Synthèse automatique
Guide la conception et l'audit d'évaluations empiriques pour les soumissions ESEC/FSE : choix des systèmes sujets, baselines équitables, statistiques conformes aux usages du génie logiciel, vérifications de contamination des LLM et provenance des études de fouille de dépôts.
Points forts
- Un tableau « claim-to-evidence » associe chaque type d'affirmation en génie logiciel aux preuves qu'un relecteur acceptera, avec le motif de rejet évité
- Une checklist opérationnelle pour l'évaluation LLM consciente de la contamination : date de coupure, déterminisme, cache des prompts/réponses, versioning, ablation
- Des exigences de provenance pour les études de mining : SHA épinglés, date d'extraction, critères d'inclusion/exclusion, traitement des doublons et des bots
- Rappelle d'exiger tailles d'effet, intervalles de confiance, corrections pour comparaisons multiples et budget de réglage égal pour les baselines
Limites
- Conseils méthodologiques uniquement : aucun modèle de rédaction, script ni outil statistique n'est fourni
- Cadré sur les normes de relecture ESEC/FSE ; d'autres venues ou disciplines peuvent pondérer ces critères différemment
- La vignette sur la réparation de programmes est tronquée dans la source et ne donne pas d'exemple complet de bout en bout
À mobiliser avant soumission ou pendant le cadrage d'un article empirique en génie logiciel dont la conception de l'évaluation n'est pas encore figée.
Inutile pour un article non empirique (formel ou simple démonstration d'outil), ou lorsqu'il faut du code d'analyse statistique plutôt qu'une revue de protocole.
Analyse de sécurité
SûrThe skill provides methodological and editorial guidance for designing empirical software engineering evaluations. It contains no executable commands, tool invocations, destructive actions, or data exfiltration instructions, and declares no allowed tools.
Aucun point d'attention détecté
Comment cette analyse est faiteExemples
Audit my evaluation: we claim our technique detects more real defects than prior work, tested on 5 Java projects against an untuned baseline. What would an FSE reviewer reject, and what evidence would match the claim?We use an LLM to summarize failing tests across 3,000 GitHub repos. Help me write the contamination, determinism, caching, versioning and ablation parts of the evaluation, plus the artifact provenance plan.Our paper claims developers act on our refactoring recommendations, but we only have plausibility ratings from 12 developers. What study design and evidence would actually support that behavioral claim?name: fse-experiments description: Use when designing or auditing ESEC/FSE empirical evaluations, covering real subject systems, fair baselines, SE-standard statistics and effect sizes, qualitative and mixed-methods rigor, contamination-aware LLM ablations, provenance for mining studies, and matching evidence to the shape of each software-engineering claim.
FSE Experiments
Use this before submission when the empirical story is not yet locked. FSE reviewers are SE empiricists; the evaluation is where a good idea is won or lost. The organizing principle is evidence proportional to the claim — the study must test the thing the paper actually asserts, on subjects and baselines a skeptic would accept.
Evaluation audit
- Match evidence to the claim shape. A claim about developer behavior needs behavior data; a claim about detection needs a labeled ground truth; a claim about scalability needs runtime on realistically sized inputs. Accuracy against a proxy label is not evidence for a practice claim.
- Use real subject systems, sampled by a stated criterion, and list them in the artifact. Toy benchmarks invite the "does this hold on real code?" reject.
- Choose fair baselines, including the strongest prior technique and a simple-but-reasonable alternative, tuned with a documented, equal budget. An untuned baseline is a scored weakness.
- Report SE-standard statistics: effect sizes (not just p-values), confidence intervals, appropriate tests, and corrections for multiple comparisons. Say what variance and how many runs.
- Hold qualitative work to method: coding schemes, inter-rater agreement, saturation, and an audit trail — mixed-methods rigor is native to FSE, not a second-class option.
- Pin provenance for mining and LLM studies (see the code block) so the evaluation reproduces rather than re-samples.
- Design threats in, not on: know before you run which confounds and generalization limits the study will have, and instrument to bound them.
Claim-to-evidence design table
| SE claim | Matching evidence | Reject pattern avoided | |---|---|---| | "Technique detects more real defects" | Labeled real faults, precision/recall with CIs vs. tuned baseline | "Evaluated on injected/toy faults only" | | "Developers act on the output" | Behavioral outcome data on real projects | "Plausibility rating stands in for usefulness" | | "Scales to large systems" | Runtime/memory across realistic sizes | "Only small inputs tested" | | "Finding generalizes" | Diverse subject sample + explicit external-validity limits | "One ecosystem, claimed universal" | | "The model adds the value" | Ablation removing the model vs. lexical/heuristic features | "Model's marginal contribution never isolated" |
Contamination-aware LLM evaluation
When an LLM is in the loop, the reviewer's first questions are about leakage and reproducibility:
[Contamination] are test subjects plausibly in the model's training data? report cutoff vs.
project dates; prefer post-cutoff or held-out subjects
[Determinism] fix temperature/seed where possible; report the sampling settings
[Caching] store raw prompts and raw responses in the artifact; a live-API-only study
cannot be reproduced, only re-sampled
[Versioning] record exact model identifiers and access dates; models change under a name
[Ablation] isolate the model's marginal value against a non-LLM baseline
Provenance floor for mining studies
- Pin repository SHAs and record the corpus extraction date; archive the extracted dataset, not just the query.
- State inclusion/exclusion criteria and the resulting sample size, with the filtering script in the artifact.
- Report how duplicates, forks, and bot activity were handled — silent inclusion skews every downstream number.
Vignette: evaluating a repair technique
Suppose the paper claims a program-repair technique fixes more real bugs than the prior tool. The matching plan: draw bugs from a real, dated fault dataset; run both tools with an equal, documented time budget; report plausible-and-correct patch counts with confidence intervals and an effect size; manually assess a sample of patches for over-fitting; and state external validity (languages, bug kinds) as a bounded threat — every number traceable to a logged run in the artifact.
Statistical reporting floor
- Effect sizes and confidence intervals for every quantitative comparison; say what the intervals represent.
- Number of runs and the source of variance for any stochastic component.
- The compute actually consumed, not vague feasibility language.
Output format
[Evaluation readiness] strong / adequate / weak
[Claim -> evidence map] <claim: subjects/metric/statistic>
[Baseline fairness] <baseline -> tuned? equal budget? documented?>
[Contamination/provenance] <LLM leakage + mining provenance handled? yes/no>
[Threats-by-design] <confound/generalization -> instrumentation to bound it>
[Decision-critical next run] <one experiment or study extension>
Du fichier au premier essai
Le téléchargement contient exactement le contenu affiché sur cette fiche. Cette copie peut différer de la dernière version du dépôt source.
Consulter la source et ses fichiers annexesCe téléchargement contient uniquement SKILL.md. Les scripts, références, modèles et dépendances éventuels ne sont pas inclus. Récupérez les fichiers nécessaires depuis la source en conservant leur arborescence avant de poursuivre.
1. Télécharger le fichier
Télécharger SKILL.mdDepuis la racine d’un projet de test, enregistrez le fichier sous .skill-downloads/fse-esec-empirical-evaluation-methodology-mse7iokg/SKILL.md, ou utilisez la commande suivante. Ce dossier sert à examiner la skill avant son installation.
Commande pour macOS/Linux ou WSL : un shell POSIX et curl sont nécessaires. Sous Windows sans WSL, utilisez le bouton de téléchargement et créez le dossier manuellement.
mkdir -p '.skill-downloads/fse-esec-empirical-evaluation-methodology-mse7iokg' && curl --fail --show-error --location 'https://skills-guides.com/api/skills/fse-esec-empirical-evaluation-methodology-mse7iokg/download' --output '.skill-downloads/fse-esec-empirical-evaluation-methodology-mse7iokg/SKILL.md.part' && mv '.skill-downloads/fse-esec-empirical-evaluation-methodology-mse7iokg/SKILL.md.part' '.skill-downloads/fse-esec-empirical-evaluation-methodology-mse7iokg/SKILL.md'2. Vérifier les prérequis
Lisez SKILL.md avant de l’utiliser. Si le fichier cite des scripts ou services externes, examinez-les et préparez les accès nécessaires dans votre environnement de test.
Aucune section de prérequis reconnue dans ce fichier. Cela ne signifie pas qu’il est autonome : les bibliothèques, outils et accès peuvent être cités ailleurs dans le contenu ou dans le dépôt source.
Les plateformes de la fiche sont des indications du catalogue. Les chemins ci-dessous suivent la documentation des outils ; ils ne prouvent pas que cette skill y a été exécutée. Aucune version minimale de ces outils n’est attestée pour cette fiche.
3. Charger la skill
Après vérification, copiez le dossier complet dans le projet avec l’une des commandes ci-dessous, puis ouvrez une nouvelle session de l’outil. La commande s’arrête si un dossier du même nom existe déjà : comparez les fichiers avant de le remplacer.
Claude Code
test -f '.skill-downloads/fse-esec-empirical-evaluation-methodology-mse7iokg/SKILL.md' && test -s '.skill-downloads/fse-esec-empirical-evaluation-methodology-mse7iokg/SKILL.md' && mkdir -p '.claude/skills' && test ! -e '.claude/skills/fse-experiments' && cp -R '.skill-downloads/fse-esec-empirical-evaluation-methodology-mse7iokg' '.claude/skills/fse-experiments'Cursor
test -f '.skill-downloads/fse-esec-empirical-evaluation-methodology-mse7iokg/SKILL.md' && test -s '.skill-downloads/fse-esec-empirical-evaluation-methodology-mse7iokg/SKILL.md' && mkdir -p '.cursor/skills' && test ! -e '.cursor/skills/fse-experiments' && cp -R '.skill-downloads/fse-esec-empirical-evaluation-methodology-mse7iokg' '.cursor/skills/fse-experiments'Codex
test -f '.skill-downloads/fse-esec-empirical-evaluation-methodology-mse7iokg/SKILL.md' && test -s '.skill-downloads/fse-esec-empirical-evaluation-methodology-mse7iokg/SKILL.md' && mkdir -p '.agents/skills' && test ! -e '.agents/skills/fse-experiments' && cp -R '.skill-downloads/fse-esec-empirical-evaluation-methodology-mse7iokg' '.agents/skills/fse-experiments'OpenSkills
OpenSkills doit déjà être installé. La procédure locale install/read est contrôlée avec OpenSkills 1.5.0, qui exige Node.js ≥ 20.6.0. Aucun slug du catalogue n’est résolu automatiquement.
Installation officielle d’OpenSkillsopenskills install './.skill-downloads/fse-esec-empirical-evaluation-methodology-mse7iokg'openskills read 'fse-esec-empirical-evaluation-methodology-mse7iokg'La lecture doit afficher le contenu du fichier installé et son dossier de base. Elle ne lance ni la skill ni ses dépendances.
Pour un agent qui lit AGENTS.md, synchronisez ensuite l’index. Cette commande modifie AGENTS.md : relisez le diff avant de l’utiliser.
openskills syncMode manuel ou autre outil : joignez SKILL.md à une conversation, ou ouvrez-le dans un agent capable de lire les fichiers. Ajoutez les ressources annexes nécessaires. Il n’existe pas de dossier universel reconnu par tous les outils.
4. Faire un premier essai
Utilisez une entrée courte et fictive : un endpoint d’API, un petit document ou un brief d’interface. Dans une nouvelle conversation, joignez le fichier ou donnez son chemin à l’agent, puis adaptez cette demande :
Lis .skill-downloads/fse-esec-empirical-evaluation-methodology-mse7iokg/SKILL.md et applique ses instructions à cet exemple : [décrire une entrée de test]. Indique les fichiers, dépendances ou accès qui manquent. Produis le résultat demandé par la skill sans inventer de données ni exécuter de script non examiné.Résultat attendu : une sortie correspondant aux instructions de la skill, ou une liste précise des prérequis manquants. Une simple confirmation de lecture ne valide pas le premier usage. Si une ressource externe est indisponible, ce parcours reste à tester.
Comparaison de performances ClickHouse
Testing
Évaluez les résultats de tests de performance ClickHouse, analysez les régressions de PR, comparez avec l'historique et vérifiez la fiabilité des mesures.
Analyse des rapports de performance CI
Testing
Analyse les rapports de comparaison de performance CI pour une PR ClickHouse. Recoupe l'historique master pour distinguer les vraies régressions des tests instables.
Méthode Santa
Testing
Vérification adversarial multi-agents avec deux réviseurs indépendants. La sortie est vérifiée deux fois et corrigée itérativement jusqu'à ce que les deux acceptent avant publication.