论文标题：Data preparation and quality for code-centric generative software engineering tasks: a systematic literature review

期刊：Frontiers of Computer Science

作者：Shihao WENG, Yang FENG, Yining YIN, Zhenlun ZHANG, Baowen XU 

发表时间：20 Jun 2025

DOI：10.1007/s11704-025-41376-3

微信链接：点击此处阅读微信文章

引用格式：

Shihao WENG, Yang FENG, Yining YIN, Zhenlun ZHANG, Baowen XU. Data preparation and quality for code-centric generative software engineering tasks: a systematic literature review. Front. Comput. Sci., 2026, 20 (9) : 2009203

阅读原文：

问题概述

针对生成式软件工程任务中数据准备与质量保障问题，南京大学徐宝文教授团队撰写了该系统综述论文。

聚焦于代码摘要、程序修复、代码生成与翻译等任务中，深度神经网络模型的性能高度依赖于训练数据的质量。文章通过系统性文献回顾，梳理了数据构建流程、常见质量问题及已有应对策略，填补了该领域缺乏系统综述的空白。

技术步骤

作者从70篇相关研究中提取数据，围绕三个核心问题展开：一是数据集构建的常见流程，包括任务需求、数据采集与注释方法；二是常见数据质量问题，如噪声、分布不均、缺乏多样性等，并分析其成因与影响；三是应对策略，包括数据清洗、增强、标准化构建方法和多语言联合训练等。

实验结果

研究发现，数据质量直接影响生成模型的泛化能力与稳定性。通过对现有方法的整理与评估，论文为构建高质量数据集提供了系统性建议，有助于提升生成式软件工程模型在实际场景中的可靠性与表现。该综述为后续研究者提供了数据构建与质量保障的全面参考。

期刊简介

Frontiers of Computer Science （FCS）是由教育部主管、高等教育出版社和北京航空航天大学共同主办，南京大学支持，SpringerNature 公司海外发行的英文学术期刊。本刊于 2007 年创刊，月刊，全球发行。主要刊登计算机科学领域具有创新性的综述论文、研究论文等。本刊主编为周志华院士，执行主编为周昆教授。编委会及青年 AE 团队由国内外知名学者及优秀青年学者组成。本刊被 SCI、Ei、DBLP、INSPEC、SCOPUS 和中国科学引文数据库（CSCD）核心库等收录，为 CCF 推荐B类期刊；两次入选“中国科技期刊国际影响力提升计划”；入选“第4届中国国际化精品科技期刊”；两次入选“中国科技期刊卓越行动计划”（一期梯队、二期领军）。