研究人员开发并评估了七种用于对软件开发中的非功能性需求(NFR)覆盖差距进行排名的配置。这些配置利用统计、基于嵌入和大型语言模型(LLM)的方法,从需求陈述、同行需求和类别统计中提取证据。在PROMISE数据集上的实验表明,使用同行类别统计的配置表现同样良好,直接的LLM排名显示出最大的证据增益。研究发现,对于计数变化的类别级差距,结构化的同行证据比排名器的复杂性更重要,这表明这些排名应指导分析师的检查,而不是自动化完整性判断。 AI
影响 这项研究为识别软件项目中缺失的非功能性需求提供了改进的方法,有望提高软件质量和开发效率。
排序理由 该集群包含一篇详细介绍软件需求分析新方法的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →