CMU 17-803: Empirical Methods — 在 cs-self-learning 中入门软件工程实证研究的完整导读

导读

本文基于 CS 自学指南（cs-self-learning）仓库中的课程页面 docs/软件工程/17803.en.md 展开，系统介绍卡内基梅隆大学（CMU）面向博士研究生的软件工程实证研究课程 17-803：Empirical Methods。你将了解这门课为何在“以工程实现为主流”的计算机教育中不可替代、它覆盖的定性与定量研究方法体系、历届公开的课程资源形态，以及如何将其纳入你的科研自学路线。读完本文，你能结合仓库内源码与文档证据，独立判断这门课是否适合自己，并知道从哪些页面获取完整课程入口。

课程定位：元信息一览

文档开篇给出的课程画像如下：

维度	信息
开课单位	CMU（卡内基梅隆大学）
目标受众	从事软件工程实证研究方向的博士生
先修要求	无硬性门槛，但最好具备扎实的计算机基础
编程语言	不限（Any）
课程难度	🌟🌟🌟（三星）
预计投入	100 小时

需要注意的是，虽然课程页面把它标记为“无硬性先修要求”，但授课对象是博士研究生，且作业与论文通常需要读写代码、处理数据，因此文档原文特别提示“最好有一定的计算机基础”。这个难度评级在仓库语境中属于中等档位——相比同分支下 MIT 6.031（🌟🌟🌟🌟）与 UCB CS169（🌟🌟🌟🌟）都低一档，核心原因在于它并不考核某一门语言的工程技巧，而是考验研究方法论的掌握与运用，属于“思路型”而非“强度型”课程。

为什么需要这门课：实证研究与“纯工程”视角的互补

17-803 的选题在传统 CS 课程体系中相对“陌生”：绝大多数课程教你如何构建系统（编译器、数据库、OS、Web 应用），而实证研究回答的是另一类问题——如何科学地评估工具、理解开发者与用户、从真实数据中提炼证据。

文档原文点明了它在研究链路中的位置：

• 评估新算法或新技术框架的实际效果；
• 针对某个领域进行相关数据分析；
• 了解一线从业者在实践中真正面临的挑战。

换言之，当技术方案被提出后，需要有人用可复现、可辩护的方法去回答“它到底有没有用、在什么条件下有用”。这正是软件工程实证研究承担的角色。文档同时强调，这类能力“可以扩展和补充专注于技术领域视角”，对于一个以构建技能为主线的自学计划，17-803 是一块很好的方法论拼图。

事实边界说明：以上论断均出自课程页面原文对课程意义的阐述，本文不夸大其为“最优”或“唯一”实证课程，仅如实呈现其定位。

课程内容地图：课程会教你什么

根据文档，17-803 的教学内容横跨定性（qualitative）与定量（quantitative）两大研究方法阵营，可归纳为以下几个相互衔接的能力模块：

1. 质性研究方法

   • 访谈（interviews）：面向开发者、维护者等真实用户收集一手经验材料；
   • 定性编码（qualitative coding）：将访谈文本、问题报告等非结构化数据系统化、打标签、归纳主题的方法。

2. 量化研究方法

   • 调查设计（survey design）：如何设计问卷、控制偏差、保证样本代表性；
   • 多种数据统计分析方法（various statistical analysis methods）：涵盖从描述统计到假设检验与回归建模的一整套分析工具。

3. 软件仓库数据挖掘（Mining Software Repositories）

   • 课程专门介绍如何抽取与整合 GitHub 与 Stack Overflow 等软件仓库/问答平台中的数据，例如提交历史、Issue、Pull Request、代码片段与社区问答文本；
   • 并在此基础上应用**统计建模（statistical modeling）与社交网络分析（social network analysis）**等技术手段揭示开发协作结构、知识传播模式与生态演化规律。

可以将其理解为一条完整的研究流水线：提出问题 → 访谈/问卷获取证据 → 仓库数据挖掘扩大证据面 → 统计建模与网络分析得出结论。这正是现代软件工程实证论文的标准骨架。

需要提醒：17-803 本身更接近“方法论训练营”，它不会系统重讲机器学习或统计学原理，而是聚焦“如何把研究问题落到可执行、可信的证据链上”。若你尚不具备基础的统计学与数据分析能力，建议先补齐数学与概率统计基础，再进入实证方法学习（可参考仓库 docs/数学进阶 与 docs/数据科学 分支的课程）。

授课背景：Bogdan Vasilescu 与开源软件研究

课程由 Bogdan Vasilescu（文档内链入其主页）讲授。文档明确指出，他在实证研究与开源软件研究方面有非常深入的积累。这一点直接塑造了课程的两大特征：

• 大量使用 GitHub / Stack Overflow 等真实开源数据作为教学素材与作业数据集；
• 强调研究的可复现性与方法严谨性，符合软件仓库挖掘（MSR）社区的主流范式。

因此，即使你不是 CMU 学生，只要按照其公开的课程站点节奏学习，也能接触到该领域一线研究者组织的方法论内容。

课程资源盘点与自学可行性评估

文档“Course Resources / 课程资源”部分对资源的公开程度做了如实交代，这对自学者非常重要，整理如下：

资源类型	公开情况	版本/形态
课程网站	✅ 公开	多届存档：Spring 2024、Fall 2022、Spring 2021、Fall 2018
课程视频	⚠️ 部分公开	Spring 2024 有播放列表、Fall 2022 有单独录像
课程教材	⚠️ 不直接公开	“每节课前提供阅读材料”，按周分发
课程作业	❌ 未开源	文档明确标注 not open-source
资料汇总	✅ 公开	集中维护在 bvasiles/empirical-methods 仓库（bvasiles 为授课教师本人）

给自学者的三点实操判断：

1. 主体可自学的部分是「讲座 + 阅读清单」。多届课程网站长期在线，配合教师本人维护的 empirical-methods 资料仓库，足以支撑“看视频 → 读材料 → 内化方法论”的自学闭环。
2. 作业无法获得官方评分与反馈。文档明确作业未开源，这意味着你无法通过官方判题器验证，需要自行设计小型实证练习（例如对某个 GitHub 项目做一次访谈式调研或仓库数据分析）来检验掌握程度。
3. “每课前阅读材料”说明课程依赖原版论文阅读。这部分需要在课程站点中按周查找，适合有一定英文论文阅读能力的学习者。

由于本文遵循仓库内只输出仓库相对路径的规范，以上各资源的完整外链清单请直接查阅课程页原文：docs/软件工程/17803.en.md；中文对照版见 docs/软件工程/17803.md。

它在仓库中的位置：软件工程分支的第三门课

在仓库 mkdocs.yml（软件工程导航项，约第 202–205 行）中，17-803 与另外两门课共同构成“软件工程”分支：

课程	文件	侧重
MIT 6.031: Software Construction	docs/软件工程/6031.en.md	写出高质量代码：规格、测试、抽象与并行正确性
UCB CS169: Software Engineering	docs/软件工程/CS169.en.md	敏捷开发与 SaaS，用 Ruby/Rails 实践
CMU 17-803: Empirical Methods	docs/软件工程/17803.en.md	软件工程实证研究的方法论

三条路线恰好覆盖软件工程能力的三个层次：个人写码质量（6.031）→ 团队/产品级工程过程（CS169）→ 对该领域的研究与评估（17-803）。如果你按顺序或按需组合学习，就能同时具备“能写好代码”“能按工程化流程交付”“能用科学方法评价技术方案”三种视角。

从仓库的读者分群逻辑看（见 docs/使用指南.md），17-803 最贴合其中“心有所属”一类读者：即核心专业课已较扎实、已确定科研方向并希望在特定细分领域纵深发展的人；同时，任何计划撰写软件工程方向研究论文的同学，都可以把它作为入门课。

学习路线建议：如何把 100 小时花在刀刃上

结合文档给出的 100 小时学时与资源公开度，推荐如下自学节奏（供参考，非课程官方安排）：

1. 第 1–2 周（约 20 小时）：建立全景——用 Spring 2024 讲座视频与课程网站了解实证研究的整体流程与术语体系，重点关注“研究问题 → 证据 → 结论”的论证链条。
2. 第 3–6 周（约 40 小时）：方法轮训——按访谈 / 定性编码 / 问卷设计 / 统计建模 / 社交网络分析几个模块逐个过一遍讲座与课前阅读材料，每个模块配合文档所讲的 GitHub、Stack Overflow 数据挖掘场景做小练习。
3. 第 7–10 周（约 40 小时）：综合实战——选定一个真实的软件工程问题（例如评估某工具在开源项目中的采用情况），完整走一遍“收集仓库数据 → 构建模型/分析 → 撰写报告”的流程，模拟论文写作。

提示：本仓库只承担“指路与解读”职能，所有课件、视频与阅读材料均托管在课程方公开渠道，需自行前往课程页原文链接获取。

结语

CMU 17-803 的价值不在于多掌握一门框架或语言，而在于为“技术判断”注入科学方法：当你要评价一个系统、理解一群开发者、或预测一项技术的走向时，访谈、编码、问卷、统计建模与社交网络分析构成了可依赖的证据工具箱。对于立志投身科研、尤其是软件工程实证方向的读者，将 docs/软件工程/17803.en.md 中这条 100 小时的路径纳入自学规划，是补齐“构建”之外“评估”能力的高性价比选择。