autophagycode_D_metrics_he_Qwen3-14B_lr0.0001_scm_g1

该数据集包含164个编程任务相关的评估样本，主要记录代码执行结果和质量指标。数据结构包含16个特征字段：任务标识符(task_id)、入口函数(entry_point)、可执行状态(is_executable)、正确性标记(is_correct)、通过/失败的测试案例数(tests_passed/tests_failed)、运行时(未记录)、错误类型(error_type)等基础信息，以及Halstead软件复杂度指标（词汇量、长度、体积、难度、工作量）、可维护性指数(maintainability_index)、定义函数数量(n_func_defined)和入口点重复标记(entry_point_repeated)等代码质量度量。所有数据均存储在train拆分中，总大小约18.5KB。适用于代码正确性预测、软件质量分析等任务。This dataset contains 164 evaluation samples related to programming tasks, primarily recording code execution results and quality metrics. The data structure includes 16 feature fields: basic information such as task identifier (task_id), entry function (entry_point), executable status (is_executable), correctness flag (is_correct), number of passed/failed test cases (tests_passed/tests_failed), runtime (unrecorded), error type (error_type) and other basic information, as well as code quality metrics including Halstead software complexity metrics (vocabulary, length, volume, difficulty, effort), maintainability index (maintainability_index), number of defined functions (n_func_defined), and entry point repetition flag (entry_point_repeated). All data is stored in the train split, with a total size of approximately 18.5 KB. This dataset is suitable for tasks such as code correctness prediction and software quality analysis.

原始信息汇总

数据集概述

基本信息

• 数据集名称: autophagycode_D_metrics_he_Qwen3-14B_lr0.0001_scm_g1
• 存储库地址: https://huggingface.co/datasets/stefanocarrera/autophagycode_D_metrics_he_Qwen3-14B_lr0.0001_scm_g1
• 数据量: 164 个样本
• 数据集大小: 18,563 字节
• 下载大小: 16,829 字节
• 数据格式: 结构化数据，包含多个特征字段

数据结构与特征

数据集包含以下特征字段：

• task_id: 字符串类型，任务标识符。
• entry_point: 字符串类型，入口点。
• is_executable: 布尔类型，是否可执行。
• is_correct: 布尔类型，是否正确。
• tests_passed: 整型，通过的测试数量。
• tests_failed: 整型，失败的测试数量。
• test_run_time_ms: 空值类型，测试运行时间（毫秒）。
• error_type: 字符串类型，错误类型。
• halstead_vocabulary: 整型，Halstead 词汇量。
• halstead_length: 整型，Halstead 长度。
• halstead_volume: 浮点型，Halstead 体积。
• halstead_difficulty: 浮点型，Halstead 难度。
• halstead_effort: 浮点型，Halstead 工作量。
• maintainability_index: 浮点型，可维护性指数。
• n_func_defined: 整型，定义的函数数量。
• entry_point_repeated: 布尔类型，入口点是否重复。

数据划分

• 划分名称: train
• 样本数量: 164
• 字节大小: 18,563 字节

配置信息

• 配置名称: default
• 数据文件路径: data/train-*

搜集汇总

数据集介绍

构建方式

在计算生物学与代码质量评估的交叉领域，autophagycode_D_metrics_he_Qwen3-14B_lr0.0001_scm_g1数据集的构建体现了对程序代码进行多维度量化分析的严谨方法。该数据集通过自动化测试框架，针对特定任务生成的代码样本执行功能验证，记录其可执行性、正确性以及测试通过情况等核心指标。同时，结合Halstead复杂度度量与可维护性指数等软件工程经典指标，对代码的结构属性进行系统化计算与标注，从而形成了一套覆盖功能表现与内在质量的双重评估体系。

使用方法

该数据集主要适用于代码生成、程序合成以及软件质量自动评估等领域的研究与实践。使用者可以通过加载数据集，访问每个样本的任务标识、入口点、各项测试结果及代码度量指标。研究人员可据此分析不同模型或参数下生成代码的功能成功率与代码质量之间的关联，或构建预测模型来评估代码的可维护性。在具体应用中，建议将功能正确性指标与复杂度度量结合分析，以全面评估生成代码的实用性与鲁棒性。

背景与挑战

背景概述

在软件工程与代码质量评估领域，自动化代码度量分析已成为提升开发效率与维护性的关键研究方向。autophagycode_D_metrics_he_Qwen3-14B_lr0.0001_scm_g1数据集应运而生，其创建旨在系统化评估代码的静态属性与执行行为，通过整合Halstead复杂度度量、可维护性指数及测试通过率等多维特征，为机器学习模型在代码生成与优化任务中提供精细化训练基准。该数据集由相关研究团队构建，聚焦于探索代码质量与自动化测试结果之间的关联，推动智能编程辅助工具的发展，对软件工程领域的实证研究具有重要参考价值。

当前挑战

该数据集致力于应对代码质量自动化评估中的核心挑战，即如何准确量化代码的复杂度、可维护性与功能性正确性，以辅助模型生成高效可靠的代码。在构建过程中，挑战体现在多维度特征的融合与标准化，例如平衡Halstead度量与执行测试结果的一致性，确保数据条目在静态分析与动态验证间的对齐。此外，处理代码样本的异构性及错误类型的分类，需克服语义解析与执行环境差异带来的噪声，这对数据集的完整性与泛化能力提出了较高要求。

常用场景

经典使用场景

在软件工程与代码质量评估领域，autophagycode_D_metrics_he_Qwen3-14B_lr0.0001_scm_g1数据集为研究者提供了丰富的代码度量指标。该数据集常用于分析代码的复杂性与可维护性，通过Halstead度量与可维护性指数等特征，帮助识别代码中的潜在缺陷与优化点。经典使用场景包括自动化代码审查、缺陷预测模型训练以及代码重构决策支持，为提升软件质量提供了数据驱动的科学依据。

解决学术问题

该数据集有效解决了软件工程中代码质量量化评估的难题。通过整合执行结果、测试通过率及多种静态代码度量，它支持研究者探索代码复杂度与错误率之间的关联，验证可维护性指标的预测能力。其意义在于为代码质量研究提供了标准化、可复现的数据基础，推动了软件度量学的发展，并促进了自动化代码分析工具的进步。

实际应用

在实际软件开发流程中，该数据集可应用于持续集成与部署系统，实现代码质量的实时监控。开发团队能够利用其度量指标预警高复杂度模块，指导代码审查重点，优化测试资源分配。此外，它还可集成到IDE插件或代码托管平台中，为开发者提供即时反馈，从而提升整体代码健康度与项目维护效率。

数据集最近研究

最新研究方向

在代码生成与评估领域，该数据集聚焦于通过自动化指标分析程序代码的复杂性与可维护性，结合Halstead度量和可维护性指数等量化特征，推动智能编程辅助系统的前沿探索。当前研究热点围绕大语言模型在代码生成任务中的性能优化，利用此类数据集进行细粒度评估，以提升代码的可靠性、效率及可扩展性。这一方向不仅加速了软件开发自动化的进程，还为人工智能在软件工程中的应用奠定了实证基础，具有重要的学术与实践价值。