A Novel Approach in Calculating Stakeholder priority in Requirements Elicitation
任何寻求竞争优势的软件开发人员的最终目标都是满足利益相关者的需求和期望。为了实现这一点，有必要有效和准确地管理利益相关者的系统需求。本文提出了一种系统的方法来分类利益相关者，然后描述了一种新的方法来计算利益相关者的优先级考虑到这一事实，不同的利益相关者将有不同的重要性级别和不同的需求偏好。最后进行需求偏好计算，利益相关者根据需求的价值和紧迫性两个因素选择最佳需求。所提出的方法积极参与利益相关者在需求获取过程中。
2018-02-05 cs.SE
A lightweight forum-based distributed requirement elicitation process for open source community
目前，许多开源社区采用论坛的方式来获取分散的利益相关者的需求。但是需求收集过程中经常会遇到描述不规范、讨论不集中的问题。在本文中，我们建立了一个框架ReqForum定义的元模型的需求获取论坛。在此基础上，提出了一个轻量级的基于论坛的需求获取过程，该过程包括基于模板的需求创建、意见收集、需求收集、需求管理、能力识别和激励机制六个步骤。根据所提出的流程，结合Discuz及其已有插件，建立了SKLSEForum原型系统，实践表明该流程可行，成本经济。
2012-10-11 cs.CY cs.SE
Requirements Elicitation in Government Projects: A Preliminary Empirical Study
本文通过对12名政府项目软件从业者的半结构化访谈，实证揭示了政府项目在需求获取阶段与其他软件项目的差异、人类与社会因素的覆盖情况以及主要挑战，为弥补政府软件项目需求工程研究空白提供了初步依据。
2024-04-08 cs.SE
LLMREI: Automating Requirements Elicitation Interviews with LLMs
本文提出LLMREI聊天机器人，利用零样本与最少到最多提示方法自动化需求获取访谈，在33次模拟访谈中验证其错误率与人类相当、能提取大部分需求并生成上下文相关问题，旨在提升大规模利益相关者访谈的可扩展性。
2025-07-03 cs.SE
ReqElicitGym: An Evaluation Environment for Interview Competence in Conversational Requirements Elicitation
Peking University（北京大学）；Wuhan University（武汉大学）；Beijing Forest University（北京林业大学）；East China Normal University（华东师范大学）
ReqElicitGym通过引入新数据集和交互式评估机制，系统评估LLM在会话需求 elicitation 中的面试能力，揭示其在隐含需求识别上的不足。
2026-02-20 cs.SE
Elicitation and Modeling Non-Functional Requirements - A POS Case Study
正确的需求管理对于在有限的时间和成本内成功开发软件至关重要。非功能性需求（NFR）是比较不同软件系统的关键标准之一。在大多数软件开发中，NFR都被指定为软件的附加需求。NFR，如性能，可靠性，可维护性，安全性，准确性等，必须在软件开发的早期阶段作为功能需求（FR）加以考虑。然而，识别NFR并不是一件容易的事情。虽然有发达的技术来引出功能需求，但缺乏NFR的引出机制，并且关于NFR的引出技术没有适当的共识。在需求分析中，NFR的获取被认为是一项具有挑战性的工作。本文提出了一种基于UML用例的查询方法来识别和分类系统的NFR。所提出的方法是通过使用销售点（POS）的案例研究说明
2014-03-08 cs.SE
Formal Requirement Elicitation and Debugging for Testing and Verification of Cyber-Physical Systems
School of Computing, Informatics and Decision Systems Arizona State University（亚利桑那州立大学计算、信息与决策系统学院）
本文提出一个用于物理系统形式化规格的 elicitation 与调试框架，通过图形界面处理规格 elicitation，提供两种调试算法以解决规格错误，通过用户研究验证框架能有效解决常见规格错误。
2018-07-27 cs.LO cs.SE cs.SY
Let's hear it from RETTA: A Requirements Elicitation Tool for TrAffic management systems
交通管理（TM）领域的特点是不确定性，复杂性和不精确性。软件系统的复杂性，在TM领域，这有助于一个更具挑战性的需求工程（RE）的工作主要源于利益相关者的多样性和复杂性的需求获取在这一领域。这项工作带来了一个交互式的解决方案，探索交通管理领域的软件依赖系统的功能和非功能需求。我们对RETTA工具进行了原型设计，该工具利用了大众的智慧，并将其与自然语言处理和朴素贝叶斯等机器学习方法相结合，以帮助完成TM领域的需求启发和分类任务。这弥合了软件开发和交通工程领域的利益相关者之间的差距。RETTA原型主要是为TM领域的需求工程师和软件开发人员设计的，可以在基于Android的设备上使用。
2017-07-06 cs.SE
A Retrieval-Augmented Automated Stakeholder for Requirements Elicitation Education: A Comparative Study
King Saud University（沙特国王大学）
本研究针对需求工程教育中角色扮演受资源限制及LLM幻觉问题，采用基于LangChain的检索增强生成模拟干系人，实验表明其能提升需求获取问题质量与特征识别完整性。
2026-09-14 cs.SE
From Chat to Interview: Agentic Requirements Elicitation with an Experience Ontology
Key Laboratory of High Confidence Software Technologies (Peking University), Ministry of Education, China（教育部高可信软件技术重点实验室）；School of Computer Science, Peking University, China（北京大学计算机学院）；Beijing Forestry University, China（北京林业大学）；East China Normal University, China（华东师范大学）
提出OntoAgent智能体，通过构建经验本体引导需求访谈，实现自动化、系统化且可解释的需求获取，在网站应用领域显著提升获取效果和提问效率。
2026-05-07 cs.SE
Gamified Requirement Elicitation for a Multi-Modal Decision Support System. The Case of SYNCHROMODE
Centre for Research and Technology Hellas - Hellenic Institute of Transport（希腊研究与技术中心 - 希腊交通研究所）
本文以SYNCHROMODE项目为案例，通过传统用例方法和游戏化方式获取多模态决策支持系统的需求，并对比分析两种方法产生的需求。
2026-05-24 cs.SE
Towards a Theory of Requirements Elicitation: Acceptability Condition for the Relative Validity of Requirements
需求工程工件相对于系统的涉众来说是有效的，如果他们同意工件的内容。检查相对有效性涉及涉众和需求工程师之间的讨论。本文提出了（i）一种语言，用于表示在关于工件相对有效性的讨论中交换的信息;（ii）可接受性条件，当它在用所提出的语言捕获的讨论中得到验证时，表明所讨论的工件和讨论中的参与者的相对有效性成立;以及（iii）推理过程，以自动检查由所提议的语言捕获的讨论中的可接受性条件。
2009-02-05 cs.SE
Approaches to Improving the Accuracy of Machine Learning Models in Requirements Elicitation Techniques Selection
针对需求获取技术选择中训练数据不平衡导致ML模型准确性下降的问题，本文评估SMOTE过采样与正特征重要性选择方法，实验证明其能提升模型效果并可用于IT项目业务分析规划。
2023-03-26 cs.SE
A Survey on the Techniques and Tools for Automated Requirements Elicitation and Analysis of Mobile Apps
本文通过系统映射73篇论文，综述移动应用自动化需求获取与分析的技术与工具，发现半自动技术、开源非自研工具及需求分析、挖掘、分类任务占主导。
2025-09-01 cs.SE
Ordering Interrogative Questions for Effective Requirements Engineering: The W6H Pattern
需求获取和需求分析是需求工程的重要实践。诸如访谈和问卷调查之类的启发式技巧依赖于提出疑问式问题，并以适当的顺序提出这些问题，以最大限度地提高所收集信息的准确性。在需求获取过程中收集的信息必须被解释、分析和验证。需求分析包括分析问题和解决方案空间。在本文中，我们描述了一种方法来制定疑问的问题，有效的需求获取的基础上的词汇和语义原则的英语疑问，并提出了一种模式，以组织利益相关者的观点关注更好的需求分析。这有助于需求工程师彻底描述问题和解决方案空间。以往的需求引出研究大多包括七个英语疑问句中的六个，即“what”、“where”、“when”、“who "、”why“和”how“（用W5H表示），并没有提出疑问句中的任何顺序。我们发现，扩展的一组六个疑问句与“哪”（W6H表示）提高了生成和制定的问题的需求引出，并通过安排利益相关者的意见，促进更好的需求分析。我们讨论了疑问词之间的相互依赖关系（需求工程师在引出需求时要考虑），并提出了一个W6H疑问词集的顺序。提出的基于W6H的可重用模式还可以帮助需求工程师组织利益相关者的观点关注点，使该模式成为有效的需求分析工具。
2015-08-08 cs.SE
Exploring Requirements Elicitation from App Store User Reviews Using Large Language Models
本研究利用大型语言模型BERT、DistilBERT和GEMMA分析应用商店用户评论以自动化需求提取，发现BERT在准确分类有用评论上表现最佳，GEMMA召回率最高，为移动应用开发提供了有效途径。
2024-09-23 cs.SE
Leveraging creativity in requirements elicitation within agile software development: a systematic literature review
敏捷方法往往只关注范围和简单性，而不是问题的解决和发现。这阻碍了创新解决方案的发展。此外，关于如何捕获和表示真正的用户需求，也几乎没有提到。为了填补这一空白，一些作者主张在敏捷软件开发中应用创造性思维进行需求获取。这种创造性和敏捷性之间的协同作用已经成为一种新的手段，可以为要求越来越高的软件带来创新和灵活性。因此，本研究的目的是采用一个系统的审查，调查国家的最先进的那些方法，利用敏捷软件开发中的需求启发的创造力，以及这些方法的好处，局限性和证据的强度。搜索策略识别了1451项研究。选定的研究报告载有13项不同和独特的建议。这些方法提供的证据表明，增强的创造性，在需求获取可以成功地实现在真正的软件项目。我们特别注意到，与用户界面开发相关的项目，例如移动或Web应用程序，是使用这些方法的良好候选者。我们还发现，在需求获取中引入创造性时，敏捷方法是首选。尽管这是一个新的研究领域，但有一系列技术，工具和工艺已经并正在工业中成功测试。最后，我们发现，虽然创造力是实现创新的一个重要因素，但它并不总是足以产生新的需求，因为这需要用户参与和特定的背景，其中必须满足适当的条件，如灵活性，时间或资源。
2019-08-21 cs.SE
Self-Elicitation of Requirements with Automated GUI Prototyping
提出 SERGUI 方法，利用基于自然语言需求的 GUI 检索和大型语言模型，通过自动化 GUI 原型设计实现需求自我启发，减少人工成本并提升早期需求沟通效率。
2024-09-24 cs.SE
The State-of-Practice in Requirements Elicitation: An Extended Interview Study at 12 Companies
上下文需求工程仍然是一个学科，面临着大量的挑战，包括在工业中的需求获取过程的实施。虽然研究人员和学者提出了一些建议，但对工业界实际遵循的做法知之甚少。Objective.我们调查SoTA方面的需求获取，检查从业者的做法。我们专注于技术，所涉及的角色，以及与过程相关的挑战。法我们进行了一项基于访谈的调查研究，涉及来自12个不同的瑞典IT公司的24名从业人员。结果我们发现，小组互动技术，包括会议和研讨会，是最流行的类型的启发技术，从业者采用，除了在小项目的情况下。我们注意到，除了市场驱动的组织之外，客户经常参与启发过程。技术人员（例如，开发人员和架构师）比业务人员或战略人员更频繁地参与启发过程。最后，我们确定了与利益攸关方有关的一些挑战。这些挑战包括难以理解他们的需求并确定其优先顺序。此外，有人指出，要求不稳定（即，由不断变化的需求或优先事项引起的）是一项主要挑战。这些意见需要在研究的背景下加以解释。结论关于调查参与者经验的相关意见应引起业界的兴趣;应结合从业人员的情况分析这些经验。研究人员可能会发现在实践中使用学术成果的证据，从而激发未来的理论工作，以及在同一领域的进一步实证研究。
2021-02-23 cs.SE
Requirements Elicitation in Cognitive Service for Recommendation
Harbin Institute of Technology（哈尔滨工业大学）
如今，认知服务提供了更多的交互方式来了解用户的需求，通过人机对话。换句话说，它必须从用户的话语中捕捉用户的需求，并以相关的和合适的服务资源来响应它们。为此，必须应用两个阶段：I.序列规划和实时检测用户需求，II.服务资源选择和响应生成。现有的工作忽略了这两个阶段之间的潜在联系。为了对它们之间的联系进行建模，提出了两阶段需求获取方法。对于第一阶段，本文提出了一个用户需求获取框架（URef），以计划一个潜在的需求序列的基础上用户简档和个人知识库的对话之前。此外，它还可以预测用户的真实需求，并根据用户在会话过程中的话语判断需求是否完成。对于第二阶段，本文提出了一种基于注意力的响应生成模型SaRSNet。它可以根据URef预测的需求选择合适的资源（即知识三元组），然后生成一个合适的推荐响应。在开放数据集\emph{DuRecDial}上的实验结果与基线相比有了明显的改善，证明了所提方法的有效性。
2022-03-29 cs.AI cs.SE
GPT-Powered Elicitation Interview Script Generator for Requirements Engineering Training
Microsoft（微软）；Utrecht University（乌得勒支大学）
本文提出一种配备需求启发访谈知识库并采用提示链分段生成的 GPT 智能体，以自动产出详细访谈脚本，评估表明其可用于需求工程培训。
2024-06-17 cs.AI cs.SE
ChatGPT Prompt Patterns for Improving Code Quality, Refactoring, Requirements Elicitation, and Software Design
Vanderbilt University（范德堡大学）
本文以模式的形式提出了软件工程的快速设计技术，以解决使用大语言模型（LLM）时的常见问题，例如ChatGPT自动化常见的软件工程活动，例如确保代码与第三方库解耦，并在实现之前模拟Web应用程序API。本文对软件工程中应用LLM的研究提供了两点贡献。首先，它为软件工程提供了一个模式目录，该目录根据模式解决的问题类型对模式进行分类。其次，它探讨了几个提示模式，已被应用于改善需求获取，快速原型，代码质量，重构和系统设计。
2023-03-11 cs.AI cs.SE
How Do Requirements Evolve During Elicitation? An Empirical Study Combining Interviews and App Store Analysis
需求是从客户和其他涉众那里通过一个反复的访谈、原型设计和其他交互式会话的过程获得的。然后，根据对市场上竞争产品的特点的分析，可以进一步扩展需求。理解这个过程是如何发生的有助于识别不同的启发阶段的贡献，从而允许需求分析师更好地分配他们的资源。在这项工作中，我们经验性地研究了需求如何从最初的想法转化为文档化的需求，然后根据来自类似产品的灵感进行演变。为此，我们选择了30个主题，作为需求分析师，我们执行基于面试的启发会话与一个虚构的客户。在会议之后，分析人员为系统产生第一组需求。然后，他们被要求在应用程序商店中搜索类似的产品，并根据所识别的应用程序的启发扩展需求。对每个步骤中记录的需求进行评估，以评估初始想法在整个过程中的发展程度和方式。我们的研究结果表明，只有30%到38%的需求在访谈后产生，包括内容，可以完全追溯到最初的客户的想法。此外，与访谈后确定的功能相比，应用程序商店激发的高达42%的需求涵盖了额外的功能。实证结果表明，严格意义上的需求不是被引出的，而是通过访谈共同创造的，分析师在这个过程中发挥了至关重要的作用。此外，我们有证据表明，应用程序商店启发启发可以特别有利于完成的要求。
2022-08-01 cs.HC cs.SE
Investigating ChatGPT's Potential to Assist in Requirements Elicitation Processes
本文通过六个问题对比 ChatGPT 与 RE 专家生成的需求，并由专家评估七项质量属性，发现 ChatGPT 需求在多方面质量较高，进而指出 LLM 辅助需求获取的研究重点。
2023-07-14 cs.SE
Requirements Elicitation and Modelling of Artificial Intelligence Systems: An Empirical Study
人工智能（AI）系统在最近的过去获得了巨大的吸引力，在构建AI软件系统时，在需求工程（RE）中产生了新的挑战。人工智能实践的RE研究不多，也缺乏实证研究。此外，许多人工智能软件解决方案往往专注于技术方面，而忽视了以人为本的价值观。在本文中，我们报告了一个案例研究，使用我们的框架和支持工具，为人工智能系统以人为本的RE引出和建模的要求。我们的案例研究是一个移动健康应用程序，用于鼓励2型糖尿病患者减少久坐行为。我们与应用程序团队的三位专家进行了研究-软件工程师，项目经理和数据科学家。我们在研究中发现，在开发第一个版本的应用程序时，最初并没有考虑到大多数以人为本的方面。我们还报告了可再生能源在健康应用中面临的其他见解和挑战，例如，经常变化的要求。
2023-02-13 cs.SE
Loud and Interactive Paper Prototyping in Requirements Elicitation: What is it Good for?
需求工程是一个多学科的、以人为中心的过程，因此，需求工程产生的产品往往容易出错。这些错误中最重要的是缺失或误解了需求。RE中的信息丢失可能会导致软件中逻辑的遗漏，这将在开发的后期阶段很难纠正。在本文中，我们展示和调查如何互动和大声的纸原型（LPP）可以集成到收集利益相关者的需求和期望比互动原型或面对面的会议。为此，我们对（1）31个应用交互式或大声原型的移动应用程序（App）开发团队和（2）19个仅应用面对面会议的移动应用程序开发团队进行了案例研究。从这项研究中，我们发现，虽然使用无声纸原型（SPP）而不是无纸原型（NPP）是一种更有效的技术来捕获非功能需求（NFR），用户界面（UI）需求和现有的需求，LPP更适用于管理NFR，UI需求，以及添加新的需求和删除/修改现有的需求。我们还发现，在LPP和SPP中，LPP更有效地捕获和影响功能需求（FR）。
2018-07-19 cs.SE
ViSpec: A graphical tool for elicitation of MTL requirements
阻碍形式化方法广泛应用的主要障碍之一是形式化规范的获取。正式的规范有助于安全关键机器人系统的测试和验证过程。然而，处理形式语言的复杂性是困难的，并且需要许多系统开发人员不具备的形式逻辑方面的高水平专业知识。在这项工作中，我们提出了一个图形化的工具，设计的开发和可视化的正式规范的人，没有受过训练的形式逻辑。该工具使用户能够使用图形化的形式主义，然后自动转换为度量时态逻辑（MTL）的规格。为了评估我们的工具的有效性，我们还设计并进行了一项可用性研究，其中包括来自学术学生社区和行业的队列。我们的研究结果表明，这两组都能够定义具有高水平的准确性的正式要求。最后，我们提出了我们的工具的应用程序定义操作的机器人手术和自主四轴飞行器的安全操作规范。
2015-08-03 cs.SE
Automated Alignment between Elicitation Interviews and Requirements
University of Bologna（博洛尼亚大学）
提出将访谈转录与用户故事需求自动对齐的任务，定义忠实度和覆盖率两个度量，利用大语言模型和嵌入模型实现自动评估，在四个数据集上达到0.86 macro-F1。
2026-06-09 cs.CL cs.SE
AI based Multiagent Approach for Requirements Elicitation and Analysis
本文提出基于多智能体的大语言模型方法，通过GPT-3.5、GPT-4 Omni、LLaMA3-70和Mixtral-8B自动生成、评估和优先级排序用户故事，并在四个真实项目中验证其在需求获取与分析中的有效性。
2024-08-18 cs.SE
Conjecture and Inquiry: Quantifying Software Performance Requirements via Interactive Retrieval-Augmented Preference Elicitation
School of Computer Science and Engineering, UESTC（电子科技大学计算机科学与工程学院）；IDEAS Lab, University of Birmingham（英国伯明翰大学IDEAS实验室）
本文提出IRAP方法，通过交互式检索增强偏好获取将软件性能需求转化为数学函数，实验表明其在五个交互回合内实现最高40倍的性能提升。
2026-04-27 cs.AI cs.CL cs.SE
AI-assisted Script Management for Requirements Elicitation Interviews
Carnegie Mellon University（卡内基梅隆大学）
本文提出结合业务目标的AI辅助脚本生成与实时主题追踪、按需跟进问题生成的需求启发工作流，准实验显示其脚本质量更高、访谈表现更优，为需求启发提供了AI辅助支架。
2026-08-04 cs.AI cs.SE
Think Like an Engineer: A Neuro-Symbolic Collaboration Agent for Generative Software Requirements Elicitation and Self-Review
本文提出 RequireCEG 智能体，通过神经-符号协作架构结合因果效应图，分层分析用户叙述、构建自修复 CEGs 并优化 Gherkin 场景，在 RGPair 数据集上实现 87% 覆盖率和 51.88% 多样性提升。
2025-07-20 cs.SE
Agile Elicitation of Scalability Requirements for Open Systems: A Case Study
在敏捷软件开发过程中引出可伸缩性需求是复杂的，在以前的研究中描述得很少。本文提出了一个轻量级的工件，用于在敏捷软件开发过程中引出可伸缩性需求：ScrumScale模型。ScrumScale模型是一个简单的电子表格。ScrumScale模型的可扩展性概念在这项设计科学研究中得到了澄清，该研究还利用了协调理论。本文介绍了开放银行的案例研究，其中一个遗留的银行系统变得开放。这就挑战了这个遗留系统的可扩展性。理解这一挑战的第一步是引出新的可伸缩性需求。在开放银行案例研究中，TietoEVRY的关键利益相关者花了55个小时来引出TietoEVRY开放银行项目的可扩展性需求。根据TietoEVRY的说法，ScrumScale模型提供了一种产生可伸缩性需求的系统方法。对于TietoEVRY来说，ScrumScale模型背后的可伸缩性概念也为与其他利益相关者的对话提供了显著的优势。
2021-08-01 cs.PF cs.SE
Exploring Emerging Technologies for Requirements Elicitation Interview Training: Empirical Assessment of Robotic and Virtual Tutors
Boğaziçi University（海峡大学）
本研究提出REIT架构，基于机器人和虚拟导师实现需求获取访谈培训，实证评估显示两者各有优劣，机器人提升学习效果，虚拟代理更易用。
2023-08-30 cs.RO cs.SE
RoboREIT: an Interactive Robotic Tutor with Instructive Feedback Component for Requirements Elicitation Interview Training
Boğaziçi University（海峡大学）
RoboREIT是一种交互式机器人导师，通过人形机器人模拟访谈并提供情境化反馈，解决需求获取访谈培训的可扩展性问题，首次将社交机器人用于该教育领域，获得81%的有用性认可。
2023-04-15 cs.HC cs.RO cs.SE
Requirements Elicitation Follow-Up Question Generation
Carnegie Mellon University（卡内基梅隆大学）
本文研究利用GPT-4o结合常见访谈者错误类型框架，在需求获取访谈中实时生成后续问题，实验证明LLM生成的问题在清晰度、相关性和信息量上不劣于甚至优于人工编写的问题。
2025-07-03 cs.CL cs.SE
Effect of Requirements Analyst Experience on Elicitation Effectiveness: A Family of Empirical Studies
本研究通过准实验探讨经验对需求分析师表现的影响，发现经验的作用因问题领域熟悉度而异，且无法完全解释分析师有效性的变异性。
2024-08-22 cs.SE
Using Large Language Models to Develop Requirements Elicitation Skills
本文提出用大语言模型扮演客户进行访谈以培养需求获取技能，并通过120人受试者间研究证明该方法与使用访谈记录效果相当，但更真实、更具吸引力且更受学生偏好。
2025-04-09 cs.SE
Adventures in FRET and Specification
本文回顾了使用NASA的FRET工具形式化需求的四个案例研究，证实其作为需求获取框架及提供需求到规格说明可追溯性的适用性。
2025-03-31 cs.SE
RECOVER: Toward Requirements Generation from Stakeholders' Conversations
针对人工从利益相关者对话提取需求效率低易出错、现有方法无法兼顾需求识别与生成的问题，提出结合NLP与LLM的RECOVER对话式需求工程方法，经多粒度评估验证其生成需求质量良好，可提升需求获取效率并保留人工监督。
2025-05-17 cs.SE
RESAM: Requirements Elicitation and Specification for Deep-Learning Anomaly Models with Applications to UAV Flight Controllers
University of Notre Dame（圣母大学）
必须密切监控网络物理系统（CPS），以识别并潜在地缓解其日常操作中出现的紧急问题。然而，它们通常产生的多变量时间序列数据可能很难理解和分析。虽然正式的产品文档通常会提供带有诊断建议的示例数据图，但属性、关键阈值和数据交互的绝对多样性可能会让非专家不知所措，他们随后会从论坛寻求帮助来解释他们的数据日志。深度学习模型，如长短期记忆（LSTM）网络，可用于自动化这些任务，并提供对实时多变量数据流中检测到的各种异常的清晰解释。在本文中，我们提出了RESAM，一个需求过程，集成了来自领域专家，论坛和正式产品文档的知识，以发现和指定需求和设计定义的时间序列属性的形式，有助于构建有效的深度学习异常检测器。我们提出了一个案例研究的基础上，小型无人机系统的飞行控制系统，并证明它的使用指导有效的异常检测模型的建设，同时也提供了基本的支持解释。RESAM与开放或封闭的在线论坛为日志分析提供讨论支持的域相关。
2022-07-18 cs.AI cs.MA cs.SE
From Natural Language Requirements to Graphical User Interfaces: Automated Prototyping and Verification with Pretrained Language Models
Universität Mannheim（曼海姆大学）
本研究针对将自然语言需求转化为GUI原型及GUI应用需求验证的两大挑战，提出基于预训练语言模型的自动化方法，可显著减少相关手动工作量。
2026-08-26 cs.SE
Getting Inspiration for Feature Elicitation: App Store- vs. LLM-based Approach
EuroMov Digital Health in Motion（EuroMov数字健康运动中心）；Univ Montpellier（蒙彼利埃大学）；IMT Mines Ales（阿尔比-加工程师学院）；University of Hamburg（汉堡大学）
本文对比了基于AppStore和LLM的需求启发方法在将特征细化为子特征方面的表现，发现LLM在生成新颖特征上更具优势，但仍需人类分析师确保可行性。
2024-08-30 cs.AI cs.SE
Supporting Stakeholder Requirements Expression with LLM Revisions: An Empirical Evaluation
Leibniz Universität（莱布尼茨大学）
本文通过实证研究展示LLM在辅助利益相关者表达需求方面的有效性，证明其能提升需求表达的完整性、清晰度和一致性。
2026-01-23 cs.SE
Advancing Requirements Engineering through Generative AI: Assessing the Role of LLMs
本文探讨大语言模型在需求工程中的应用潜力，提出关键研究方向与SWOT分析，并通过初步评估验证其在需求获取、分析、规格说明和验证中的效果。
2023-11-01 cs.SE
Goal2Story: A Multi-Agent Fleet based on Privately Enabled sLLMs for Impacting Mapping on Requirements Elicitation
Tongji University（同济大学）；Shanghai Business School（上海商学院）
本文提出 Goal2Story 多智能体集群，用私有化 sLLM 结合 IM 框架实现从目标到用户故事的需求获取，并构建 StorySeek 数据集与 FHR、QuACE 指标，验证其优于强 LLM 超级智能体基线。
2025-03-17 cs.AI cs.SE
Exact Requirements Engineering for Developing Business Process Models
流程建模是改进业务流程的合适工具。成功的过程建模在很大程度上依赖于正确的需求工程。在本文中，我们提出了一个组合的方法，开发业务模型的需求获取。为了做到这一点，BORE（面向业务的需求工程）方法是利用我们的工作的基础，它是丰富的BDD（业务驱动开发）方法的重要功能，以使所提出的方法适合建模更复杂的过程。作为主要结果，我们的方法最终在准确的需求启发，适应客户的需求。此外，它让我们避免在过程建模中的任何返工。本文以某期刊的论文投稿与发表系统为例进行了案例研究。本研究的结果不仅提供了一个很好的经验，现实世界中的应用所提出的方法在基于Web的系统，也证实了这种方法的能力，建模的复杂系统，许多子过程和复杂的关系。
2017-05-10 cs.SE
ReqBrain: Task-Specific Instruction Tuning of LLMs for AI-Assisted Requirements Generation
Technical University of Munich（慕尼黑工业大学）
本文提出ReqBrain，一个基于微调LLM的AI辅助工具，用于自动生成真实且充分的软件需求，通过五个7B模型对比，Zephyr-7b-beta表现最佳，验证了生成式AI在需求工程中的潜力。
2025-05-23 cs.AI cs.LG cs.SE
HM-Req: A Framework for Embedding Values within CPS Human Monitoring Requirements
University of Innsbruck（因斯布鲁克大学）
本文提出HM-Req框架，通过控制自然语言定义人类监控需求，并整合相关利益相关者的价值观，以解决需求 elicitation 中的价值冲突问题。
2026-06-09 cs.HC cs.SE
How to Elicit Explainability Requirements? A Comparison of Interviews, Focus Groups, and Surveys
本研究针对可解释性需求引出难题，对比焦点小组、访谈、在线调查三种方法的效率与效果，结合德国IT公司案例验证了延迟引入分类法的优势，提出兼顾效率与覆盖度的混合引出方法。
2025-09-03 cs.SE
ELICA: An Automated Tool for Dynamic Extraction of Requirements Relevant Information
University of Calgary（卡尔加里大学）；University of Pisa（比萨大学）；University of Technology Sydney（悉尼科技大学）
需求获取需要对最终系统所在的问题域有广泛的知识和深入的理解。然而，在许多软件开发项目中，分析人员需要从一个不熟悉的领域引出需求，这往往会导致分析人员和利益相关者之间的沟通障碍。在本文中，我们提出了一个需求启发辅助工具（ELICA），以帮助分析人员更好地了解目标应用领域的动态提取和标记的需求相关的知识。为了提取相关术语，我们利用加权有限状态转换器（WFSTs）在自然语言处理任务的动态建模中的灵活性和功能。除了通过文本传达的信息外，ELICA还捕获和处理有关说话者意图的非语言信息，例如他们的信心水平，分析语气和情绪。提取的信息作为一组标记的片段提供给分析师，这些片段具有突出显示的相关术语，这些术语也可以作为需求工程（RE）过程的工件导出。通过一个案例研究证明了ELICA的应用和有用性。这项研究表明，如何预先存在的相关信息的应用程序域和信息捕获在一个启发式会议，如对话和利益相关者的意图，可以被捕获和使用，以支持分析师完成他们的任务。
2018-07-21 cs.CL cs.IR cs.SE
ClarifyCodeBench: Evaluating LLMs on Clarifying Ambiguous Requirements for Code Generation
Peking University（北京大学）
提出ClarifyCodeBench基准，通过人工标注的模糊需求、澄清问题和指标，评估LLMs主动澄清需求的能力，发现代码生成能力与需求澄清能力脱钩，且多模糊场景下性能下降。
2026-10-05 cs.AI cs.SE
FRETting about Requirements: Formalised Requirements for an Aircraft Engine Controller
本文针对飞机发动机控制器场景，使用FRET工具将模糊自然语言需求转化为形式化需求，分析其模式、转换及父子需求关系，评估其弥合形式化方法专家与航空航天专家沟通鸿沟的效果，为非FRET开发团队首篇工业用例经验报告。
2022-02-02 cs.LO cs.SE
LadderTeam: Dual-Agent Laddering Elicitation Framework
University of Colorado Anschutz（科罗拉多大学安舒茨校区）
LadderTeam是基于双智能体LLM架构的自动化UX线框图访谈框架，采用三种探测策略，经216次模拟访谈验证，实现高收敛率与可执行响应匹配率，且无主题偏离。
2026-10-01 cs.HC cs.SE
