requirements engineering
PulseAugur coverage of requirements engineering — every cluster mentioning requirements engineering across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
新研究强调了AI可解释性需求工程中的挑战
一篇新研究论文探讨了在AI领域将可解释性需求整合到现有需求工程（RE）实践中的挑战。该研究涉及戴姆勒卡车（Daimler Truck）的八名从业人员，识别出了在需求获取、规范和验证阶段反复出现的问题。这些挑战包括概念模糊性、有限的可测试性以及监管不确定性，表明当前的需求工程方法在系统性地解决AI系统的可解释性需求方面支持不足。
-
LLM驱动演化搜索以创建更优的贝叶斯优化算法
研究人员开发了一种使用大型语言模型（LLM）来演化和生成多目标贝叶斯优化（MOBO）算法的新颖方法。通过将LLM整合到演化策略中作为变异和交叉算子，LLaMEA框架得以扩展以创建完整的算法实现。这种LLM驱动的方法在合成和真实世界的工程问题上，显著优于最先进的基线，实现了更高的归一化超体积指标，同时所需的计算时间也大大减少。
-
LLM 和 RPG 帮助工程师理解用户道德画像
研究人员开发了一种新颖的方法，通过使用角色扮演游戏和大型语言模型来理解早期软件开发中的用户道德价值观。这种方法超越了传统的价值提取，让参与者参与模拟场景，生成丰富的叙事数据。一种专门的 LLM，称为 GPT-A，然后分析这些数据，创建个人人类学道德画像 (IAMPs)，代表用户在特定情境下的道德取向。
-
TRE Python 绑定展示了相对于内置 're' 模块的 ReDoS 健壮性
已开发出 TRE 正则表达式库的新 Python 绑定，展示了其在抵御正则表达式拒绝服务 (ReDoS) 攻击方面的卓越健壮性。基准测试表明，TRE 的性能显著优于 Python 内置的 "re" 模块，能够快速处理大型输入，并表现出与输入大小呈线性扩展的特性，这与 "re" 模块在恶意模式下的指数级行为形成对比。这种性能的提升归因于 TRE 不支持回溯。
-
LLM提示以61%的准确率提取软件目标，辅助人工工作
研究人员开发了一种使用链式LLM和工程化提示的方法，以自动从软件文档中提取功能目标。该方法包括参与者识别以及高/低级目标提取，并引入了生成-批评机制作为两个LLM之间的反馈循环。虽然该流程在低级目标识别方面达到了61%的准确率，但它最适合加速手动提取而非完全取代它。未来的工作旨在通过集成检索增强生成（RAG）和思维链（CoT）提示来提高准确性。