综述：从手动到自动化的系统评价：影响软件工程中系统评价时长的关键属性

本综述深入探讨了影响软件工程领域系统评价（SLR）耗时的核心因素，通过三级研究识别出作者数量、初始检索文献量、纳入分析文献数及滚雪球技术使用等关键属性，为SLR流程优化与自动化转型提供了量化依据，对推动证据合成研究的标准化与智能化具有重要指导意义。

　　

Abstract

Context

系统评价（Systematic Literature Review, SLR）被广泛认为是科学文献中知识整合的全面、可重复且偏倚较低的方法。尽管SLR能有效识别研究空白并支持证据导向的决策，但其耗时耗力的特性与日益增长的文献数量形成矛盾。目前对影响手动SLR性能的因素缺乏系统认知，限制了研究者对流程的规划与优化。

Objective

本研究旨在明确直接影响SLR时间消耗的属性，为流程改进和自动化提供理论基础。

Methods

通过一项三级研究，我们识别了138篇二级研究，映射了可能影响SLR性能的属性，并从SLR报告及元数据中提取数据，综合分析其影响趋势。

Results

研究发现四大核心属性显著影响SLR时长：作者数量、数据库初始检索论文数量、纳入数据合成的论文数量以及滚雪球技术的使用。趋势表明，较小规模的研究团队（2-5人）倾向于使用4-6个数据库处理大量文献，且滚雪球技术的应用逐渐增加。

Conclusion

本研究揭示了手动SLR的瓶颈，强调了向自动化演进的必要性。属性映射仅是实现SLR过程可度量化的第一步，研究成果为学者和实践者在数字化转型背景下规划SLR及IT项目提供了具体建议。

Introduction

文献综述是任何研究项目的起点与核心组成部分。在软件工程（Software Engineering, SE）等领域，系统评价（SLR）是最全面的综述形式，其旨在识别、评估和合成所有与研究问题相关的现有证据。尽管Kitchenham和Charters提出了SLR的严格指南，但数据收集、提取与合成过程仍面临劳动密集型、知识依赖性强、耗时长等问题。

随着数据挖掘和人工智能（AI）技术的发展，SLR自动化成为可能。然而，自动化方法仍存在不完整性、工具缺乏、质量不足和数据提取不准确等局限。大型语言模型（LLM）在SLR中的应用仍受限，因流程复杂且需深度领域理解。机器学习算法之间的差异也影响了预测准确性。因此，结合传统方法与AI技术的混合型SLR成为新的研究方向。

本研究基于能力成熟度模型（CMM）的理念，将SLR视为可度量、可管理的过程，从时间、成本和质量三个维度分析其性能。通过属性发现与系统化，为SLR的建模、预测与自动化提供支持，推动科学研究的质效提升。

Related works

现有关于SLR的研究主要分为两类：一是从活动角度分析SLR自动化，二是评估SLR质量。然而，缺乏对SLR时长影响属性的深入分析。本研究填补了这一空白，结合了SLR自动化、过程成熟度模型、质量评估与搜索技术等概念，提出了SLR成熟度的新视角。

Research Methodology

本研究遵循Kitchenham和Charters的指南及PRISMA框架，通过以下步骤进行：

1. 1.

   使用Web of Science数据库检索相关SLR研究；

2. 2.

   应用包含与排除标准筛选文献；

3. 3.

   从纳入研究中提取数据并分析其属性影响。

Results

通过对138篇SLR的分析，确定了六个关键属性：作者数量、研究问题数量、检索数据库数量、初始检索论文数、纳入论文数及滚雪球技术使用。统计显示，较小团队更依赖多数据库与滚雪球技术处理大量文献，且这一趋势逐年增强。

Discussion

本研究表明，SLR过程仍缺乏一致性与可度量性，多数研究者仅遵循指南而未将其视为可管理的过程。属性识别为SLR的量化管理奠定了基础，有助于流程优化与自动化工具的开发。未来研究需进一步探索属性间的相互作用及其对SLR质量的综合影响。

Conclusions

SLR应被明确定义为可识别、可度量、可管理的过程。本研究通过属性映射推动了SLR过程的标准化与自动化，为学者和实践者提供了实用建议，支持其在日益复杂的科研环境中高效开展证据合成工作。