从访谈定性编码到 GitHub 数据挖掘：CMU 17-803 软件工程实证研究方法论入门

在计算机自学指南（README.md）的「软件工程」分类下，绝大多数课程都在教你"如何把系统造出来"，而 CMU 17-803: Empirical Methods 反其道而行之——它教你如何用科学方法去研究"造软件的人与过程"。这篇技术指南将以仓库文档 docs/软件工程/17803.md 为主线，完整还原这门 CMU 博士生实证研究课程的教学定位、方法与工具全貌、资源获取方式，并结合其在自学规划中的位置给出选课与学习建议，帮助你判断这门课是否适合纳入自己的自学路线。

课程档案：定位、先修与投入

先从课程档案入手，快速建立整体认知：

• 所属大学：CMU（卡内基梅隆大学）
• 先修要求：面向从事软件工程实证研究的博士生开设，没有硬性先修要求，但最好具备一定的计算机基础
• 编程语言：不限
• 课程难度：🌟🌟🌟（三星，中等偏上）
• 预计学时：100 小时

两个需要特别留意的信息点：

第一，课程目标人群是"博士生"。这意味着它不以某个具体编程技术栈为纲，而是以"做研究"为纲，对学习者的抽象思维、统计素养和文献阅读能力有隐性要求，不是一门给初学者的保姆式课程。

第二，编程语言不限。因为课程重心在研究方法本身，而不是实现某个系统；无论你惯用 Python、R 还是 Java，都能参与到数据采集、统计分析和可视化的作业中。

这门课到底在教什么：软件工程实证研究的完整方法链

仓库文档对课程内容给出了明确的概括：涵盖定性方法与定量方法两大阵营，包括访谈、定性编码、调查设计以及多种统计数据分析方法。展开来看，这是一条从"人类行为"到"可验证结论"的完整研究方法链：

定性研究：访谈、定性编码与调查设计

软件工程研究的研究对象往往是"人"——开发者如何协作、为什么采用或弃用某项技术、开源社区的治理规则如何形成。回答这类问题不能只靠跑实验，需要定性方法：

• 访谈（Interviews）：通过半结构化访谈从从业者处采集一手经验，理解其面临的真实挑战与决策动机；
• 定性编码（Qualitative Coding）：将访谈记录、issue 讨论、邮件列表等非结构化文本按主题逐级编码归纳，从原始材料中提炼出可复用的概念框架，这是扎根理论类研究的基本功；
• 调查设计（Survey Design）：在访谈结论的基础上设计大规模问卷，需要注意题项措辞、量表选择、抽样偏差与回收率控制等直接影响结论效度的细节。

定量研究：软件仓库挖掘与统计分析

当研究对象是"代码与协作痕迹"时，课程引入以 GitHub 和 Stack Overflow 为代表的软件存储库数据挖掘：

• 仓库数据挖掘（Mining Software Repositories）：利用 GitHub API 采集 commit、PR、issue、star 等开发行为数据，从 Stack Overflow 采集问答文本，进而整合成研究数据集；
• 统计建模（Statistical Modeling）：对采集到的观测数据建立统计模型，控制混杂变量，检验变量间的相关乃至因果关系；
• 社交网络分析（Social Network Analysis）：将开发者之间的协作、依赖与沟通关系建模为网络图，分析其中的结构特征（如中心性、社区划分），回答"协作结构如何影响软件质量与开发效率"这类问题。

一个典型的课程项目路径可以是这样：先通过访谈识别开源维护者流失的候选原因 → 用定性编码把访谈材料结构化 → 基于 GitHub API 采集跨项目的贡献者行为数据 → 用统计模型检验假设 → 用社交网络分析刻画项目内部的协作结构。这条链路正是当今软件工程顶会（如 FSE、ICSE、MSR 方向）论文的常见范式，也解释了为什么课程难度被定为三星但信息密度极高。

为什么实证研究对软件工程师不可或缺

仓库文档用一段论述解释了这门课存在的根本理由：计算机领域在传统上更注重工程技术，但对于工具、技术的设计、评估及其可能的社会价值来说，实证研究是必需的。

这段论述指向三个具体应用场景：

1. 评估新算法或新技术框架：新工具声称"更好"，但好在哪里、对谁好、在什么场景下好？这需要设计对照实验或分析真实使用数据来回答；
2. 对某个领域做相关数据分析：例如通过挖掘开源仓库数据了解某类缺陷的分布规律，或量化某项实践的普及程度；
3. 理解从业者面临的真实挑战：很多技术选型失败并非技术不行，而是没有理解使用者的工作流与约束——这恰恰是访谈与调查方法最能发力的地方。

也就是说，这门课补的是传统 CS 教育中最容易被忽视的一环："造出东西之后，如何严谨地证明它有价值"。它扩展并补充了纯技术视角的不足，对于计划从事软件工程相关科研方向的学习者，是一个很好的入门切口。

在自学指南中定位：与同目录课程的互补关系

在 docs/CS学习规划.md 的「软件工程」模块中，作者把该分类下的课程划分为"入门课"与"专业课"。本文主题课程位于 mkdocs.yml 的「软件工程」导航分组中，与该模块另外两门课程形成互补：

课程	文档	核心关注点
MIT 6.031: Software Construction	docs/软件工程/6031.md	以 Java 为载体的高质量代码构造：写不易出 bug、易懂、易维护的代码
UCB CS169: Software Engineering	docs/软件工程/CS169.md	敏捷开发 + Software as a Service，用 Ruby/Rails 实践云上软件交付
CMU 17-803: Empirical Methods	docs/软件工程/17803.md	用定性与定量方法研究软件工程本身，是研究方法论而非工程技法

三者的关系可以这样理解：6.031 解决"单兵怎么写好代码"，CS169 解决"团队怎么高效交付软件"，而 17-803 解决"怎么严谨地研究上面两件事中的现象与规律"。如果你计划走科研路线，建议在具备一定的代码量与系统课程基础后，再学习实证方法课，避免因缺少对"研究对象"的直接经验而难以理解方法适用场景。

资源获取与自学实操建议

仓库文档给出资源清单，整理如下：

• 课程网站：Spring 2024、Fall 2022、Spring 2021、Fall 2018 等各学期页面均已开放，可直接访问对应学期的 syllabus、每讲主题与作业安排；
• 课程视频：Spring 2024 有完整的 YouTube 播放列表，Fall 2022 亦提供录像，完全免费；
• 课程教材：未公开正式教材，但每节课前都会布置阅读材料——这是本课程学习的最核心输入，需要认真研读；
• 课程作业：未对外开源；
• 资源汇总仓库：授课教师 Bogdan Vasilescu（实证研究与开源软件研究方向的知名学者）维护了 empirical-methods 资源仓库，本课程用到的全部资源与作业资料都汇总其中，可作为自学的统一入口。

说明：上述站点均为课程教师公开维护的免费学术资源，自学时建议以"课程网站 + 官方资源仓库 + 每讲阅读清单"为主线自行按周推进。

给自学者的三条可执行建议

基于文档信息与课程研究方法特征，给出可落地的自学路径：

1. 善用公开学期回放：Spring 2024 的视频播放列表与课程页面同步度最高，建议以此为时间线主线，遇到特定主题（如调查设计、统计建模）再回溯早期学期页面补充；
2. 把每讲阅读材料当教材精读：这门课没有正式教材，"读论文 + 听讲 + 动手分析数据"是唯一通道。对每篇阅读材料，至少回答"它用了什么方法、数据从哪来、结论如何被验证"三个问题；
3. 用真实仓库练手：自学虽拿不到官方作业，但可以自选 GitHub 上的中大型开源项目，用文档所述的方法链（定性编码 issue 讨论 → 调 API 采数据 → 统计建模 → 社交网络分析）完整走一遍小型实证研究，100 小时的预算足以覆盖这样一个 mini project。

小结

CMU 17-803 是一扇面向"软件工程研究者"的大门：它以访谈、定性编码、调查设计覆盖定性一端，以 GitHub/Stack Overflow 数据挖掘、统计建模、社交网络分析覆盖定量一端，补齐了纯工程视角之外"如何设计与评估"的方法论短板。对于自学计算机的进阶者，它适合在完成 docs/CS学习规划.md 中的系统类课程后作为科研向的延伸选择；其全部课程网站与视频均免费公开，配合官方资源汇总仓库即可低成本启动。

更多关于该模块其他课程的选择建议，可继续阅读 docs/软件工程/6031.md 与 docs/软件工程/CS169.md。