ECLAIR：基于因果关系的人工智能框架，用于实证软件工程中的科学发现

科学方法长期以来一直指导着软件工程（SE）的实证研究，但现代软件系统的复杂性往往阻碍了其系统化应用。本文介绍了 ECLAIR，这是一个基于因果关系的人工智能框架，它将 大语言模型 (LLM) 集成到科学过程的每个阶段，从假设生成到分析和解释。 ECLAIR 将 LLM 视为在因果推理原则下运行的主动科学代理，采用人机交互设计，可防范不健全的自动推理的风险。我们通过案例研究演示了该框架，该案例研究了即时设计如何影响两个 LLM 中的代码生成准确性。结果表明，对于这两种模型，指令式、较长的几次和签名增强提示都会对准确性产生较小的负面因果影响，说明因果推理如何为解释软件现象发生的原因提供原则基础。这项研究提出了第一个将 LLM 嵌入到 SE 科学方法中的基于因果关系的结构化方法，该方法是围绕实证 SE 研究的认识论要求而设计的，为严格的人工智能辅助研究奠定了基础。