autophagycode_D_metrics_he_Qwen3-14B_lr0.0001_scm_g5

该数据集包含代码执行结果与软件工程指标数据，共164个训练样本。主要字段包括：任务ID(task_id)、入口函数(entry_point)、可执行状态(is_executable)、正确性(is_correct)、通过/失败的测试案例数(tests_passed/tests_failed)、错误类型(error_type)。同时包含Halstead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)等软件度量数据。数据以布尔值、字符串、整型和浮点型数值形式存储，适用于代码质量分析、缺陷预测或程序修复等软件工程研究任务。This dataset contains code execution results and software engineering metric data, with a total of 164 training samples. Its core fields include: task ID (task_id), entry function (entry_point), executability status (is_executable), correctness (is_correct), number of passed/failed test cases (tests_passed/tests_failed), and error type (error_type). It also encompasses software measurement metrics such as Halstead complexity metrics (vocabulary, length, volume, difficulty, effort), maintainability index (maintainability_index), and number of defined functions (n_func_defined). The data is stored in formats including boolean values, strings, integers, and floating-point numerical values, and is applicable to software engineering research tasks such as code quality analysis, defect prediction, and program repair.

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_g5
• 存储地址: https://huggingface.co/datasets/stefanocarrera/autophagycode_D_metrics_he_Qwen3-14B_lr0.0001_scm_g5
• 数据量: 16,874 字节（下载大小），18,611 字节（数据集大小）
• 样本数量: 164 个示例
• 数据分割: 仅包含一个“train”分割

数据结构

数据集包含以下字段：

• 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64位，通过的测试数量。
• tests_failed: 整型64位，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64位，Halstead词汇量。
• halstead_length: 整型64位，Halstead长度。
• halstead_volume: 浮点64位，Halstead体积。
• halstead_difficulty: 浮点64位，Halstead难度。
• halstead_effort: 浮点64位，Halstead工作量。
• maintainability_index: 浮点64位，可维护性指数。
• n_func_defined: 整型64位，定义的函数数量。
• entry_point_repeated: 布尔类型，入口点是否重复。

配置与访问

• 默认配置名称: default
• 数据文件路径: data/train-*（对应“train”分割）

搜集汇总

数据集介绍

构建方式

在程序代码质量评估领域，autophagycode_D_metrics_he_Qwen3-14B_lr0.0001_scm_g5数据集的构建体现了严谨的工程化流程。该数据集通过自动化测试框架对代码样本进行执行验证，采集了包括任务标识、入口点、可执行性、正确性以及通过和失败的测试数量等核心元数据。同时，它整合了Halstead软件科学度量指标，如词汇量、长度、体积、难度和努力程度，并结合了可维护性指数与函数定义数量等结构性特征，从而形成了一套多维度的代码质量评估基准。

特点

该数据集的特点在于其丰富的度量维度与结构化表征。它不仅记录了代码的功能正确性，如可执行状态和测试通过率，还深入量化了代码的内在复杂性，通过Halstead指标和可维护性指数来反映代码的清晰度与维护成本。数据集中每个样本均关联了具体的任务标识和入口点，确保了评估的针对性与可追溯性。这种将动态测试结果与静态代码度量相结合的设计，为深入分析代码质量提供了全面而细致的数据基础。

使用方法

使用该数据集时，研究者可将其应用于代码质量分析与模型评估任务。数据集中的各项特征可直接用于训练或测试机器学习模型，以预测代码的可维护性、缺陷倾向或复杂度。例如，可基于Halstead指标和可维护性指数构建回归模型，或利用正确性标签进行代码纠错模型的性能验证。数据以标准结构化格式提供，支持直接加载至数据分析框架，便于进行特征工程、统计分析和可视化探索，从而推动自动化代码评估工具的开发与优化。

背景与挑战

背景概述

在人工智能与软件工程交叉领域，代码生成与评估已成为推动自动化编程发展的核心议题。数据集'autophagycode_D_metrics_he_Qwen3-14B_lr0.0001_scm_g5'由相关研究团队构建，聚焦于通过量化指标系统评估生成代码的功能正确性与软件质量。该数据集整合了执行测试结果与Halstead复杂度、可维护性指数等多维度度量，旨在为代码生成模型的性能提供细粒度分析框架，从而深化对模型输出代码可靠性、可读性及维护性的理解，对提升自动化编程工具的实用性与可信度具有显著意义。

当前挑战

该数据集致力于应对代码生成领域中生成代码的功能正确性与软件质量评估的双重挑战。在领域问题层面，如何准确、高效地判定生成代码是否满足功能需求，并量化其复杂度、可维护性等质量属性，是确保自动化编程实用化的关键难题。在构建过程中，挑战体现在多源度量指标的标准化集成、测试用例的全面性与代表性设计，以及大规模代码样本的自动化执行与错误分类等方面，这些因素共同增加了数据集构建的复杂性与技术门槛。

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_g5数据集为研究者提供了丰富的代码度量指标与执行结果数据。该数据集通过整合Halstead复杂度、可维护性指数及测试通过率等特征，常用于训练和验证机器学习模型，以自动化评估代码的可读性、复杂性与错误倾向。其典型应用场景包括构建智能代码审查工具，帮助开发者识别潜在缺陷，优化编程实践，从而提升软件系统的整体质量与可靠性。

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若干核心问题。通过提供标准化的度量指标与执行验证数据，它支持研究者深入探究代码复杂度与错误率之间的关联，为自动化代码质量预测模型奠定数据基础。其意义在于推动了基于数据的软件度量研究，使学术界能够更客观地分析编程模式的影响，进而促进代码优化与维护效率的理论进展。

衍生相关工作

围绕该数据集衍生的经典工作主要集中在智能代码质量评估与缺陷预测领域。研究者利用其丰富的度量特征，开发了基于深度学习的代码缺陷检测模型，这些模型能够准确识别易错代码片段。同时，该数据集也促进了代码复杂度可视化工具的创新，以及自动化代码重构建议系统的研究，为软件工程实践提供了重要的技术支撑。