Citación
Escenarios de reparación
Error semántico
Vulnerabilidad de seguridad
Error de sintaxis
Problema de programación
Advertencia estática
Autodepuración
Error de tipo
Prueba de interfaz de usuario web
Contrato inteligente
Error de hardware
Error de rendimiento
Uso indebido de API
Error de accidente
Caso de prueba
Prueba formal
Error de traducción
Problema de GitHub
Revisión de código
Planificador de movimiento
? estudio humano
? Evaluación de la corrección del parche
Punto de referencia
? Encuestas APR relacionadas
@article{zhang2024survey, title={Una revisión sistemática de la literatura sobre modelos de lenguaje grandes para la reparación automatizada de programas}, autor={Zhang, Quanjun y Fang, Chunrong y Xie, Yang y Ma, Yuxiang y Sun, Weisong y Yang, Yun y Chen , Zhenyu}, diario={arXiv preprint arXiv:2405.01466}
año={2024}}agregar estudios basados en agentes SE para problemas de GitHub
agregar documentos ISSTA 2024
publicar una nueva versión de este documento en arXiv
PRINCIPAL: Resolución de problemas de calidad del código mediante LLM [2024-FSE]
Solución rápida: tecnología de reparación automática de vulnerabilidades basada en ingeniería rápida [2024-ICNC]
Evaluación de modelos de lenguaje grandes para la reparación de vulnerabilidades del mundo real en código C/C++[2024-IWSPA]
Investigación de capacidades de modelos de lenguaje grandes para la reparación automática de código en Python[2024-Cluster Computing]
LPR: Reducción del programa asistido por modelos de lenguajes grandes[2024-ISSTA]
Un estudio de caso de LLM para la reparación automatizada de vulnerabilidades: evaluación del impacto del razonamiento y los comentarios de validación de parches (2024年7月) AIware 2024
Cuando los modelos de lenguajes grandes se enfrentan a la reparación automática de programas a nivel de repositorio: ¿qué tan bien lo hicieron? [2024-CISE]
Exploración del ajuste fino con parámetros eficientes de un modelo de lenguaje grande en la reparación automatizada de programas [2024-ASE]
Explorando el potencial de la reparación de programas basados en un conjunto de pruebas conversacionales en SWE-bench [2024-arXiv]
Exploración y mejora de la solidez de la reparación automatizada de programas impulsada por LLM con pruebas metamórficas [2024-arXiv] [artículo]
Divide y vencerás: automatización de revisiones de código mediante localización y revisión [2024-TOSEM]
Del código a la corrección: cerrando la última milla de la generación de código con depuración jerárquica [2024-arXiv] [artículo] [repo]
Reparación automatizada de programas para tareas introductorias de programación [2024-TLT] [artículo]
Reparación automatizada de código de IA con modelos de lenguaje grandes y verificación formal [2024-arXiv] [artículo]
CraftRTL: Generación de datos sintéticos de alta calidad para modelos de código Verilog con representaciones no textuales correctas por construcción y reparación de código dirigida [2024-arXiv-NVIDIA] [artículo]
Evaluación comparativa de la reparación automatizada de programas: un estudio exhaustivo sobre errores artificiales y del mundo real [2024-ISSTA] [artículo]
Reparación automatizada de programas a través de conversación: solucionando 162 de 337 errores por $0,42 cada uno usando chatgpt[2024-ISSTA] [documento]
Aprovechamiento del modelo de lenguaje grande para la evaluación automática de la corrección de parches [2024-TSE] [artículo]
Reparación automatizada de programas para errores de variabilidad en sistemas de líneas de productos de software[2024-JSS] [artículo]
PyBugHive: una base de datos completa de errores de Python reproducibles y validados manualmente [Acceso IEEE 2024] [artículo]
¿Cómo entender el repositorio de software completo? [2024-arXiv] [artículo]
Reparación automatizada de programas para errores de variabilidad en sistemas de líneas de productos de software[2024-JSS] [artículo]
Un enfoque de depuración unificado mediante sinergia de agentes múltiples basada en LLM [2024-arxiv] [artículo] [repo]
¿Hasta dónde podemos llegar con la reparación práctica de programas a nivel de función? [2024-arxiv] [artículo] [repositorio]
Reparación automatizada de programas a través de conversación: solucionando 162 de 337 errores por $0,42 cada uno usando chatgpt[2024-ISSTA] [documento]
Versión anterior: Mantenga la conversación: corrige 162 de 337 errores por $0,42 cada uno usando ChatGPT [2023-arxiv] [paper]
Un enfoque novedoso para la reparación automática de programas mediante traducción de ida y vuelta con modelos de lenguaje grandes [2024-arxiv] [artículo] [repo]
Fuera de contexto: ¿Qué importancia tiene el contexto local en la reparación del programa neuronal? [2024-ICSE] [documento] [repositorio]
Ajuste multiobjetivo para la reparación mejorada de programas con LLM [2024-arxiv] [artículo]
Alineación de LLM para la reparación de programas sin FL [2024-arxiv] [documento]
ContrastRepair: mejora de la reparación automatizada de programas basada en conversaciones mediante pares de casos de prueba contrastantes [2024-arxiv] [artículo]
Exploración del potencial de los modelos de código de lenguaje previamente entrenados para la reparación automatizada de programas [2024-Electronics] [artículo]
CigaR: Reparación de programas rentable con LLM [2024-arxiv] [artículo] [repo]
El problema de la selección de hechos en la reparación de programas basados en LLM [2024-arxiv] [artículo] [repo]
Un enfoque novedoso para la reparación automatizada de programas mediante traducción de ida y vuelta con modelos de lenguaje grandes [2024-arxiv] [artículo] [repo]
RepairAgent: un agente autónomo basado en LLM para la reparación de programas [2024-arxiv] [documento]
Una inmersión profunda en modelos de lenguajes grandes para la localización y reparación automatizada de errores [2024-FSE/ESEC] [artículo]
Reparación automatizada de programas en la era de los grandes modelos de lenguajes previamente entrenados [2023-ICSE] [artículo] [repo]
La reparación es casi una generación: reparación de programas multilingües con LLM [2023-AAAI] [artículo]
Selección de indicaciones basada en recuperación para el aprendizaje de pocas oportunidades relacionado con el código [2023-ICSE] [artículo] [repo]
¿Qué hace que las demostraciones en contexto sean buenas para tareas de inteligencia de código con llms? [2023-ASE] [documento] [repositorio]
Programación totalmente autónoma con modelos de lenguajes grandes [2023-GECCO] [artículo] [repo]
Reparación automatizada de programas mediante modelos generativos para el relleno de código [2023-AIED] [artículo] [repo]
STEAM: Simulación del comportamiento interactivo de los programadores para la corrección automática de errores [2023-arxiv] [artículo]
Reparación de programas automatizados conversacionales [2023-arxiv] [artículo]
¿Es ChatGPT el asistente de programación definitivo? ¿Hasta qué punto está? [2023-arxiv] [artículo] [repositorio]
Uso de modelos de lenguaje grandes para la localización y corrección de errores [2023-iCAST] [artículo]
Un estudio empírico sobre el ajuste de modelos de código de lenguaje grande para la reparación automatizada de programas [2023-ASE] [artículo] [repo]
Una evaluación de la eficacia de ChatGPT de OpenAI para la corrección automatizada de errores del programa Python utilizando QuixBugs [2023-iSEMANTIC] [artículo]
Depuración automatizada explicable mediante depuración científica basada en modelos de lenguaje grande [2023-arxiv] [artículo]
Las indicaciones adecuadas para el trabajo: reparar defectos de revisión de código con un modelo de lenguaje grande [2023-arxiv] [artículo]
Impacto de los modelos de lenguaje de código en la reparación automatizada de programas [2023-ICSE] [artículo] [repo]
Hacia la generación de ediciones de código funcionalmente correctas a partir de descripciones de problemas en lenguaje natural [2023-arxiv] [artículo]
La hipótesis de la cirugía plástica en la era de los grandes modelos de lenguaje [2023-ASE] [artículo] [repo]
Exploración de los límites de ChatGPT en aplicaciones de seguridad de software [2023-arxiv] [artículo]
CodeScope: un punto de referencia multidimensional multitarea multilingüe basado en ejecución para evaluar LLM sobre comprensión y generación de código [2023-arxiv] [artículo] [repo]
Mejora de la reparación automatizada de programas mediante ajustes precisos e ingeniería rápida [2023-arxiv] [artículo] [repo]
Modelos de lenguaje de capacitación para retroalimentación de programación utilizando herramientas de reparación automatizadas [2023-AIED] [artículo] [repo]
RepairLLaMA: Representaciones eficientes y adaptadores optimizados para la reparación de programas [2023-arxiv] [documento] [repo]
Edición automatizada de código con Buscar-Generar-Modificar [2023-arxiv] [documento] [repo]
RAP-Gen: Generación de parches con recuperación aumentada con CodeT5 para reparación automática de programas [2023-FSE/ESEC] [documento] [repo]
Reparación de programas neuronales con análisis de dependencia del programa y mecanismo de filtrado eficaz [2023-arxiv] [artículo]
Café: Mejore sus LLM de código corrigiendo errores con comentarios [2023-arxiv] [documento] [repo]
Un estudio sobre el diseño rápido, las ventajas y las limitaciones de ChatGPT para la reparación de programas de aprendizaje profundo [2023-arxiv] [artículo]
Copiloto de los copilotos: fusión de modelos de lenguajes grandes con motores de finalización para la reparación automatizada de programas [2023-FSE/ESEC] [artículo] [repo]
Gamma: Revisión de la reparación automatizada de programas basada en plantillas mediante predicción de máscara [2023-ASE] [artículo] [repo]
Un estudio exhaustivo sobre la arquitectura de modelos y la representación de programas en el ámbito de la reparación automatizada de programas basada en el aprendizaje [2023-APR] [artículo] [repo]
Mejora de la reparación automatizada de programas con adaptación de dominio [2023-TOSEM] [artículo] [repo]
Mejora de los modelos de lenguaje de código para la reparación de programas mediante un marco de ajuste curricular [2023-ICSME] [artículo]
El uso potencial de ChatGPT para depurar y corregir errores [2023-] [artículo]
CÍRCULO: Reparación continua en lenguajes de programación [2022-ISSTA] [artículo] [repositorio]
Hacia la reparación de programas JavaScript con Transformador generativo preentrenado (GPT-2) [2022-APR] [artículo] [repo]
Solucione errores con Transformer mediante una gramática de edición neuronal-simbólica [2022-ICLR] [artículo]
Generación de parches con modelos de lenguaje: viabilidad y comportamiento de escalamiento [2022-ICLR] [artículo]
¿Puede el códice de OpenAI corregir errores?: una evaluación de QuixBugs [2022-ABR] [artículo]
Un análisis del rendimiento de la corrección automática de errores de ChatGPT [2022-ABR] [artículo] [repo]
Menos capacitación, más reparación, por favor: revisando la reparación automatizada de programas mediante aprendizaje instantáneo [2022-FSE/ESEC] [paer] [repo]
Reparación del programa de encuadre como finalización del código [2022-ABR] [documento] [repositorio]
DEAR Un nuevo enfoque basado en el aprendizaje profundo para la reparación automatizada de programas [2022-ICSE] [artículo] [repo]
Generación de correcciones de errores utilizando transformadores previamente entrenados [2021-PLDI] [documento]
Aplicación de CodeBERT para la reparación automatizada de programas de errores simples de Java [2021-MSR] [documento] [repo]
Traducción automática neuronal con reconocimiento de código CURE para la reparación automática de programas [2021-ICSE] [artículo] [repo]
¿Cómo entender el repositorio de software completo? [2024-arXiv] [artículo]
Reparación automatizada de código de IA con modelos de lenguaje grandes y verificación formal [2024-arXiv] [artículo]
NAVRepair: Reparación de vulnerabilidad de código C/C++ compatible con tipo de nodo [2024-arxiv] [artículo]
Reparación automatizada mejorada de vulnerabilidades de código mediante modelos de lenguaje grandes [2024-arxiv] [documento]
Fuera de la vista, fuera de la mente: mejor reparación automática de vulnerabilidades ampliando los rangos y fuentes de entrada [2024-ICSE] [artículo] [repo]
Un estudio sobre la reparación de vulnerabilidades en programas JavaScript con modelos de lenguaje grandes [2024-arxiv] [artículo] [repo]
Instrucción de cadena de pensamiento de modelos de lenguaje grandes para descubrir y corregir vulnerabilidades de software [2024-arxiv] [artículo]
Reparación automatizada de vulnerabilidades de software basada en modelos previamente entrenados: ¿Qué tan lejos estamos? [2023-TDSC] [documento] [repositorio]
Examinando la reparación de vulnerabilidades de disparo cero con modelos de lenguaje grandes [2023-S&P] [artículo] [repositorio]
Un estudio empírico sobre el ajuste de modelos de código de lenguaje grande para la reparación automatizada de programas [2023-ASE] [artículo] [repo]
Una nueva era en la seguridad del software: hacia un software de autorreparación mediante modelos de lenguaje grandes y verificación formal [2023-arxiv] [artículo]
Exploración de los límites de ChatGPT en aplicaciones de seguridad de software [2023-arxiv] [artículo]
ZeroLeak: uso de LLM para parches de canal lateral escalables y rentables [2023-arxiv] [artículo]
Cómo ChatGPT está resolviendo el problema de gestión de vulnerabilidades [2023-arxiv] [documento] [repo]
¿Qué tan efectivas son las redes neuronales para corregir vulnerabilidades de seguridad [2023-ISSTA] [documento] [repo]
Reparación automatizada de vulnerabilidades inspirada en Vision Transformer [2023-TOSEM] [artículo] [repo]
¿Pueden los modelos de lenguaje grandes encontrar y reparar software vulnerable? [2023-arxiv] [artículo]
VulRepair: Reparación automatizada de vulnerabilidades de software basada en T5 [2022-FSE/ESEC] [documento] [repositorio]
Un enfoque novedoso para la reparación automatizada de programas mediante traducción de ida y vuelta con modelos de lenguaje grandes [2024-arxiv] [artículo] [repo]
La reparación es casi una generación: reparación de programas multilingües con LLM [2023-AAAI] [artículo]
Corrección de errores de compilación de Rust mediante LLM [2023-arxiv] [artículo]
Un estudio empírico sobre el ajuste de modelos de código de lenguaje grande para la reparación automatizada de programas [2023-ASE] [artículo] [repo]
Una cadena de soluciones basadas en IA para resolver FQN y corregir errores de sintaxis en código parcial [2023-arxiv] [documento] [repo]
Las indicaciones adecuadas para el trabajo: reparar defectos de revisión de código con un modelo de lenguaje grande [2023-arxiv] [artículo]
SYNSHINE: corrección mejorada de errores de sintaxis [2022-TSE] [artículo] [repo]
CraftRTL: Generación de datos sintéticos de alta calidad para modelos de código Verilog con representaciones no textuales correctas por construcción y reparación de código dirigida [2024-arXiv-NVIDIA] [artículo]
Un enfoque de depuración unificado mediante sinergia de agentes múltiples basada en LLM [2024-arXiv] [artículo] [repo]
PyDex: Reparación de errores en tareas introductorias de Python mediante LLM [2024-OOPSLA] [artículo] [repo]
DebugBench: Evaluación de la capacidad de depuración de modelos de lenguaje grandes [2024-arxiv] [artículo] [repo]
ContrastRepair: mejora de la reparación automatizada de programas basada en conversaciones mediante pares de casos de prueba contrastantes [2024-arxiv] [artículo]
ConDefects: un nuevo conjunto de datos para abordar el problema de fuga de datos para la localización de fallas y la reparación de programas basados en LLM [2024-arxiv] [documento] [repo]
Reparador asistido por pares: potenciar modelos de lenguaje grandes para reparar tareas de estudiantes avanzados [2024-arxiv] [artículo]
Métodos mejorados de reparación de programas mediante refactorización con modelos GPT [2024-SIGCSE TS] [documento] [repo]
Una revisión crítica del modelo de lenguaje grande en ingeniería de software: un ejemplo de chatgpt y reparación automatizada de programas [2023-arxiv] [artículo] [repo]
Reparación automatizada de programas a partir de modelos de lenguajes grandes [2023-ICSE] [artículo] [repo]
FixEval: Evaluación basada en la ejecución de correcciones de programas para problemas de programación [2023-APR] [documento] [repo]
Refinamiento del código generado por ChatGPT: caracterización y mitigación de problemas de calidad del código [2023-TOSEM] [artículo] [repo]
Reparación de errores en tareas de Python utilizando modelos de lenguaje grandes [2022-arixv] [artículo]
¿Frustrado por los problemas de calidad del código? ¡Los LLM pueden ayudar! [2024-FSE/ESEC] [documento] [repositorio]
SkipAnalyzer: un agente incorporado para el análisis de código con modelos de lenguaje grandes [2023-arxiv] [artículo] [repo]
RAP-Gen: Generación de parches con recuperación aumentada con CodeT5 para reparación automática de programas [2023-FSE/ESEC] [documento] [repo]
InferFix: Reparación de programas de un extremo a otro con LLM sobre indicaciones aumentadas de recuperación [2023-FSE/ESEC] [documento] [repo]
¿Pueden los LLM solucionar problemas de seguridad? [2023-arxiv] [documento] [repo]
Mejora de la reparación automatizada de programas con adaptación de dominio [2023-TOSEM] [artículo] [repo]
Un estudio empírico sobre la reparación de programas basados en el aprendizaje por transferencia profunda para proyectos Kotlin [2022-FSE/ESEC] [artículo]
TFix-Learning para corregir errores de codificación con un transformador de texto a texto [2021-PMLR] [documento] [repo]
Del código a la corrección: cerrando la última milla de la generación de código con depuración jerárquica [2024-arXiv] [artículo] [repo]
Enseñanza de modelos de lenguaje grandes para la autodepuración [2024-ICLR] [artículo]
OpenCodeInterpreter: Integración de la generación de código con la ejecución y el refinamiento [2024-arxiv] [artículo] [repo]
CICLO: Aprender a autorefinar la generación de código [2024-OOPSLA] [artículo] [repo]
LDB: un depurador de modelos de lenguaje grande mediante la verificación de la ejecución del tiempo de ejecución paso a paso [2024-arxiv] [documento] [repo]
Aprovechar la depuración de impresión para mejorar la generación de código en modelos de lenguajes grandes [2024-arxiv] [artículo]
SelfEvolve: un marco de evolución de código a través de modelos de lenguaje grandes [2023-arxiv] [artículo]
Autorrefinamiento: refinamiento iterativo con autorretroalimentación [2023-NeurIPS] [artículo] [repo]
AgentCoder: Generación de código de múltiples agentes con pruebas y optimización iterativas [2023-arxiv] [artículo]
Autoedición: editor de código con reconocimiento de fallas para generación de código [2023-ACL] [artículo] [repo]
¿Es la autorreparación una solución milagrosa para la generación de código? [2023-ICLR] [artículo] [repositorio]
El conocimiento del dominio importa: mejora de las indicaciones con plantillas de corrección para reparar errores de tipo Python [2024-ICSE] [documento] [repo]
PyTy: Reparación de errores de tipo estático en Python [2024-ICSE] [artículo] [repo]
Depuración de errores de tipo impulsado por GPT-3: investigación del uso de modelos de lenguaje grandes para la reparación de código [2023-SLE] [artículo] [repo]
Guía de ChatGPT para corregir las pruebas de la interfaz de usuario web mediante la verificación de coherencia de explicaciones [2023-arxiv] [documento]
ACFIX: Orientación de los LLM con prácticas RBAC comunes extraídas para la reparación contextual de vulnerabilidades de control de acceso en contratos inteligentes [2024-arxiv] [documento]
Evaluación de ChatGPT para la corrección de vulnerabilidades de contratos inteligentes [2023-COMPSAC] [artículo] [repo]
Sobre la corrección de códigos de errores de seguridad de hardware mediante la activación de modelos de lenguaje grandes [2024-TIFS] [documento] [repo]
Su preimpresión: Corrección de errores de seguridad de hardware con modelos de lenguaje grandes [2022-arXiv] [artículo]
HDLdebugger: optimización de la depuración de HDL con modelos de lenguajes grandes [2024-arxiv] [artículo]
RTLFixer: Corrección automática de errores de sintaxis RTL con modelos de lenguaje grandes [2023-arxiv] [artículo]
LLM4SecHW: Aprovechamiento del modelo de lenguaje grande específico de dominio para la depuración de hardware [2023-AsianHOST] [artículo]
RAPGen: Un enfoque para corregir las ineficiencias del código en Zero-Shot [2023-arxiv] [artículo]
DeepDev-PERF: un enfoque basado en el aprendizaje profundo para mejorar el rendimiento del software [2022-FSE/ESEC] [artículo] [repo]
Evaluación de modelos de lenguaje previamente entrenados para reparar usos indebidos de API [2023-arxiv] [artículo] [repo]
Resolución de errores de bloqueo mediante modelos de lenguaje grandes: un estudio empírico [2023-arxiv] [artículo] [repo]
Reparación automatizada de casos de prueba mediante modelos de lenguaje [2024-arxiv] [artículo]
Identificar y actualizar casos de prueba cuando cambia el código de producción: un enfoque basado en transformadores [2023-ASE]
Baldur: Generación y reparación completas con modelos de lenguaje grandes [2023-FSE/ESEC] [artículo]
Lost in Translation: Un estudio de errores introducidos por modelos de lenguaje grandes al traducir código [2024-ICSE] [artículo] [repo]
SWE-bench: ¿Pueden los modelos de lenguaje resolver problemas de GitHub del mundo real? [2024-ICLR] [artículo] [repositorio]
Exploración del potencial de ChatGPT en el refinamiento automatizado de código: un estudio empírico [2024-ICSE] [artículo] [repo]
DrPlanner: Diagnóstico y reparación de planificadores de movimiento utilizando modelos de lenguaje grandes [2024-arxiv] [artículo] [repo]
Exploración de experiencias con la reparación automatizada de programas en la práctica [2024-ICSE] [artículo]
Revisando la antinaturalidad para la reparación automatizada de programas en la era de los grandes modelos de lenguaje [2024-arxiv] [papper] [repo]
Un estudio empírico sobre la adopción de ChatGPT para la corrección de errores entre desarrolladores profesionales [2023-ITA] [artículo]
Aprovechamiento del modelo de lenguaje grande para la evaluación automática de la corrección de parches [2024-TSE] [artículo]
APPT impulsa la predicción automatizada de la corrección de parches mediante un modelo de lenguaje previamente entrenado [2024-TSE] [artículo] [repo]
Lo mejor de ambos mundos: combinación de incorporaciones aprendidas con funciones de ingeniería para una predicción precisa de parches correctos [2023-TOSME] [artículo] [repo]
Invalidator: Evaluación automatizada de la corrección de parches mediante razonamiento semántico y sintáctico [2023-TSE] [artículo] [repo]
PatchZero: Evaluación automática de corrección de parches Zero-Shot [2023-arxiv] [artículo]
¿Es este cambio la respuesta a ese problema? Correlación de descripciones de errores y cambios de código para evaluar la corrección de los parches [2021-ASE] [artículo] [repo]
Evaluación del aprendizaje de representación de cambios de código para predecir la corrección de parches en la reparación de programas [2020-ASE] [artículo] [repositorio]
Exploración del ajuste preciso con parámetros eficientes de un modelo de lenguaje grande en la reparación automatizada de programas [2024-ASE] [artículo]
MuBench: Evaluación comparativa de la reparación automatizada de programas: un estudio exhaustivo sobre errores artificiales y del mundo real [2024-ISSTA] [artículo]
CodeEditorBench: Evaluación de la capacidad de edición de código de modelos de lenguaje grandes [2024-arxiv] [artículo] [repo]
GitBug-Java: un punto de referencia reproducible de errores recientes de Java [2024-arxiv] [artículo] [repo]
SWE-bench: ¿Pueden los modelos de lenguaje resolver problemas de GitHub del mundo real? [2024-ICLR] [artículo] [repositorio]
DebugBench: Evaluación de la capacidad de depuración de modelos de lenguaje grandes [2024-arxiv] [artículo] [repo]
ConDefects: un nuevo conjunto de datos para abordar el problema de fuga de datos para la localización de fallas y la reparación de programas basados en LLM [2024-arxiv] [documento] [repo]
Una revisión crítica del modelo de lenguaje grande en ingeniería de software: un ejemplo de chatgpt y reparación automatizada de programas [2023-arxiv] [artículo] [repo]
CodeScope: un punto de referencia multidimensional multitarea multilingüe basado en ejecución para evaluar LLM sobre comprensión y generación de código [2023-arxiv] [artículo] [repo]
FixEval: Evaluación basada en la ejecución de correcciones de programas para problemas de programación [2023-APR] [documento] [repo]
Una encuesta sobre la reparación de programas automatizados basada en el aprendizaje [2023-TOSEM] [artículo] [repo]
Reparación automática de software: una bibliografía [artículo 2018-CSUR]]
Reparación automática de software: una encuesta [documento 2017-TSE]]
