的挑战与解决方案，使其成为避免重复问题解决努力的有价值的学习资源。然而，问题数据的数量和复杂性给有效学习带来了显著挑战。本研究提出了一种基于问题的AI辅助学习范式。利用大型语言模型（LLM）进行问题分类和过滤，并借鉴生成对抗网络（GAN）生成器的思想（同时排除对抗部分），我们生成合理但错误的答案选项以增强问题难度。该设计支持渐进式、分层的学习过程。以GitHub开源项目问题作为数据源，我们开发了名为SPILSG的学习平台以生成和分发学习材料。实验结果表明：(1) GPT-4-0613模型在合规率上达到37.4%和50.6%的最高值；(2) 在阅读有效性方面，基于LLM的SPILSG系统显著提升了新手对软件项目问题的理解；(3) 易用性评估显示用户普遍有积极的体验。总之，AI辅助学习为学习者提供了一种高效途径，以理解项目背景、熟悉代码库并提升编程能力。

Keyword:

issue tracking

e-learning

large language model

generative adversarial net-work

artificial intelligence

Harnessing Large Language Models for Software Issue Learning and Knowledge Retention

摘要

期刊

机构

引用论文