QUPER-MAn: Benchmark-Guided Target Setting for Maintainability Requirements
本文提出QUPER-MAn模型,将QUPER方法适配到可维护性领域,通过整合基准支持目标设定,使可维护性从被忽视的后果转变为主动管理的工程目标。
2025-08-21 cs.SE
Using Language Models for Enhancing the Completeness of Natural-language Requirements
[上下文和动机]自然语言需求的不完整性是一个具有挑战性的问题。[问题/问题]检测需求中不完整性的一种常见技术是根据外部来源检查需求。随着语言模型(如BERT)的出现,一个有趣的问题是语言模型是否是发现需求中潜在不完整性的有用外部资源。[主要思想/结果]我们屏蔽了需求中的单词,并让BERT的屏蔽语言模型(MLM)生成用于填充屏蔽插槽的上下文预测。我们模拟的不完整性扣留内容的要求和措施BERT的能力,以预测术语,是目前在扣留的内容,但没有在内容披露给BERT。[贡献] BERT可以配置为每个掩码生成多个预测。我们的第一个贡献是确定每个掩码有多少预测是有效发现需求中的遗漏和预测中的噪声水平之间的最佳权衡。我们的第二个贡献是设计一个基于机器学习的过滤器,对BERT的预测进行后处理,以进一步降低噪声。我们从PURE数据集[1]中提取了40多个需求规范,对我们的解决方案进行了经验评估。我们的研究结果表明:(1)BERT的预测在精确定位需求中缺失的术语方面非常有效,(2)我们的过滤器可以大大减少预测中的噪声,从而使BERT成为提高需求完整性的更有说服力的辅助工具。
2023-02-09 cs.SE
Automated Requirements Relation Extraction
该研究针对文本需求关系抽取中歧义性强、专家成本高的问题,综述了需求关系基础、自然语言分类技术与信息抽取方法,并分析了前沿挑战与未来方向,为该领域理论与实践研究提供清晰视角。
2025-03-20 cs.SE
Towards a Software Reference Architecture for Natural Language Processing Tools in Requirements Engineering
Chalmers University of Technology(查尔姆斯理工大学);University of Gothenburg, Sweden(哥德堡大学)
本文提出面向需求工程中NLP工具的软件参考架构愿景,旨在通过模块化和互操作性提升工具的可持续性和重用性。
2026-02-19 cs.SE
Benchmarking Requirement-to-Architecture Generation with Hybrid Evaluation
State Key Laboratory of Complex & Critical Software Environment School of Computer Science and Engineering Beihang University, Beijing, China(北京航空航天大学计算机科学与工程学院复杂与关键软件环境国家重点实验室)
本文提出R2ABench基准,包含真实软件项目及PRD和PlantUML图,通过多维混合评估框架评估生成架构,发现LLM在关系推理上存在不足,代码专用模型和代理框架各有优劣。
2026-09-10 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
Practical Guidelines for the Selection and Evaluation of Natural Language Processing Techniques in Requirements Engineering
本文为需求工程中自然语言处理技术的选择与评估提供实用指南,涵盖传统NLP、特征机器学习及语言模型方法,旨在帮助新手快速上手。
2024-07-16 cs.SE
LLM-Based Static Verification of Code Against Natural-Language Requirements: An Industrial Experience Report
NIO Inc.(蔚来);University of Nottingham Ningbo China(诺丁汉大学宁波校区);Swinburne University of Technology(斯威本科技大学)
本文提出一种基于大语言模型的两阶段工作流,用于在智能汽车网络安全案例中验证代码是否符合自然语言要求,通过引入结构化中间表示减少幻觉和输出变异,提升静态分析的准确性与解释性。
2026-05-18 cs.SE
Requirements Coverage-Guided Minimization for Natural Language Test Cases
University of Ottawa(渥太华大学);Research Ireland Lero Centre, University of Limerick(利默里克大学 Research Ireland Lero 中心);Wind River Systems(风河系统公司)
本文提出RTM方法,通过需求覆盖引导的测试套件最小化,有效减少冗余测试用例并保持高故障检测率。
2026-02-23 cs.SE
Modelling and testing timed data-flow reactive systems in Coq from controlled natural-language requirements
数据流反应式系统是一类输入和输出总是作为信号可用的嵌入式系统。输入信号可以被视为由传感器提供的数据,而输出数据被提供给系统致动器。在以前的工作中,验证DFRS模型的属性是以编程的方式完成的,没有正式的保证,测试用例是通过将这些模型转换为其他符号来生成的。在这里,我们使用Coq作为一个单一的框架来指定和验证DFRS模型。此外,Coq中DFRS的规范是从受控的自然语言需求中自动导出的。属性验证在逻辑和功能方面都有定义。后者允许更容易的证明结构。在QuickChick工具的支持下生成测试。考虑到文献中的例子,以及航空航天工业(巴西航空工业公司)的例子,我们的测试策略在性能和检测突变产生的缺陷的能力方面进行了评估;在8秒内,我们实现了75.80%的平均突变分数。
2019-10-29 cs.SE
Bridging Natural Language and Formal Specification--Automated Translation of Software Requirements to LTL via Hierarchical Semantics Decomposition Using LLMs
School of Computer Science and Technology, Xidian University(西安电子科技大学计算机科学与技术学院);Guangzhou Institute of Technology of Xidian University(西安电子科技大学广州研究院);China Academy of Space Technology(中国空间技术研究院)
本文提出Req2LTL框架,通过层次中间表示OnionL将自然语言需求转换为LTL,实现88.4%的语义准确性和100%的语法正确性。
2025-12-19 cs.SE
ARSENAL: Automatic Requirements Specification Extraction from Natural Language
SRI International(SRI国际公司);TTTech C. AG(TTTech股份公司)
需求是从利益相关者(客户、用户、操作员、设计师和工程师)的角度对复杂系统预期行为的非正式和半正式描述。然而,对于关键系统的设计、测试和验证,我们可以将需求转换为可以自动分析的形式化模型。ARSENAL是一个框架和方法,用于系统地将自然语言(NL)需求转换为可分析的形式化模型和逻辑规范。可以分析这些模型的一致性和可实现性。ARSENAL方法专门针对各个领域,但该方法足够通用,可以适应新的领域。
2016-04-20 cs.CL cs.SE
Two Truths and A Lie? Benchmarking Off-the-Shelf LLMs for Requirements Quality Assessment: Performance, False Alarms, and Misses
Virginia Tech(弗吉尼亚理工大学);University of Arizona(亚利桑那大学)
本研究通过基准测试10款现成LLMs,发现其需求质量评估存在高漏报、误报及非单调性能等缺陷,暂不可作为自主评估工具,仅可作为人在环的决策支持。
2026-09-04 cs.SE
Natural Language Processing (NLP) for Requirements Engineering: A Systematic Mapping Study
自然语言处理支持的需求工程是一个研究和开发领域,旨在将NLP技术,工具和资源应用于各种需求文档或工件,以支持在各个RE阶段执行的一系列语言分析任务。这些任务包括检测语言问题,识别关键领域概念和建立需求之间的可追溯性链接。本文调查了NLP 4 RE研究的景观,以了解最新的技术水平,并确定开放的问题。系统映射研究方法是用来进行这项调查,其中确定了404个相关的主要研究,并审查他们根据五个研究问题,横跨五个方面的NLP 4 RE研究,涉及文献的状态,实证研究的状态,研究重点,实践的状态,和使用的NLP技术。结果如下:1)NLP 4 RE是RE中一个活跃且蓬勃发展的研究领域,已积累了大量出版物并引起了不同社区的广泛关注; 2)大多数NLP 4 RE研究都是仅使用实验室实验或示例应用进行评估的解决方案建议; 3)大多数研究都集中在分析阶段,以检测为中心的语言分析任务,以需求规格说明为共同处理的文档类型; 4)已经提出了130种新工具来支持一系列语言分析任务,但很少有证据表明长期采用,尽管已经发布了一些工业应用; 5)从所选研究中提取了140种自然语言处理技术、66种自然语言处理工具和25种自然语言处理资源。
2020-04-07 cs.SE
Autonomous requirements specification processing using natural language processing
Auckland University of Technology(奥克兰理工大学)
我们描述了我们正在进行的研究,集中在自然语言处理(NLP)的软件工程和系统开发活动的应用。特别是,本文讨论了在需求分析和系统设计过程中使用NLP。我们已经开发了一个原型工具集,可以帮助系统分析师或软件工程师选择和验证与项目相关的术语。在本文中,我们描述的过程中所采用的系统提取和分类的兴趣对象的需求文件。这些过程是用一个小例子来说明。
2014-07-23 cs.CL cs.SE
Natural Language Processing for Requirements Traceability
该综述梳理了需求可追溯性领域的核心概念与典型任务,介绍了NLP技术在相关任务中的应用方法、实验设计方案及实践落地要点,为构建NLP驱动的自动化可追溯性方案提供基础指引。
2024-05-17 cs.SE
Using Large Language Models for Natural Language Processing Tasks in Requirements Engineering: A Systematic Guideline
针对需求工程领域研究者和从业者难以选择与适配大语言模型的问题,本章提供LLM基础知识及面向NLP4RE任务的系统性实用指南,助力相关研究与应用发展。
2024-05-15 cs.SE
Linguistic Analysis of Requirements of a Space Project and their Conformity with the Recommendations Proposed by a Controlled Natural Language
CLLE-ERSS, CNRS and Université Toulouse 2 – Le Mirail(CLLE-ERSS,法国国家科学研究中心和图卢兹第二大学);CNES(法国国家空间研究中心)
法国国家航天局(法国空研中心)实施的这一项目的长期目标是,根据真实和定期的要求编写一份写作指南。作为该项目的第一步,本文提出了一个语言分析的要求,法国国家空间研究中心的工程师写在法国。其目的是确定它们在多大程度上符合INCOSE中规定的两条规则,INCOSE是最近的写作要求指南。虽然CNES的工程师在编写需求时没有义务遵循任何受控自然语言,但我们认为,主要由于编写者的经验,语言错误很可能会从这项任务中出现。这个问题是使用自然语言处理工具来识别不符合INCOSE规则的句子。我们进一步审查这些句子,以了解为什么这些建议不能(或不应该)总是适用于指定大型项目。
2014-06-06 cs.CL cs.SE
Recurrent Neural Networks to automate Quality assessment of Software Requirements
由于需求是用自然语言编写的,因此在需求获取和规格说明活动中会出现许多与需求质量相关的问题。语言的灵活性和固有特性使得需求容易出现不一致、冗余和歧义,从而对软件生存周期的后期阶段产生负面影响。为了解决这个问题,本文提出了一种创新的方法,结合自然语言处理技术和循环神经网络自动评估软件需求的质量。首先,分析IEEE 29148:2018标准中定义的奇异、完整、正确和适当的质量属性。所提出的神经模型是用由1000个软件需求组成的数据集训练的。该提案提供了75%的平均准确度。这些有希望的结果是一个动机,探索其应用于其他质量特性的评价
2021-05-13 cs.SE
Specification-Driven Benchmarking for Automated Program Repair From Static Corpora to Executable Specifications
Algoma University(阿尔戈马大学)
提出规范驱动的基准测试范式,用可执行规范定义基准并通过生成流水线实现,实现基准的声明式实验设计。
2026-09-25 cs.SE
What Works Better? A Study of Classifying Requirements
将需求分类为功能性需求和非功能性需求是需求工程的一项重要任务。然而,由于自然语言的可变性和缺乏受控词汇表,用自然语言编写的需求的自动分类并不简单。本文研究了如何自动分类的要求FR和NFR可以提高以及如何在这种情况下工作的几个机器学习方法。我们贡献了一个预处理的要求,在应用分类算法之前,将要求进行预处理和规范化的方法。此外,我们报告了几种现有的机器学习方法在将NFR自动分类为可用性、可用性或性能等子类别方面的表现。我们的研究是在OpenScience tera-PROMISE存储库提供的625个要求上进行的。我们发现,我们的预处理提高了现有的分类方法的性能。我们进一步发现,潜在狄利克雷分配,双项主题建模或朴素贝叶斯等方法在NFR子分类方面的性能存在显着差异。
2017-07-07 cs.SE
On Systematically Building a Controlled Natural Language for Functional Requirements
University of Luxembourg(卢森堡大学);University of Ottawa(渥太华大学)
[上下文]自然语言(NL)在软件需求规格说明(SRS)中无处不在。然而,尽管它的流行和广泛的使用,NL是非常容易的质量问题,如冗长,模糊和不完整。受控自然语言(CNL)已被提出作为一种方法,以防止质量问题的需求文档,同时保持灵活性,编写和沟通的要求,在一个直观的和普遍理解的方式。[目的]与金融领域的行业合作伙伴合作,系统地开发和评估CNL,命名为Rimay,旨在帮助分析师编写功能需求。[方法]我们依靠扎根理论来构建Rimay,并遵循众所周知的指导方针进行和报告工业案例研究。[结果]我们的主要贡献是:(1)系统地定义了一个面向功能需求的CNL的定性方法,该方法是通用的,适用于金融领域以外的信息系统;(2)描述功能需求的CNL文法;这种语法是从我们在金融领域的经验中得到的,但是应该适用于其他信息系统领域,(3)通过一个工业案例对我们的CNL(Rimay)进行了实证评估。我们的贡献借鉴了15个代表性的SRS,共包含来自金融领域的3215个NL要求声明。[结论]我们的评估表明,Rimay具有足够的表达能力,可以在四个以前从未见过的金融领域SRS中捕获平均88%(460个中的405个)的NL需求声明。
2020-05-04 cs.CL cs.SE
GUISpector: An MLLM Agent Framework for Automated Verification of Natural Language Requirements in GUI Prototypes
Clausthal University of Technology(克劳斯塔尔工业大学);Karlsruhe Institute of Technology(卡尔斯鲁厄理工学院);University of Mannheim(曼海姆大学)
针对现有GUI测试方法难以应对现代界面复杂性、缺乏可执行反馈等问题,提出GUISpector框架,利用MLLM智能体自动验证GUI原型的自然语言需求,提取可执行反馈并提供集成工具,实验验证了其有效性。
2025-10-06 cs.SE
Automatic extraction of cause-effect-relations from requirements artifacts
本文提出一种基于句法标准的自动因果关系提取原型系统,并在18份需求文档的4457个句子上验证其可减少需求形式化工作量、支持后续工件自动生成。
2023-12-12 cs.SE
Towards an Automated Requirements-driven Development of Smart Cyber-Physical Systems
Charles University in Prague(布拉格查理大学);Faculty of Mathematics and Physics(数学与物理学院)
自适应不变精化方法(IRM-SA)是一种针对智能信息物理系统(sCPS)开发的设计方法。它允许将系统需求系统地转换为表示为基于集成的组件系统(EBCS)的系统架构。然而,由于需求是使用自然语言捕获的,因此存在由于自然语言需求的模糊性而导致其被误解的危险,这最终可能导致设计错误。因此,需要设计过程的自动化和验证。在本文中,我们(i)分析自然语言的要求到IRM-SA模型的翻译过程,(ii)确定可以使用自然语言处理技术自动化和/或验证的各个步骤,(iii)提出合适的方法。
2016-03-29 cs.CL cs.SE
Neurosymbolic Auditing of Natural-Language Software Requirements
Stevens Institute of Technology(史蒂文斯理工学院)
本文提出神经符号方法用于审计自然语言软件需求,通过形式逻辑转换和SMT求解器检测歧义与不一致,提升医疗设备软件需求的严谨性。
2026-05-13 cs.AI cs.SE
RESTestBench: A Benchmark for Evaluating the Effectiveness of LLM-Generated REST API Test Cases from NL Requirements
CASABLANCA hotelsoftware GmbH(CASABLANCA酒店软件公司);University of Innsbruck(因斯布鲁克大学);Technical University of Munich(慕尼黑技术大学);Diffblue Ltd(Diffblue有限公司)
RESTestBench通过精确和模糊的自然语言需求评估LLM生成的REST测试用例有效性,引入基于需求的变异测试指标,评估两种生成方法在不同LLM中的表现。
2026-04-28 cs.AI cs.SE
Spec2Control: Automating PLC/DCS Control-Logic Engineering from Natural Language Requirements with LLMs - A Multi-Plant Evaluation
ABB Corporate Research Center(ABB企业研究中心)
本研究提出高度自动化的LLM工作流Spec2Control,可直接从自然语言需求生成DCS图形化控制逻辑,实验验证其准确率和人力节省效率优异,已推进工业应用落地并开源供验证。
2025-10-06 cs.SE
Clarity Is Not Assumed: Understanding LLM-Based Code Generation under Ambiguous Requirements
East China Normal University(华东师范大学);Shanghai Innovation Institute(上海创新研究所)
本文提出Orchid基准,评估需求模糊性对LLM代码生成的影响,发现模糊性显著降低模型性能,且高阶模型受影响更严重,揭示了明确与模糊需求之间的性能差距。
2026-09-17 cs.SE
PICKLES: a Natural Language Framework for Requirement Specification and Model-Based Testing
University of Twente(特文特大学)
PICKLES结合模型驱动测试和行为驱动开发方法,通过自然语言规范和测试用例实现人类可读的测试方法,提供双向翻译和主模型生成,提升测试覆盖率。
2026-04-29 cs.SE
Lessons from the Use of Natural Language Inference (NLI) in Requirements Engineering Tasks
University of Hawaii at Manoa(夏威夷大学马诺阿分校);Global Cybersecurity Institute, Rochester Institute of Technology(罗切斯特理工学院全球网络安全研究院)
本文评估NLI用于需求分类、缺陷识别和冲突检测,经传统学习与零样本实验证明其优于经典NLP及LLM聊天机器人方法。
2024-04-24 cs.CL cs.LG cs.SE
Managing Requirements Change the Informal Way: When Saying 'No' is Not an Option
软件一直被认为是可塑的。在开发过程中,软件需求的变更是不可避免的。尽管软件工程在过去几十年中取得了许多进步,但需求变更仍然是项目风险的来源,特别是当业务和技术快速发展时。尽管有效地管理需求变更是软件工程的一个重要方面,但文献中的需求变更概念和实践中的需求变更管理方法似乎仍然很初级。本研究的总体目标是更好地理解需求变更管理的过程。我们提出了一个探索性的案例研究的结果,在全球分布的环境中的需求变更管理。在这种情况下,我们注意到与传统的需求变更模型的对比。在理论上,变更控制策略和形式化过程被认为是处理需求变更的自然策略。然而,我们观察到“非正式需求变更”(InfRc)是普遍的和不可避免的。我们的研究结果揭示了一个同样“自然”的非正式变更管理过程,需要并行处理InfRc。我们提出了一个新的模型的需求变化,我们认为,更好地代表了这种现象,更现实地结合了非正式和正式类型的变化。
2021-04-02 cs.SE
ARLO: A Tailorable Approach for Transforming Natural Language Software Requirements into Architecture using LLMs
University of Southern California(南加州大学)
ARLO 利用大语言模型从自然语言需求中识别架构相关子集,并通过整数线性规划在可定制架构选择矩阵上求解最优架构,实现需求到架构的自动化映射与可追溯分析。
2025-04-08 cs.AI cs.SE
Benchmarking and Studying the LLM-based Agent System in End-to-End Software Development
Peking University(北京大学)
本文构建E2EDevBench基准并提出混合评估框架,通过受控实证研究发现最先进LLM软件开发智能体仅能满足约50%需求,瓶颈在于需求遗漏与自我验证不足。
2025-11-06 cs.SE
Developing controlled natural language for formal specification patterns using AI assistants
Institute of Automation and Electrometry(自动化与电测研究所)
本文提出利用AI助手开发受控自然语言的方法,通过三个阶段构建基于形式规范模式的自然语言需求,用于事件驱动的时间要求分析。
2025-12-30 cs.AI cs.FL cs.SE
A Short Survey on Formalising Software Requirements using Large Language Models
本文是源自VERIFAI项目的聚焦型综述,通过多数据库结合Elicit初筛、人工终选的方式梳理35篇核心文献,总结大语言模型辅助多语言程序形式化规范编写的研究,提供相关洞见与未来方向。
2025-06-13 cs.SE
A Retrieval-Augmented Framework for Detecting and Resolving Pragmatic Ambiguities in Natural Language Requirements
Tata Consultancy Services(塔塔咨询公司)
研究自然语言需求中的语用歧义,利用检索增强技术和不同领域知识库模拟不同专业利益相关者,生成候选消歧需求并验证,评估该方法在需求文档上的效果。
2026-07-07 cs.AI cs.SE
Automated Formalization of Probabilistic Requirements from Structured Natural Language
KBR Inc.(KBR公司);NASA Ames Research Center(美国国家航空航天局艾姆斯研究中心);The University of Manchester(曼彻斯特大学);University of York(约克大学);RTX Technology Research Center(RTX技术研究中心)
本文提出了一种自动方法,将结构化自然语言中的概率性要求转换为概率时序逻辑公式,以提升自主和适应性系统的形式化分析效率与准确性。
2025-12-15 cs.FL cs.PL cs.SE
SR-Eval: Evaluating LLMs on Code Generation under Stepwise Requirement Refinement
Sichuan University(四川大学);The Chinese University of Hong Kong(香港中文大学)
SR-Eval是一个针对迭代代码生成的评估基准,通过多轮交互模拟真实开发流程,评估LLM在逐步需求细化下的表现,发现最佳模型在功能级任务中仅达到22.67%的完成率。
2026-03-17 cs.SE
Natural Language Requirements Testability Measurement Based on Requirement Smells
Iran University of Science and Technology(伊朗科学与技术大学)
本文提出一种基于9种需求坏味和验收测试工作量的数学模型,用于评估和排序自然语言需求可测试性,并利用神经词嵌入技术自动生成词典以检测多义坏味,实验证明其检测效果优于现有工具且度量误差低。
2024-03-26 cs.AI cs.LG cs.SE
Bridging the Gap between User Intent and LLM: A Requirement Alignment Approach for Code Generation
School of Computer Science, Wuhan University(武汉大学计算机学院);Nanyang Technological University(南洋理工大学);Institute of Software, Chinese Academy of Sciences(中国科学院软件研究所);Key Lab of High Confidence Software Technology, MoE (Peking University)(北京大学 教育部高可信软件技术重点实验室);The University of Hong Kong(香港大学);Wuhan University(武汉大学);Peking University(北京大学)
本文提出REA-Coder方法,通过需求对齐提升大语言模型的代码生成性能,实验表明其在多个编程基准测试中表现优异,平均提升率达7.93%至30.25%。
2026-04-17 cs.SE
AI-Driven Test Case Generation from Natural Language Requirements: A Survey of Techniques and Research Gaps
School of Electrical Engineering and Computer Science(电气工程与计算机科学学院)
综述AI、NLP和LLM从自然语言需求生成测试用例的技术,指出当前方法无法同时满足自动化、歧义处理等六个质量维度,提出四个研究方向。
2026-06-16 cs.AI cs.SE
AutoReq: expressing and verifying requirements for control systems
只有当结果满足两个条件时,编写需求的相当大的努力才是值得的:需求反映了涉众的需求,并且实现满足了他们。在通常的方法中,对需求(通常是自然语言)和实现(一种程序设计语言)使用不同的符号使得这两个条件都难以理解。本文中介绍的AutoReq采用了一种不同的方法来编写需求及其验证。将该方法应用于一个有据可查的示例,即起落架系统,允许对一致性进行机械证明,并在已发表的问题讨论中发现了一个错误。
2019-02-04 cs.SE
Leveraging LLMs for Formal Software Requirements -- Challenges and Prospects
本文提出VERIFAI项目,探索结合NLP、本体建模与LLM等方法,从非正式自然语言需求自动生成可验证形式化规格说明,并总结关键挑战与研究方向。
2025-08-28 cs.SE
Un marco conceptual para la generación de requerimientos de software de calidad
针对自然语言软件需求的模糊性问题,本研究提出利用大型语言模型(LLMs)提高需求质量的概念框架,详细介绍其架构与组件,并通过概念测试评估其有用性,同时探讨框架的潜力、局限及未来方向。
2025-04-14 cs.SE
An Evaluation of Requirements Modeling for Cyber-Physical Systems via LLMs
本文提出CPSBench基准,通过实体识别和交互提取两个任务系统评估七种先进大语言模型在CPSs需求建模中的能力与局限,并建立幻觉分类体系,为自动化需求建模提供启示。
2024-08-05 cs.SE
An Empirical Study on the Impact of Normalized Use-Case Specifications on Traceability
College of Computer Science and Technology, National University of Defense Technology(国防科技大学计算机学院);State Key Laboratory of Complex & Critical Software Environment(复杂与关键软件环境国家重点实验室)
本研究提出面向需求的标准化方法,将原始需求转换为标准化用例规格,经实验验证该方法可提升语义模糊需求的可追溯性能,同时揭示其适用边界,为可追溯性改进提供新策略。
2026-08-18 cs.SE
Agent4RE: A Self-Refining Multi-agent Framework for End-to-End Software Requirements Engineering and Benchmarking
Siemens AG(西门子股份公司);Technical University of Munich(慕尼黑工业大学)
本研究提出自优化多智能体框架Agent4RE,构建端到端RE基准数据集RE-E2E,其三种变体在8种LLM评估中均优于基线,增强变体评分最高,可作为工业端到端RE实用方案。
2026-10-09 cs.AI cs.SE
Towards Practical Requirement Analysis and Verification: A Case Study on Software IP Components in Aerospace Embedded Systems
本文以中国空间技术研究院的五个真实航空航天嵌入式软件IP组件为案例,提出利用大语言模型自动将自然语言需求转换为时序逻辑规范,并结合三种验证技术实现形式化验证,从而降低对领域专家和人工的依赖。
2024-03-31 cs.SE
Natural Language Processing for Requirements Formalization: How to Derive New Approaches?
ifak - Institut für Automation und Kommunikation e.V.(ifak自动化与通信研究所)
本文探讨如何利用现代NLP尤其是预训练模型与可迭代规则集,将自然语言功能需求半自动形式化为伪代码模型,并通过汽车和铁路工业用例验证其低工作量与领域适配性。
2023-09-23 cs.CL cs.SE
Automatically detecting the conflicts between software requirements based on finer semantic analysis
Beihang University(北京航空航天大学)
背景:软件需求之间的冲突给产品开发带来了不确定性。已经提出了一些很好的方法来识别这些冲突。然而,它们通常需要用特定的模板表示的软件需求和/或依赖于其他外部资源,这在实践中通常很难为许多项目构建。目的:本文提出了一种基于语义分析的需求冲突检测器(FSARC),通过分析自然语言功能需求的语义成分,自动检测它们之间的冲突。方法:建立一个统一的八元组形式的功能需求语义元模型。然后,我们提出了算法来自动分析的语言特征的需求和注释的语义元素的语义模型的建设。根据文本模式和语义依赖性,定义了七种冲突类型及其启发式检测规则。最后,设计并实现了冲突检测算法。结果如下:在四个需求数据集上的实验表明,FSARC的冲突检测召回率接近100%,平均准确率为83.88%。结论:我们提供了一个有用的工具来检测自然语言功能需求之间的冲突,以提高最终的需求集的质量。此外,该方法能够将自然语言的功能需求转换为8个语义元组,不仅可以用于需求间冲突的检测,还可以用于需求间关联的构建等任务。
2021-03-03 cs.AI cs.SE
Formal Consistency Checking over Specifications in Natural Languages
系统开发的早期阶段包括概述所需的功能,如功能,可用性或可用性。规范是从这些特征中派生出来的,这些特征将自然语言中的模糊概念具体化。规范验证的挑战来自不同表示之间的语法和语义差距以及自动工具的需求。在本文中,我们提出了一个需求一致性维护框架,以产生一致的表示。第一部分是从描述功能的自然语言到具有时间抽象的形式逻辑的自动转换。它通过添加语义推理和对划分输入和输出变量的支持来扩展纯句法分析。第二部分是使用综合技术来检查需求在可实现性方面是否一致。当过程失败时,将报告导致不一致的公式以定位问题。
2014-10-08 cs.SE
Requirements' Characteristics: How do they Impact on Project Budget in a Systems Engineering Context?
本文联合瑞典交通局开展实地研究,利用CMR、RAM和SHM分类自然语言需求并结合统计与对应分析,揭示软硬件需求对变更成本和预算的不同影响。
2023-10-02 cs.SE
Requirement Formalisation using Natural Language Processing and Machine Learning: A Systematic Review
University of Roehampton(罗汉普顿大学);University of Sheffield(谢菲尔德大学)
软件开发方法的改进吸引了开发人员在需求工程(RE)领域的自动需求形式化(RF)。在不同的研究中报告了应用自然语言处理(NLP)和机器学习(ML)在减少用自然语言编写的需求的模糊性和不完整性方面的潜在优势。本文的目标是调查和分类现有的工作自然语言处理和ML RF,确定在这个领域的挑战,并提供有前途的未来研究方向。为了实现这一目标,我们进行了系统的文献综述,通过从常用的图书馆中选择257篇论文,概述了RF中NLP和ML技术的最新发展。通过定义纳入和排除标准对检索结果进行筛选,并选择了2012年至2022年间的47项相关研究。我们发现,启发式NLP方法是用于自动RF的最常见的NLP技术,主要操作结构化和半结构化数据。这项研究还表明,深度学习(DL)技术并没有得到广泛应用,相反,经典的ML技术在调查研究中占主导地位。更重要的是,我们发现,由于缺乏RF的标准基准案例,很难比较不同方法的性能。
2023-03-18 cs.AI cs.CL cs.LG