論文の概要: Classification of Natural Language Processing Techniques for Requirements Engineering

• arxiv url: http://arxiv.org/abs/2204.04282v1
• Date: Fri, 8 Apr 2022 20:28:00 GMT
• ステータス: 処理完了
• システム内更新日: 2022-04-15 11:43:41.761252
• Title: Classification of Natural Language Processing Techniques for Requirements Engineering
• Title（参考訳）: 要求工学のための自然言語処理技術の分類
• Authors: Liping Zhao, Waad Alhoshan, Alessio Ferrari, Keletso J. Letsholo
• Abstract要約: 我々は,要求工学において最も頻繁に使用される57のNLPテクニックを合成・整理する取り組みについて述べる。 我々はこれらのNLP手法を2つの方法で分類する: まず、NLPタスクを典型的なパイプラインで、次に、言語分析レベルで分類する。
• 参考スコア（独自算出の注目度）: 6.099346764207287
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Research in applying natural language processing (NLP) techniques to requirements engineering (RE) tasks spans more than 40 years, from initial efforts carried out in the 1980s to more recent attempts with machine learning (ML) and deep learning (DL) techniques. However, in spite of the progress, our recent survey shows that there is still a lack of systematic understanding and organization of commonly used NLP techniques in RE. We believe one hurdle facing the industry is lack of shared knowledge of NLP techniques and their usage in RE tasks. In this paper, we present our effort to synthesize and organize 57 most frequently used NLP techniques in RE. We classify these NLP techniques in two ways: first, by their NLP tasks in typical pipelines and second, by their linguist analysis levels. We believe these two ways of classification are complementary, contributing to a better understanding of the NLP techniques in RE and such understanding is crucial to the development of better NLP tools for RE.
• Abstract（参考訳）: 自然言語処理(NLP)技術を要求工学(RE)タスクに適用する研究は、1980年代に行われた最初の取り組みから、機械学習(ML)とディープラーニング(DL)技術による最近の試みまで、40年以上にわたる。 しかし,最近の調査により,reにおける一般的なnlp技術の体系的理解や組織化がいまだに欠如していることが判明した。 業界が直面しているハードルのひとつは、NLP技術とそのREタスクにおける使用に関する共有知識の欠如です。 本稿では,最も頻繁に使われている57のNLP技法をREで合成し,整理する取り組みについて述べる。 我々はこれらのNLP手法を2つの方法で分類する: まず、NLPタスクを典型的なパイプラインで、次に、言語分析レベルで分類する。 我々はこれらの2つの分類法が相補的であり、REにおけるNLP技術のより良い理解に寄与すると考えており、REのためのより良いNLPツールの開発にはそのような理解が不可欠である。

関連論文リスト

• The Nature of NLP: Analyzing Contributions in NLP Papers [77.31665252336157]
  我々は,NLP研究を構成するものについて,研究論文から定量的に検討する。 以上の結果から,NLPにおける機械学習の関与は,90年代前半から増加傾向にあることが明らかとなった。 2020年以降、言語と人々への関心が復活した。
  論文  参考訳（メタデータ） (2024-09-29T01:29:28Z)
• Large Language Models Meet NLP: A Survey [79.74450825763851]
  大規模言語モデル(LLM)は自然言語処理(NLP)タスクにおいて印象的な機能を示している。 本研究は,以下の課題を探求することによって,このギャップに対処することを目的とする。
  論文  参考訳（メタデータ） (2024-05-21T14:24:01Z)
• Survey of Natural Language Processing for Education: Taxonomy, Systematic Review, and Future Trends [26.90343340881045]
  我々は、NLPの最近の進歩を、教育領域に関連する問題の解決に焦点をあててレビューする。 教育領域におけるNLPの分類について述べるとともに,質問応答,質問構築,自動評価,誤り訂正など,典型的なNLPの応用に注目した。 今後の研究には、教育領域におけるデータセットの増加、LCMの制御可能な利用、難易度制御の介入、解釈可能な教育的NLP、適応学習の方法、教育統合システムなど、有望な6つの方向性をまとめる。
  論文  参考訳（メタデータ） (2024-01-15T07:48:42Z)
• Practical Guidelines for the Selection and Evaluation of Natural Language Processing Techniques in Requirements Engineering [8.779031107963942]
  自然言語(NL)は現在、要求自動化の基盤となっている。 多くの異なるNLPソリューション戦略が利用可能であるため、特定のREタスクに対して適切な戦略を選択することは困難である。 特に,従来のNLP,特徴ベース機械学習,言語モデルに基づく手法など,さまざまな戦略を選択する方法について議論する。
  論文  参考訳（メタデータ） (2024-01-03T02:24:35Z)
• Beyond Good Intentions: Reporting the Research Landscape of NLP for Social Good [115.1507728564964]
  NLP4SG Papersは3つのタスクを関連づけた科学データセットである。 これらのタスクはNLP4SGの論文を特定し、NLP4SGのランドスケープを特徴付けるのに役立つ。 現状のNLPモデルを用いてこれらのタスクに対処し、ACLアンソロジー全体においてそれらを使用する。
  論文  参考訳（メタデータ） (2023-05-09T14:16:25Z)
• Requirement Formalisation using Natural Language Processing and Machine Learning: A Systematic Review [11.292853646607888]
  我々は,要求工学におけるNLP技術とML技術の現状を概説するために,体系的な文献レビューを行った。 NLPアプローチは、構造化データと半構造化データに対する一次操作である自動RFに使用される最も一般的なNLP手法であることがわかった。 また,本研究では,従来のML技術が研究に大きく貢献する代わりに,Deep Learning(DL)技術が広く用いられていることも明らかにした。
  論文  参考訳（メタデータ） (2023-03-18T17:36:21Z)
• A Survey of Knowledge Enhanced Pre-trained Language Models [78.56931125512295]
  我々は、知識強化事前学習言語モデル(KE-PLMs)の包括的なレビューを行う。 NLUでは、言語知識、テキスト知識、知識グラフ(KG)、ルール知識の4つのカテゴリに分類する。 NLGのKE-PLMは、KGベースと検索ベースに分類される。
  論文  参考訳（メタデータ） (2022-11-11T04:29:02Z)
• The Use of NLP-Based Text Representation Techniques to Support Requirement Engineering Tasks: A Systematic Mapping Review [1.5469452301122177]
  研究の方向性は、語彙的・構文的特徴の使用から高度な埋め込み技術の使用へと変化した。 既存の文献の4つのギャップ、それらが問題となる理由、そして今後の研究がそれらにどう対処し始めるかを特定する。
  論文  参考訳（メタデータ） (2022-05-17T02:47:26Z)
• Meta Learning for Natural Language Processing: A Survey [88.58260839196019]
  ディープラーニングは自然言語処理(NLP)分野において主要な技術である。 ディープラーニングには多くのラベル付きデータが必要です。 メタ学習は、より良いアルゴリズムを学ぶためのアプローチを研究する機械学習の分野である。
  論文  参考訳（メタデータ） (2022-05-03T13:58:38Z)
• Systematic Inequalities in Language Technology Performance across the World's Languages [94.65681336393425]
  本稿では,言語技術のグローバルな有用性を評価するためのフレームワークを紹介する。 本分析では, ユーザ対応技術と言語的NLPタスクの両面において, より深く研究されている。
  論文  参考訳（メタデータ） (2021-10-13T14:03:07Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。