論文の概要: From Bugs to Benefits: Improving User Stories by Leveraging Crowd Knowledge with CrUISE-AC

• arxiv url: http://arxiv.org/abs/2501.15181v1
• Date: Sat, 25 Jan 2025 11:44:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-28 13:58:35.102913
• Title: From Bugs to Benefits: Improving User Stories by Leveraging Crowd Knowledge with CrUISE-AC
• Title（参考訳）: バグから利益へ - CrUISE-ACによる集団知識の活用によるユーザストーリの改善
• Authors: Stefan Schwedt, Thomas Ströder,
• Abstract要約: 我々は,CrUISE-ACを,問題を調査し,与えられたユーザストーリーに対する非自明な追加受け入れ基準を生成する完全自動化手法として提示する。 評価の結果,生成した受け入れ基準の80～82%がユーザストーリーに関連性のある要件を付加していることがわかった。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Costs for resolving software defects increase exponentially in late stages. Incomplete or ambiguous requirements are one of the biggest sources for defects, since stakeholders might not be able to communicate their needs or fail to share their domain specific knowledge. Combined with insufficient developer experience, teams are prone to constructing incorrect or incomplete features. To prevent this, requirements engineering has to explore knowledge sources beyond stakeholder interviews. Publicly accessible issue trackers for systems within the same application domain hold essential information on identified weaknesses, edge cases, and potential error sources, all documented by actual users. Our research aims at (1) identifying, and (2) leveraging such issues to improve an agile requirements artifact known as a "user story". We present CrUISE-AC (Crowd and User Informed Suggestion Engine for Acceptance Criteria) as a fully automated method that investigates issues and generates non-trivial additional acceptance criteria for a given user story by employing NLP techniques and an ensemble of LLMs. CrUISE- AC was evaluated by five independent experts in two distinct business domains. Our findings suggest that issue trackers hold valuable information pertinent to requirements engineering. Our evaluation shows that 80-82% of the generated acceptance criteria add relevant requirements to the user stories. Limitations are the dependence on accessible input issues and the fact that we do not check generated criteria for being conflict-free or non-overlapping with criteria from other user stories.
• Abstract（参考訳）: ソフトウェア欠陥を解決するためのコストは、後期に指数関数的に増加する。 不完全あるいは曖昧な要件は、欠陥の最大の原因の1つです。 不十分な開発者エクスペリエンスと組み合わせることで、チームは誤った機能や不完全な機能を構築する傾向があります。 これを防ぐため、要件エンジニアリングはステークホルダーへのインタビュー以外の知識源を探さなければなりません。 同じアプリケーションドメイン内のシステムに対する公開アクセス可能なイシュートラッカは、識別された弱点、エッジケース、潜在的なエラーソースに関する重要な情報を保持し、すべて実際のユーザによって文書化されます。 私たちの研究は,(1)ユーザストーリとして知られるアジャイル要件の成果物を改善するために,そのような問題を識別し,(2)活用することを目的としています。 CrUISE-AC (Crowd and User Informed Suggestion Engine for Acceptance Criteria) を,NLP技術とLLMのアンサンブルを用いて,問題を調査し,与えられたユーザストーリーに対する非自明な追加受け入れ基準を生成する完全自動化手法として提示する。 CrUISE-ACは2つの異なるビジネス領域の5つの独立した専門家によって評価された。 本研究は,課題トラッカーが要求工学に関連する貴重な情報を保持することを示唆している。 評価の結果,生成した受け入れ基準の80～82%がユーザストーリーに関連性のある要件を付加していることがわかった。 制限は、アクセス可能な入力問題への依存であり、競合のない、あるいは他のユーザストーリーの基準と重複しない、生成された基準をチェックしないという事実である。

関連論文リスト

• Gensors: Authoring Personalized Visual Sensors with Multimodal Foundation Models and Reasoning [61.17099595835263]
  Gensorsは、ユーザがMLLMの推論能力によってサポートされているカスタマイズされたセンサーを定義することを可能にするシステムである。 ユーザスタディでは、Gensorsを用いてセンサーを定義するとき、参加者はコントロール、理解、コミュニケーションの容易さを著しく向上させた。
  論文  参考訳（メタデータ） (2025-01-27T01:47:57Z)
• Do You Know What You Are Talking About? Characterizing Query-Knowledge Relevance For Reliable Retrieval Augmented Generation [19.543102037001134]
  言語モデル(LM)は幻覚や誤報に悩まされていることが知られている。 外部知識コーパスから検証可能な情報を検索する検索拡張生成(RAG)は、これらの問題に対する具体的な解決策を提供する。 RAG生成品質は、ユーザのクエリと検索したドキュメントの関連性に大きく依存する。
  論文  参考訳（メタデータ） (2024-10-10T19:14:55Z)
• RAG based Question-Answering for Contextual Response Prediction System [0.4660328753262075]
  大規模言語モデル(LLM)は、様々な自然言語処理(NLP)タスクにおいて汎用性を示している。 Retrieval Augmented Generation (RAG)は、この課題に対処するための有望な技術として登場した。 本稿では,産業用ユースケースにRAG機能を備えたLCMを用いたエンドツーエンドフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-09-05T17:14:23Z)
• Establishing Knowledge Preference in Language Models [80.70632813935644]
  言語モデルは事前学習を通じて大量の事実知識を符号化することが知られている。 このような知識はユーザーからの要求に応えるには不十分かもしれない。 進行中のイベントに関する質問に答える場合には、最新のニュース記事を使って回答を更新する必要がある。 ある事実がモデルで編集されると、更新された事実はモデルによって学習されたすべての事前知識をオーバーライドする。
  論文  参考訳（メタデータ） (2024-07-17T23:16:11Z)
• From Chaos to Clarity: Claim Normalization to Empower Fact-Checking [57.024192702939736]
  Claim Normalization(別名 ClaimNorm)は、複雑でノイズの多いソーシャルメディア投稿を、より単純で分かりやすい形式に分解することを目的としている。 本稿では,チェーン・オブ・ソートとクレーム・チェック・バシネス推定を利用した先駆的アプローチであるCACNを提案する。 実験により, CACNは様々な評価尺度において, いくつかの基準値を上回る性能を示した。
  論文  参考訳（メタデータ） (2023-10-22T16:07:06Z)
• Beyond Factuality: A Comprehensive Evaluation of Large Language Models as Knowledge Generators [78.63553017938911]
  大規模言語モデル(LLM)は、下流の知識集約タスクのための情報検索技術より優れている。 しかし、コミュニティの懸念は、この無検閲の知識を使用することの事実と潜在的意味について多岐にわたる。 本研究では,6つの重要な視点から生成した知識を評価するために設計されたCONNERを紹介する。
  論文  参考訳（メタデータ） (2023-10-11T08:22:37Z)
• Mining Reddit Data to Elicit Students' Requirements During COVID-19 Pandemic [2.5475486924467075]
  本稿では,問題自体に関するフィードバックの収集に焦点をあてて,要件適用のシフトを提案する。 高等教育機関における新型コロナウイルスパンデミック時の学生要件に関するケーススタディを行った。 要求文を識別するために,複数の機械学習と自然言語処理技術を用いた。
  論文  参考訳（メタデータ） (2023-07-26T14:26:16Z)
• Algorithmic Fairness Datasets: the Story so Far [68.45921483094705]
  データ駆動アルゴリズムは、人々の幸福に直接影響し、批判的な決定をサポートするために、さまざまな領域で研究されている。 研究者のコミュニティは、既存のアルゴリズムの株式を調査し、新しいアルゴリズムを提案し、歴史的に不利な人口に対する自動意思決定のリスクと機会の理解を深めてきた。 公正な機械学習の進歩はデータに基づいており、適切に文書化された場合にのみ適切に使用できる。 残念なことに、アルゴリズムフェアネスコミュニティは、特定のリソース(オパシティ)に関する情報の不足と利用可能な情報の分散(スパーシティ)によって引き起こされる、集合的なデータドキュメント負債に悩まされている。
  論文  参考訳（メタデータ） (2022-02-03T17:25:46Z)
• Online Learning Demands in Max-min Fairness [91.37280766977923]
  本稿では,複数のユーザ間の希少リソースの割り当て機構について,効率的で公平で戦略に準拠した方法で記述する。 このメカニズムは複数のラウンドで繰り返され、各ラウンドでユーザの要求が変更される可能性がある。 各ラウンドの最後には、ユーザは受け取ったアロケーションに関するフィードバックを提供し、そのメカニズムが時間の経過とともにユーザの好みを学習することを可能にする。
  論文  参考訳（メタデータ） (2020-12-15T22:15:20Z)
• User Intention Recognition and Requirement Elicitation Method for Conversational AI Services [7.941589241861105]
  私たちは、できるだけ少数のラウンドで、ユーザー要求を正確に取得することを目指しています。 ファジィ要件推論のための知識グラフ(KG)に基づくユーザ意図認識手法を開発した。 ダイアログポリシ生成のために,グラニュラーコンピューティングに基づく要件抽出手法を提案した。
  論文  参考訳（メタデータ） (2020-09-03T08:26:39Z)
• Enabling the Analysis of Personality Aspects in Recommender Systems [0.0]
  既存のレコメンデーションシステムは、ユーザーからのフィードバック、例えば評価、類似したユーザーを検出するための一般的な項目に対するレビューの活用に重点を置いている。 我々はこの問題を,共通項目に対するフィードバックのないデータスパシティ (DSW-n-FCI) と呼んでいる。 ユーザの個性タイプを,ユーザの負担なく暗黙的に識別し,ユーザの個人的関心や知識レベルとともに取り入れる。
  論文  参考訳（メタデータ） (2020-01-07T23:02:07Z)

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。