AutoEmpirical：基于LLM的实证软件故障分析自动化研究
TLDR
LLM自动化实证软件故障分析，处理时间从数周缩短至约两小时（3829个故障）。
评分理由
Strengths: addresses labor-intensive fault analysis, shows significant efficiency gains with LLMs, uses real-world data. Weaknesses: only initial exploration, not fully automated end-to-end, limited to software faults, lacks comparison with other methods.
Read-first 评分解释
综合优先阅读分 51.4，由主题、引用、图谱、方法、可复现性和近期性等信号加权得到。 原始总分保留为 35。
研究版图角色
前沿论文方法锚点
排序敏感性
稳定性：volatile；排名波动范围：93。
关键词评分
深度分析
创新点
- 将实证软件故障研究分解为三个关键阶段：研究目标定义、数据准备和故障分析。
- 应用LLMs对大规模数据集（3,829个软件故障）进行自动化故障分析。
- 展示了显著的效率提升，将分析时间从数周缩短至约两小时。
方法
该研究将实证故障分析分解为三个关键阶段，并应用LLMs分析来自先前高质量实证研究的3,829个软件故障，测量处理时间并与传统手动工作进行比较。
关键结果
LLMs平均在约两小时内完成故障分析，而传统手动分析需要数周，展示了显著的效率提升。
局限性
- 该方法是初步探索，尚未实现完全自动化的端到端系统。
- 实现整个实证故障研究过程的完全自动化仍存在开放挑战。