• 利比亚武装冲突期间综合性疾病的地理分布模式：公共卫生干预的新视角？

  在当今全球范围内，武装冲突对公共健康的影响日益受到关注。这种影响不仅体现在直接的伤亡上，还表现为各种疾病的共存和相互作用，形成了所谓的“综合征”（syndemic）现象。综合征是指多种疾病在特定社会或地理环境中同时发生并相互增强其影响的模式。本文探讨了利比亚在武装冲突期间，三种共存疾病的地理综合征模式，包括结核病（TB）与新冠病毒（SARS-CoV-2）、丙型肝炎（HCV）与人类免疫缺陷病毒（HIV）以及死亡率与发病率之间的关系。通过地理主题制图和时空分析，研究揭示了这些疾病在不同地区的分布特征，并强调了基于地理区域进行医疗资源优先分配的重要性。### 地理分析在公共卫生中的重要性地理分析是公

  来源：Frontiers in Epidemiology

  时间：2025-11-08

• 一种受量子力学启发、模仿生物机制并基于分形理论的框架，用于自修复人工智能代码生成：实现负责任的自动化与涌现智能之间的融合

  在当今快速发展的软件工程领域，人工智能驱动的代码生成技术正逐渐成为开发过程中的重要组成部分。然而，尽管这些技术在某些方面展现出显著潜力，但它们在敏捷开发环境中的应用仍然面临诸多挑战。现有的AI代码生成系统往往缺乏足够的自适应性和自我修复能力，这限制了它们在复杂、动态变化的软件开发场景中的有效性。本文提出了一种全新的自修复框架，该框架融合了量子启发式优化、仿生机制和分形原理，旨在解决当前AI代码生成技术中的关键问题，提升其在实际应用中的表现。当前的AI代码生成系统主要依赖于静态模式匹配和模板化生成策略，这使得它们在面对不断变化的需求和复杂的系统架构时显得不够灵活。例如，GitHub Copilo

  来源：Frontiers in Artificial Intelligence

  时间：2025-11-08

• 在教育环境中实施联邦学习以实现隐私保护的情感检测

  在当今教育环境中，情绪识别技术正逐步成为提升学生参与度、学习效果和心理健康的有力工具。然而，传统的系统如DeepFace等，虽然在情感分类任务中表现出色，却面临数据隐私和可扩展性方面的重大挑战。这些系统通常需要将敏感数据传输到中心服务器进行训练和推理，这不仅可能导致学生信息泄露，也限制了其在大规模或多样化教育场景中的应用。因此，本文提出了一种基于联邦学习的模型，旨在解决这些问题，通过在学生设备上进行本地处理，从而保护数据隐私并实现系统的可扩展性。该模型被集成到Moodle平台中，以评估其在传统教育环境中的实际应用效果。通过先进的匿名化和预处理技术，确保了情感数据的安全性和数据质量的优化。实验结

  来源：Frontiers in Artificial Intelligence

  时间：2025-11-08

• 利用深度学习和临床数据整合进行肝脏脂肪的定量超声评估

  摘要目的代谢功能障碍相关性脂肪性肝病（MASLD）的发病率不断上升，这凸显了需要有效的评估工具，尤其是用于定量评估肝脏脂肪变性的工具。鉴于瞬时弹性成像（TE）的可用性有限，特别是在资源有限的环境中，我们旨在开发一种人工智能（AI）模型，利用在大多数医疗机构中广泛可用的常规超声技术来量化肝脏脂肪变性。方法从2017年到2023年，收集了患者的肝脏超声图像以及通过TE获得的控制衰减参数（CAP）评分。通过将YOLOv8图像分类技术与主成分分析和Lasso回归相结合，开发了一个预测模型，以从超声图像中估算CAP评分。数据集被随机分为训练集（80%）、验证集（10%）和测试集（10%）。同时纳入了患者

  来源：Journal of Medical and Biological Engineering

  时间：2025-11-08

• 林中伯劳鸟的春季加速环路迁移

  摘要林中伯劳鸟是一种长距离迁徙的鸟类，其欧洲种群数量在过去几十年中有所下降。为了为保护工作提供依据，我们使用光强传感器和多传感器记录器追踪了来自法国南部的五只繁殖期雄性个体。我们发现它们的迁徙路径呈明显的逆时针环形。秋季，这些鸟类从7月底到8月中旬开始迁徙，在西班牙或摩洛哥停留较长时间，随后再次在毛里塔尼亚或马里停留，最终在10月初抵达撒哈勒地区的非繁殖地（马里东部、尼日尔西部、尼日利亚北部）。繁殖后的迁徙平均持续时间为52天。春季，它们在4月中旬出发，并于4月27日至5月1日期间同步返回繁殖地。春季的迁徙路线更为直接，平均迁徙时间显著缩短至15天。中途停留时间很短（中位停留时间为20小时），

  来源：Journal of Ornithology

  时间：2025-11-08

• 从语义代码搜索角度进行故障定位

  摘要软件开发过程的特点是一个迭代循环，包括持续的功能实现和调试，这对于提高软件质量和适应不断变化的需求至关重要。这一过程包含两个独立研究的任务：代码搜索（Code Search，简称CS），它从代码库中检索参考代码以辅助代码实现；以及故障定位（Fault Localization，简称FL），它识别软件项目中导致错误的代码实体，从而提高软件调试效率。本研究的基本观察结果是，这两个任务具有相似性，因为它们都涉及搜索问题。值得注意的是，CS技术的效果优于FL技术，这可能是因为自然语言查询提供了所需代码的精确语义细节，而这些细节对于FL方法来说并不容易获取。基于这一点，我们假设如果能够提供有关有缺陷

  来源：ACM Transactions on Software Engineering and Methodology

  时间：2025-11-08

• CITYWALK：通过项目依赖关系感知和语言特定知识来提升基于大语言模型的C++单元测试生成能力

  摘要单元测试在软件开发生命周期中起着关键作用，因为它能够确保代码质量。然而，在实际开发过程中，编写高质量的单元测试仍然是一项耗时的任务。最近，大型语言模型（LLMs）在自动化单元测试生成方面的应用展现出了令人鼓舞的结果。现有的方法主要针对解释型编程语言（例如Java），而针对编译型编程语言（如C++）的成熟解决方案尚未得到充分探索。C++的复杂语言特性，如指针、模板和虚函数，给LLMs生成可执行且覆盖范围广的单元测试带来了特殊挑战。为了解决这些问题，本文介绍了一个基于LLM的C++单元测试生成框架CITYWALK。该框架通过程序分析帮助LLMs全面理解被测试项目中的依赖关系，同时结合从项目文档

  来源：ACM Transactions on Software Engineering and Methodology

  时间：2025-11-08

• CCIHunter：通过两阶段预训练提升智能合约代码注释不一致性的检测能力

  摘要智能合约是区块链上的自执行计算机程序。随着区块链技术的发展，智能合约的数量迅速增加，人们对它们安全性的关注也随之提高。遗憾的是，一些智能合约中经常存在代码实现逻辑与注释中描述意图之间的不一致现象，这种现象被称为“代码-注释不一致性”（Code-Comment Inconsistencies，简称CCI）。这些不一致性可能会误导读者理解合约代码，在严重情况下甚至可能导致安全漏洞和经济损失。现有的基于学习的方法并不适用于智能合约语言，它们忽视了由于注释引用和嵌套意图导致的上下文信息不足的问题，并且依赖于大规模标记数据；而基于规则的方法难以适应开发者表达意图的灵活性，常常会产生误报。为了解决上下

  来源：ACM Transactions on Software Engineering and Methodology

  时间：2025-11-08

• BePilot：一种用于编译器后端开发的人工智能编程辅助工具

  摘要编译器后端负责为各种处理器生成可执行的机器代码。随着处理器种类的不断增加，程序员需要为每种处理器定制相应的编译器后端。然而，编译器后端的开发仍然是一个劳动密集型且耗时的过程，可用的自动化工具也非常有限。尽管大型语言模型（LLMs）在代码补全和生成任务中表现出较强的能力，但由于缺乏适合编译器后端开发的数据集，这些模型的应用受到了限制。在本文中，我们介绍了ComBack++，这是一个多语言数据集，涵盖了C/C++、机器描述和表生成（TableGen）方面的内容，包含了来自GCC和LLVM的184个编译器后端以及四个特定于后端的任务。基于ComBack++，我们提出了BePilot，这是一个针对

  来源：ACM Transactions on Software Engineering and Methodology

  时间：2025-11-08

• APR中的补丁生成：从利用大语言模型（LLMs）和使用APR特定信息的角度进行的综述

  摘要自动化程序修复（APR）是软件开发和维护中的关键任务，其目标是在无需人工干预的情况下自动修复软件漏洞。大型语言模型（LLMs）的出现显著推动了APR技术的发展。然而，随着研究人员深入探索将APR作为LLMs的下游任务，一个关键挑战仍然存在：如何有效地整合与APR相关的信息以补充LLMs的能力。本综述回顾了124项现有的APR研究，这些研究大多发表于2021年至2024年间，从两个角度进行了分析：一是利用LLMs，二是利用与APR相关的信息。首先，我们定义了与APR相关的信息的概念；接着，我们总结了在四个维度上利用LLMs生成补丁的技术；随后，我们探讨了影响LLMs生成补丁效果的关键因素，如

  来源：ACM Transactions on Software Engineering and Methodology

  时间：2025-11-08

• Linux内核的可配置性有多高？分析二十年来的特性模型发展史——RCR报告

  摘要这是与我们TOSEM’25论文《Linux内核的可配置性如何？分析二十年的特性模型历史》相配套的RCR报告。在本报告中，我们汇总了与论文相关的所有数据，以确保可重复性和长期存档。这些数据包括特性模型提取工具torte、完整的特性模型数据集以及实验结果。

  来源：ACM Transactions on Software Engineering and Methodology

  时间：2025-11-08

• 理解测试套件规模对测试有效性评估可能产生的混淆效应

  摘要背景：代码覆盖率和变异分数是评估测试套件发现实际缺陷能力的关键测试有效性指标。然而，以往的研究在它们与缺陷检测能力之间的相关性方面得出了不一致甚至相互矛盾的结论，尤其是在测试套件规模的影响方面。问题：在测试有效性评估的背景下，测试套件规模可能产生的混淆效应的程度尚不清楚，也没有明确的方法来消除这种混淆效应，以及消除这种效应对测试套件优化性能的影响。目标：我们的目标是深入理解测试套件规模如何影响测试有效性指标与测试套件发现实际缺陷能力之间的真实关系。方法：首先，我们使用统计方法来研究测试套件规模在测试有效性评估背景下的潜在混淆效应程度。之后，我们提出了一种基于线性回归的方法来消除这种潜在的混

  来源：ACM Transactions on Software Engineering and Methodology

  时间：2025-11-08

• WACANA：一种用于检测WASM智能合约中链上数据漏洞的协同分析工具

  摘要WebAssembly（WASM）已成为多个区块链平台智能合约开发中的关键技术。不幸的是，自WASM智能合约问世以来，由于合约漏洞的存在，它们多次遭遇安全事件，导致了巨大的经济损失。然而，现有的用于检测WASM合约漏洞的工具在准确性方面存在局限性，主要原因之一是对链上数据API的模拟过于粗粒度。在本文中，我们介绍了WACANA——一种能够通过细粒度模拟链上数据API来准确检测漏洞的WASM合约分析器。WACANA能够精确模拟链上数据表的结构及其对应的API函数，并在基于覆盖范围的循环中结合具体执行和符号执行，以平衡准确性和效率。通过对2,012个合约的漏洞数据集进行评估，结果显示WACAN

  来源：ACM Transactions on Software Engineering and Methodology

  时间：2025-11-08

• 基于LLM的众包测试报告聚类

  摘要众包测试的开放性为测试结果带来了多样性。然而，这也导致了大量的测试报告，其中许多报告都突出了相同的问题。虽然这些报告提供了宝贵的反馈，但由于报告的冗余性，开发者在审查报告和识别错误时效率较低。为此，提出了众包测试报告聚类的方法，使开发者能够只关注每个簇中的代表性报告。然而，现有方法主要依赖于从报告中提取的特征来进行聚类，由于缺乏对报告的深入语义理解，这限制了它们生成准确且可解释的簇的能力。为了解决上述问题，我们提出了LLMCluster，这是一种基于大型语言模型（LLMs）的众包测试报告聚类新方法。LLMCluster采用了一种迭代聚类策略。在每次迭代中，LLMCluster通过指导LLM

  来源：ACM Transactions on Software Engineering and Methodology

  时间：2025-11-08

• 在 Solidity 智能合约中检测和分析细粒度的第三方库依赖关系

  摘要Solidity 是编写智能合约的主要编程语言。作为一种轻量级语言，Solidity 没有统一的方式来管理第三方库（TPL）的依赖关系。因此，人们通常采用复制粘贴的方式，或者使用 NPM 和 Git 子模块等依赖管理工具来处理这些依赖关系。然而，这些方法显著增加了使用第三方库的复杂性，并带来了安全风险。与其他编程语言生态系统类似，不正确的第三方库使用方式可能会影响合约的可靠性，甚至由于使用过时的版本而引入安全漏洞。因此，迫切需要了解和掌握 Solidity 中第三方库的依赖关系。在这项研究中，我们对 Solidity 中第三方库的依赖使用情况进行了全面分析。为此，我们开发了 SPADE 工

  来源：ACM Transactions on Software Engineering and Methodology

  时间：2025-11-08

• TestLoop：一种描述“人在回路”（Human-in-the-Loop）软件测试套件生成的过程模型

  摘要软件工程师使用的测试工具种类繁多。例如，模糊测试工具（fuzzers）旨在检测程序崩溃和安全漏洞，而测试套件生成器（Test Suite Generators, TUGs）则可以创建覆盖范围广泛的测试套件。在研究领域，测试工具的性能主要通过识别出的错误数量或代码覆盖率等指标来评估。然而，获得这些指标的优异数值并不一定意味着这些工具能够帮助软件工程师高效地开发出有效的测试套件。为了了解测试套件的生成过程，我们对之前发表的一项用户研究进行了二次分析，该研究中28名专业软件工程师使用两种工具为三个程序分别生成了测试套件。从这168条记录中（

  来源：ACM Transactions on Software Engineering and Methodology

  时间：2025-11-08

• 从晦涩难懂到清晰明了——通过训练大语言模型（LLM）的解释能力来检测智能合约中的漏洞

  摘要智能合约彻底改变了交易执行的方式，提供了去中心化且不可篡改的框架。然而，如果智能合约代码中存在漏洞，其不可篡改性会带来重大风险，从而导致财务损失。尽管在利用深度学习进行智能合约漏洞检测（SCVD）方面取得了进展，但现有方法仍难以处理智能合约代码中复杂的逻辑和精妙的语义。大型语言模型（LLMs）在深入理解智能合约逻辑方面展现出潜力。不过，像GPT这样的LLMs仅采用解码器架构，并以无监督的方式训练，而非学习特定标签。在SCVD任务中，这些LLMs难以捕捉与漏洞相关的信息，从而导致准确率非常低。因此，我们提出了CodeXplain这一创新方法，它结合了LLMs对代码的深入理解与深度学习模型的监

  来源：ACM Transactions on Software Engineering and Methodology

  时间：2025-11-08

• AECT：利用智能手机实现精确、节能的接触者追踪，以检测传染病

  编辑部声明关注声明：在针对《TOSN 特刊：智能城市中的绿色通信与传感器网络及机器智能》所发表的所有论文进行彻底调查以核实同行评审过程的完整性期间，ACM 发布了一份正式的关注声明。ACM 强烈建议在调查完成并针对同行评审过程的完整性作出最终决定之前，不要在学术文献中引用该特刊中的论文。摘要接触追踪是减少智能城市中传染病影响的重要技术。配备接近传感器的智能手机可用于实现接触追踪，但检测的准确性和能源效率是一个关键挑战。为了解决这一挑战，我们提出了一种精确且节能的接触追踪（AECT）算法，该算法通过在服务器端进行计算来识别与感染者有过接触的用户。此外，AECT 算法采用无线扫描方法，该方法基于伪

  来源：ACM Transactions on Sensor Networks

  时间：2025-11-08

• 利用迁移学习和无线传感器网络进行轨迹规划，以实现目标搜索的移动机器人

  编者按关切声明：在针对《TOSN 特刊：绿色通信与智能城市中的传感器网络与机器智能》发表的所有论文进行彻底调查以核实同行评审过程的完整性期间，ACM 发布了一份正式的关切声明。ACM 强烈建议在调查结束并作出关于同行评审过程完整性的最终决定之前，不要在文献中引用该特刊中的论文。摘要轨迹规划是移动机器人研究领域的核心技术。然而，传统的轨迹规划算法存在精度低和复杂性高的问题。因此，我们提出了一种基于迁移学习（TL）和无线传感器网络的移动机器人目标搜索轨迹规划算法。首先，构建移动机器人的运动模型并将其转换为线性运动模型；其次，分析机器人的运动约束（如速度、加速度和位置）；然后，利用超声波传感器获取机

  来源：ACM Transactions on Sensor Networks

  时间：2025-11-08

• 智能城市中基于区块链的联网汽车数据管理的可信范式

  编者按关切声明：在针对《TOSN》关于绿色通信与智能城市中的传感器网络及机器智能的特刊所发表的所有论文进行彻底调查期间，ACM正式发布了关切声明。该调查旨在核实同行评审过程的完整性。ACM强烈建议，在ACM的调查完成并就同行评审过程的完整性作出最终决定之前，不要在学术文献中引用这些特刊中的论文。摘要车联网（IoV）使车辆能够生成和共享信息，从而提高交通的安全性和效率，尤其是在运用现代通信技术的智能城市环境中。然而，当前的车联网面临三个主要问题：（1）现有的框架无法构建完整的数据管理系统；（2）在不可信环境中接收到的信息难以评估其可信度；（3）集中式的数据存储方式导致了严重的安全性和效率问题。基

  来源：ACM Transactions on Sensor Networks

  时间：2025-11-08

知名企业招聘：