本研究提出了一种新方法，将大型语言模型的摘要生成与主题建模相结合，以解决源代码理解中的主题建模问题。实验结果表明，该方法生成的摘要能够提供更具可解释性的代码结构表示，具有广泛的应用潜力。

本文介绍了CodeQA数据集，包含119,778个Java和70,085个Python问题-答案对，旨在促进源代码理解。通过语法和语义分析生成问题-答案对，并展示了神经网络实验结果，为代码问题回答研究提供了基准。

本文综述多个问答数据集研究：提出将长Trivia问题转为自然问题的算法，以提升低资源QA表现；介绍QASPER、SelQA、WebQA、NewsQA、SearchQA等数据集，覆盖论文、新闻、社交媒体等场景；并推出面向源代码理解的CodeQA，包含Java和Python问答对，为相关研究提供基准。