西门子变频器授权(一级)供应商

浔之漫智控技术（上海）有限公司 是一家从事西门子工业自动化产品和数控系统销售、技术服务，工业自动化设备安装，工业自动化控制设备、电气设备、机电设备、电子产品、五金产品、金属材料、仪器仪表的公司。在西门子工业自动化产品领域，公司凭借雄厚的技术实力及多年从事 SIEMENS 产品的销售经验。公司是德国SIEMENS中国授权代理商，本着树立公司形象和对用户认真负责的精神开展业务，赢得了 SIEMENS 公司与广大用户的好评及大力支持。        浔之漫科技有限公司是德国SIEMENS中国授权代理商，主营产品或服务:西门子PLC，西门子变频器，西门子数控系统，西门子伺服电机，西门子人机界面，西门子软启动器，西门子触摸屏，西门子工业以太网，西门子LOGO！，西门子SITOP电源，西门子软件，西门子线缆等。 西门子代理商，西门子华东一级代理，西门子上海总代理，西门子PLC代理商，西门子变频器代理商，西门子触摸屏代理商，西门子中国代理商 。

西门子变频器授权(一级)供应商

是我所见过的关于软件工程的好的系统性评审，是由包含领域专家的团队执行的。领域专家的知识在系统性评审中可以被很好地加以利用，来确定需要搜索的会议和期刊，并确定可以用作基准的一组初始研究文章，来检查任何自动搜索过程的有效性。

对于刚开始学习系统性评审流程的新研究员，我推荐他们考虑图谱研究（mapping studies）。这类系统性评审试图寻找并分类涉及更宽泛研究话题的文献，而不是回答一个特定的研究问题[35]。这两类研究的区别可以通过比较Magne Jørgensen的两篇文章而看出。篇是传统的系统性评审，调查了成本估算模式的评估在预计项目成本时是否比专家判断的评估更**[22]。这篇文章在3.3.1节中有所讨论。第二篇是高质量的图谱研究，对成本估算文献进行了分类[24]。

下面的3.3节讨论了一些挑战了软件工程 “常识”的系统性评审，证明了我们用健全方法论来集合证据的必要。然而，在讨论这些例子之前，我先总览一下系统性文献流程。

只对系统性评审的结果感兴趣，而对系统性评审的具体流程不感兴趣的读者，可以直接跳至3.3节。这章的简介应该足够你了解系统性评审流程的严谨性，不用你多花力气去读这么多的细节。

然而，如果你是一个新的或者有经验的研究者，希望评估系统性评审的价值，那你就需要阅读下一节。它讨论了系统性评审流程中的具体步骤，并告诉你这一方法论中所固有的一些实践困难。

你可以在Cochrane协作组织的知识库中找到免费的Crowley等人对皮质类激素报告的更新[43]。这不只是为了记录历史；对那些新开始系统性评审的研究员来说，这也是一个很好的**评审的例子。

你也许会问系统性评审有什么创新。毕竟，软件工程研究者已经持续多年产出不落后于时代的报告，并且在汇报他们新研究成果的同时，也总结了相关的工作。要回答这个问题，我们得先看看其他使用系统性评审的学科（例如，心理学、社会学和医学），它们已经找出了由于缺乏正规方

西门子变频器授权(一级)供应商

导致的传统评审中的无数问题。始研究在汇报他们的结果时使用了完全不同的实践方法[51][52]。

在循证软件工程的背景下，系统性评审的目标不只是为研究者提供方法论，而是影响实践。因此，我希望业界的管理者和决策者也能在这章中找到一些与他们需求相关的东西。业界大的教训是，“常识”和专家观点不应该是决定选择软件工程方法的唯一基础。此外，很不幸的是，不能默认地信赖个体的实证研究。面对关于采用新方法的重要决定时，决策者需要不带偏见地对所有的相关证据的概括。系统性评审恰恰提供了交付这种概括的方法。

3.1　系统性评审总览

可信的调查始于原始研究：带有与所研究问题相关的定性和定量结果的实验。一次系统性评审集合了不同独立实验的结果，有时会运用统计学的元分析。

证明系统性评审必要性的典型例子来自医学领域。在1990年，Crowley等人发布了一份关于对将要早产的孕妇使用皮质激素效果的系统性评审，其中包括一份对于12项原始研究的元分析[11]。皮质激素被认为能减少早产儿的肺部问题。Crowley等人的系统性评审确认了皮质激素的使用大幅度地减小了新生儿的死亡风险。在那个时候，皮质类激素并不是治疗早产

观测研究已经证明的一件事是：软件工程专家会收集与之相关的证据，根据它们的目的确定所需的可信程度。也就是说，如果它们在为音响设计数字过滤器，它们可能会做一个基于输出的对照实验，来确定软件是否产出了人耳所需的音质。如果他们正在和市场部争论使用模拟控制的客户是否有处理虚拟化接口的准备，他们可能会把一位研究员派去现场讨论“什么是客户所控制的参数”，“他们的现有系统如何运作”

西门子变频器授权(一级)供应商

认为他们的任务如何”等。如果他们正在设计安全性至关重要的前端系统，他们可能会做一次客户研究来确定几个设计选择中的哪一个能好地适应人机交互。如果他们在设计安全性至关重要的后端系统，他们可能使用正式的方法来建立对特定需求的正确实现。如果他们在优化排程演算法，他们也许会对工业投入运行基准。

如果做得好的话，有趣的部分通常是对可推广性的讨论，因为这直接和结果的适用性相关。好的报告会同时在不同方面针对不同的推广目标领域提供正面和反面的可推广性观点。坚实且适用的结论

实证研究报告的挑剔读者们会基于他们自己对所呈证据的评估形成自己的观点，不会单纯依赖于作者在摘要和结论中提供的陈述。

如果作者的结论过分吹嘘了结果（把结果推广至没有坚固论点支撑的领域，或有甚者，基于只与研究现象有粗略联系的现象得出结论），你就更应该对报告其余部分的可信度提高警惕。你尤其应该拿起一支粗的红笔，划掉摘要和结论，那你就绝不会在重新整理你对特定研究的记忆时依赖它们了。请记住很少有读者这样做，而所有人都需要重新整理他们的记忆。因此，很多在报告或课本中引用的研究会错误地指向夸张的结论，就像它们是真的一样。（人无完人，科学家也不例外。）

如果是另一种情况，结论看起来很有思想，明显试图在可信度和适用性之前寻找一个平衡的话，它们的可信度会加固，适用度会被大化。这样的作者把研究的结果和限制同时放在一个秤盘上，而把所有（从文献中其他结果的角度来看）的普遍化问题放在另一个秤盘，然后告诉你他们所想的可能是正确的归纳。这样的信息是有价值的，因为作者有很多在文章中没有明显出现的研究信息，但却在判断的时候使用到了

假设有一项涉及6个不同小组和5个不同度量的研究。一些作者会用表格来呈现他们的数据，每行列出小组名字、小组大小，还可以列出针对一个度量的大值、小值、平均值、

会在脑子里创造一副全景图，首先得想明白个体条目，然后形象化它们之间的关系。用更有趣的话说，你会掘出数据的坟墓，让它们复活，然后按照你的音乐跳舞。

我们更希望作者们保持他们数据的原样，把它们通过某种方法表达出来，帮助读者的介入：通过找到与作者想要讨论的关键问题和关系相关的直观表示，以及与表格和文本数据显示直接、清晰相关的可视化呈现。良好的数据呈现包含突出视觉效果（如，标尺、色彩），能前后一致地表达出所关注的数据。差得数据呈现所使用的可视化品质会使观众对数据的理解产生转移或模糊，比如，通过用线段连接离散数据来表达某种连贯性，或者通过在相关图表上使用不同的比例尺或者使用起始点不为0的标尺，或者通过添加比原始数据更突出的外来的元素。Edward R. Tufte有一本关于如何正确进行数据可视化工作的开创性著作[9]。透明的统计分析（如果有的话）

统计分析（演绎统计学）说的是从“信号”中分离“噪声”：把可能是从巧合或错误中得出的结果分离于从有意义的研究现象中得出的结果。运用统计的目的是降低解读结果的不确定性。但是，许多作者把统计分析作为一种威胁。他们列出所有的Alpha

案例研究（或者它不那么正式的亲戚经验汇报）描述了一个现象（通常是一系列事件及其结果）在真实软件工程环境下的特定实例。原则上来说，案例研究是运用详细而**的方法论的结果，但是这个术语通常被更宽松地使用。虽然现象本身是独特的，描述它时，我们会希望其他情况和它足够的接近，那它才会有意义。表述清晰明确的研究问题是可信度的基础，因为如果作者不解释他们在寻找什么，那他们还能拿出什么东西让你相信呢？研究问题不需要大张旗鼓地宣告，但必须可以从概要和简介中清楚地辨别出来。