استخراج خودکار نیازمندی های نرم افزار از متون طبیعی با بهره گیری از پردازش زبان طبیعی و مدل های زبانی بزرگ

استخراج خودکار نیازمندی های نرم افزار از متون طبیعی، به دلیل ابهام، چندمعنایی و تنوع منابع، همچنان یکی از چالش های محوری مهندسی نیازمندی ها است. روش های مبتنی بر پردازش زبان طبیعی در سال های اخیر خروجی هایی کنترل پذیرتر ارائه داده اند، اما در مواجهه با بیان های ضمنی، جملات پیچیده و داده های غیرساخت یافته با محدودیت روبه رو هستند. در مقابل، مدل های زبانی بزرگ با توانایی درک معناشناختی و استنتاج، ظرفیت بالایی برای پردازش متون پیچیده و داده های گفتگومحور دارند، هرچند ناپایداری خروجی، حساسیت به نحوه ی طرح دستور و احتمال تولید محتوای نادرست، استفاده ی مستقیم از آن ها را پرریسک می کند. این پژوهش با رویکرد تحلیلی–مقایسه ای، یک چارچوب مرجع مبتنی بر مدل زبانی بزرگ را بررسی کرده و آن را با سه رویکرد نماینده در استخراج نیازمندی از اسناد و بازخورد کاربران مقایسه می کند. نتایج نشان می دهد اگرچه رویکردهای مبتنی بر مدل های زبانی بزرگ در استخراج از داده های غیرساخت یافته مزیت دارند، دستیابی به خروجی قابل اتکا مستلزم استانداردسازی و به کارگیری سازوکارهای کنترل کیفیت است؛ ازاین رو، مقاله بر ضرورت توسعه ی رویکردهای ترکیبی تاکید می کند.

کلیدواژه ها:

مهندسی نیازمندی ها ، استخراج خودکار نیازمندی ، پردازش زبان طبیعی ، مدل های زبانی بزرگ ، کنترل کیفیت