論文の概要: Requirement Formalisation using Natural Language Processing and Machine
Learning: A Systematic Review
- arxiv url: http://arxiv.org/abs/2303.13365v1
- Date: Sat, 18 Mar 2023 17:36:21 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-25 02:33:10.620588
- Title: Requirement Formalisation using Natural Language Processing and Machine
Learning: A Systematic Review
- Title（参考訳）: 自然言語処理と機械学習を用いた要求形式化:システムレビュー
- Authors: Shekoufeh Kolahdouz-Rahimi, Kevin Lano, Chenghua Lin
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 11.292853646607888
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Improvement of software development methodologies attracts developers to
automatic Requirement Formalisation (RF) in the Requirement Engineering (RE)
field. The potential advantages by applying Natural Language Processing (NLP)
and Machine Learning (ML) in reducing the ambiguity and incompleteness of
requirement written in natural languages is reported in different studies. The
goal of this paper is to survey and classify existing work on NLP and ML for
RF, identifying challenges in this domain and providing promising future
research directions. To achieve this, we conducted a systematic literature
review to outline the current state-of-the-art of NLP and ML techniques in RF
by selecting 257 papers from common used libraries. The search result is
filtered by defining inclusion and exclusion criteria and 47 relevant studies
between 2012 and 2022 are selected. We found that heuristic NLP approaches are
the most common NLP techniques used for automatic RF, primary operating on
structured and semi-structured data. This study also revealed that Deep
Learning (DL) technique are not widely used, instead classical ML techniques
are predominant in the surveyed studies. More importantly, we identified the
difficulty of comparing the performance of different approaches due to the lack
of standard benchmark cases for RF.
- Abstract（参考訳）: ソフトウェア開発手法の改善は、開発者が要求工学(RE)分野における自動要求形式化(RF)に惹きつける。
自然言語処理(NLP)と機械学習(ML)を適用して、自然言語で書かれた要件のあいまいさと不完全さを低減することにより、潜在的な利点が報告されている。
本研究の目的は、RFのためのNLPとMLに関する既存の研究を調査・分類し、この分野における課題を特定し、将来的な研究方向性を提供することである。
そこで本研究では,NLPおよびML技術の現状を概説するために,共通図書館から257の論文を選定し,体系的な文献レビューを行った。
包含と排他の基準を定義して検索結果をフィルタリングし、2012年から2022年の間に47の関連研究が選択される。
その結果, ヒューリスティックなNLP手法は, 構造化データおよび半構造化データに対する一次操作である自動RFにおいて最も一般的なNLP手法であることがわかった。
本研究は,深層学習(dl)技術が広く使われていないこと,むしろ従来のml技術が調査研究で主流であることも明らかにした。
さらに重要なことは、RFの標準ベンチマークケースが欠如していることから、異なるアプローチのパフォーマンスを比較することの難しさを明らかにした。
関連論文リスト
- Benchmarking Uncertainty Quantification Methods for Large Language Models with LM-Polygraph [83.90988015005934]
不確実性定量化(英: Uncertainty Quantification、UQ)は、機械学習(ML)アプリケーションにおいて重要なコンポーネントである。
最新のUQベースラインの集合を実装した新しいベンチマークを導入する。
我々は、9つのタスクにわたるUQと正規化技術に関する大規模な実証的研究を行い、最も有望なアプローチを特定した。
論文 参考訳（メタデータ） (2024-06-21T20:06:31Z) - Lessons from the Use of Natural Language Inference (NLI) in Requirements Engineering Tasks [3.7236121078812485]
要求工学タスクの自動化における自然言語推論(NLI)の利用について検討する。
特に、要求分類、要求仕様の欠陥の特定、利害関係者の要求における矛盾の検出という3つのタスクに重点を置いています。
論文 参考訳（メタデータ） (2024-04-24T20:26:48Z) - Natural Language Processing for Dialects of a Language: A Survey [56.93337350526933]
最先端自然言語処理(NLP)モデルは、大規模なトレーニングコーパスでトレーニングされ、評価データセットで最上位のパフォーマンスを報告します。
この調査は、これらのデータセットの重要な属性である言語の方言を掘り下げる。
方言データセットに対するNLPモデルの性能劣化と言語技術のエクイティへのその影響を動機として,我々はデータセットやアプローチの観点から,方言に対するNLPの過去の研究を調査した。
論文 参考訳（メタデータ） (2024-01-11T03:04:38Z) - 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) - Natural Language Processing for Requirements Formalization: How to
Derive New Approaches? [0.32885740436059047]
我々はNLPの分野における主要な考え方と最先端の方法論について論じる。
我々は2つの異なるアプローチを詳細に議論し、ルールセットの反復的開発を強調した。
提案手法は, 自動車分野と鉄道分野の2つの産業分野において実証された。
論文 参考訳（メタデータ） (2023-09-23T05:45:19Z) - Application of Transformers based methods in Electronic Medical Records:
A Systematic Literature Review [77.34726150561087]
本研究は,異なるNLPタスクにおける電子カルテ(EMR)のトランスフォーマーに基づく手法を用いて,最先端技術に関する体系的な文献レビューを行う。
論文 参考訳（メタデータ） (2023-04-05T22:19:42Z) - 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) - Information Extraction in Low-Resource Scenarios: Survey and Perspective [56.5556523013924]
情報抽出は構造化されていないテキストから構造化された情報を導き出そうとする。
本稿では,emphLLMおよびemphLLMに基づく低リソースIEに対するニューラルアプローチについて概説する。
論文 参考訳（メタデータ） (2022-02-16T13:44:00Z) - Natural Language in Requirements Engineering for Structure Inference --
An Integrative Review [0.0]
本稿では,要求工学のための自然言語処理ツールに関する総合的なレビューを提供する。
その結果、現在、情報構造の直接的/一次的抽出を可能にするオープンソースアプローチは存在しない。
アルゴリズム、知識ベース、テキストコーパスを個別に管理できるアプローチが追求される可能性がある。
論文 参考訳（メタデータ） (2022-02-10T14:46:09Z) - A Review of Uncertainty Quantification in Deep Learning: Techniques,
Applications and Challenges [76.20963684020145]
不確実性定量化(UQ)は、最適化と意思決定プロセスの両方において不確実性の低減に重要な役割を果たしている。
ビザレ近似とアンサンブル学習技術は、文学において最も広く使われている2つのUQ手法である。
本研究は, 深層学習におけるUQ手法の最近の進歩を概観し, 強化学習におけるこれらの手法の適用について検討する。
論文 参考訳（メタデータ） (2020-11-12T06:41:05Z)
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。