《IEEE Access》：From EventStorming Artifacts to User Stories: A Semi-Automated Requirements Extraction Approach
编辑推荐：
需求工程是软件开发中直接影响项目范围、成本与质量的关键阶段。在软件开发企业中，通常在编制商业提案与签署合同前需准备需求清单。EventStorming工作坊被广泛用于需求获取，其使领域专家与开发人员能够借助便利贴协同建模业务流程。然而，尽管EventStorm
需求工程是软件开发中直接影响项目范围、成本与质量的关键阶段。在软件开发企业中，通常在编制商业提案与签署合同前需准备需求清单。EventStorming工作坊被广泛用于需求获取，其使领域专家与开发人员能够借助便利贴协同建模业务流程。然而，尽管EventStorming能有效捕获业务流程中的个体需求，但尚缺将此类需求转化为用户故事等结构化需求清单的既定方法，该转换目前由业务分析师手动完成。本文提出一种方法论，通过半自动化转换EventStorming工作坊工件为用户故事来促进用户故事获取。所提方法采用SSD MobileNet V1 FPN目标检测模型进行工件识别，Google Vision API光学字符识别（OCR）进行文本识别，结合工件聚类算法，以及专用的GPT 5.2大语言模型（LLM）智能体用于需求生成组件。最终输出为项目就绪的用户故事清单。该方法经实验验证，便利贴识别F1分数达0.9232，EventStorming分类实验准确率为94.03%。结果表明该方法具有高精度与可行性。
研究背景方面，需求工程作为软件开发的系统性过程，其明确性直接关系到干系人沟通效率与后期修改成本。Domain-Driven Design（DDD，领域驱动设计）强调通过子域分解聚焦高价值业务组件，而EventStorming作为工作坊式协同建模技术，以不同颜色便利贴表示事件（Event）、命令（Command）、聚合（Aggregate）、策略（Policy）等工件来刻画业务流，但产出的半结构化工件依赖业务分析师人工转写为用户故事，耗时且易因表述灵活性与隐式关系丢失语义。现有自动化方法多面向自然语言文本或规则驱动的结构化模型，通用大语言模型（LLM）直接解析EventStorming图像时存在幻觉、合并过宽、遗漏读模型（Read Model）等问题。因此研究人员开展了从EventStorming工件图像到用户故事清单的半自动化抽取研究，并由Ambro?等研究人员发表于《IEEE Access》。
关键技术方法上，研究人员实现名为EventStormReq的Web方案：采用迁移学习微调的SSD MobileNet V1 FPN检测便利贴区域；在CIELAB空间以Delta E度量比对用户配置色板完成工件类型分类；调用Google Cloud Vision API OCR提取文本；基于欧氏距离与EventStorming类型依赖构建有向图，自Actor工件遍历弱连通分量完成聚类；将聚类JSON连同项目上下文送入经指令条件化的GPT-5.2 LLM智能体生成含标题、描述、验收标准与技术细节的用户故事，并导出Jira兼容CSV。实验数据集含159张图像725个物理/数字便利贴，分类子集124张图像536实例。
研究结果如下。便利贴检测实验：5折交叉验证得精度0.9626、召回0.8869、F1 0.9232，Fold 4权重用于生产集成，非标准光照与重叠致部分漏检。EventStorming工件类型分类实验：CIELAB+CIE76 Delta E确定性匹配，整体准确率94.03%，Hotspot与Aggregate达100%（样本少），System与Command因色调接近偶发混淆。经验性指令优化与集成验证：经四阶段提示工程迭代，领域专家评定优化后指令约束了LLM仅依据簇内空间边界与坐标序（x轴左右为时序）生成可溯源JSON用户故事，消除幻觉，端到端导出至项目管理系统的集成测试通过。
讨论部分指出，当前色板需按项目手动配置、单图上限约45便利贴、召回受训练集几何多样性不足限制；未来可自动推断色板、支持多图空间拼接或独立抽取去重、扩充真实数据。结论部分表明，该研究形式化了EventStorming工件至用户故事的转换流程，融合目标检测、OCR、规则图聚类与指令微调LLM，在便利贴检测F1 0.9232、分类准确率94.03%下产出可追溯、机器可读、可直接导入敏捷管理的用户故事，填补了EventStorming工件自动化需求抽取的研究缺口，为半自动化需求工程提供了可复现的方法论与开源实现EventStormReq。
