大语言模型驱动的成本效益需求变更影响分析

《ACM Transactions on Software Engineering and Methodology》：LLM-Driven Cost-Effective Requirements Change Impact Analysis

　　

摘要AI 摘要

要查看此 AI 生成的摘要，您必须拥有高级访问权限。

了解更多登录

摘要

摘要

在整个软件开发生命周期中，需求本质上会发生变化。在需求工程师可用的有限预算内，手动识别此类变更对其他需求的影响容易出错且费力，特别是在受监管的领域。这可能导致受影响的需求被忽视，如果不妥善管理，可能会在下游任务中造成严重问题。受大型语言模型（LLMs）在不同领域日益增长的潜力的启发，我们提出了 ProReFiCIA，这是一种由 LLM 驱动的方法，用于在发生变更时自动识别受影响的需求。我们使用几个 LLM 和为此任务定制的提示词变体对 ProReFiCIA 进行了广泛评估。使用最佳的 LLM-提示词组合，ProReFiCIA 在一个未见过的工业数据集上达到了 85.7% 的召回率，证明了其在识别受影响需求方面的有效性。此外，应用 ProReFiCIA 的成本仍然很小，因为工程师只需审查预测的受影响需求，这些需求占整个需求集的 3.0%。最后，通过 RAG 结合领域知识可将召回率提高至 95.8%，同时将成本略微提高至 3.4%。

AI 摘要

AI 生成摘要（实验性）

本摘要使用自动化工具生成，未经文章作者撰写或审阅。它旨在支持发现、帮助读者评估相关性，并协助相邻研究领域的读者理解该工作。它意在补充作者提供的摘要，作者提供的摘要仍然是论文的主要摘要。全文仍然是权威的记录版本。点击此处了解更多。

点击 此处 对此摘要的准确性、清晰度和有用性发表评论。这样做将有助于告知改进和未来重新生成的版本。

要查看此 AI 生成的通俗语言摘要，您必须拥有高级访问权限。