Fugu-MT 論文翻訳(概要): A Short Survey on Formalising Software Requirements using Large Language Models

論文の概要: A Short Survey on Formalising Software Requirements using Large Language Models

arxiv url: http://arxiv.org/abs/2506.11874v1
Date: Fri, 13 Jun 2025 15:26:58 GMT
ステータス: 翻訳完了
システム内更新日: 2025-06-16 17:50:49.846308
Title: A Short Survey on Formalising Software Requirements using Large Language Models
Title（参考訳）: 大規模言語モデルを用いたソフトウェア要件の定式化に関する短い調査
Authors: Arshad Beg, Diarmuid O'Donoghue, Rosemary Monahan,
Abstract要約: 本稿では,大規模言語モデル(LLM)を用いたソフトウェア仕様書作成支援に関する文献調査を行う。 Dafny、C、Javaで書かれたプログラムを指定する例を含む、305のキーペーパーの要約が紹介されている。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: This paper presents a focused literature survey on the use of large language models (LLM) to assist in writing formal specifications for software. A summary of thirty-five key papers is presented, including examples for specifying programs written in Dafny, C and Java. This paper arose from the project VERIFAI - Traceability and verification of natural language requirements that addresses the challenges in writing formal specifications from requirements that are expressed in natural language. Our methodology employed multiple academic databases to identify relevant research. The AI-assisted tool Elicit facilitated the initial paper selection, which were manually screened for final selection. The survey provides valuable insights and future directions for utilising LLMs while formalising software requirements.
Abstract（参考訳）: 本稿では,大規模言語モデル(LLM)を用いたソフトウェア仕様書作成支援に関する文献調査を行う。 Dafny、C、Javaで書かれたプログラムを指定する例を含む、305のキーペーパーの要約が紹介されている。本稿では、自然言語で表現された要件から形式仕様を書く際の課題に対処する自然言語要件のトレーサビリティと検証について述べる。本手法では,複数の学術データベースを用いて関連研究を同定した。 AI支援ツールであるElicitは、最終選考のために手動でスクリーニングされた初期選考を容易にした。この調査は、ソフトウェア要件を定式化しながらLLMを利用するための貴重な洞察と今後の方向性を提供する。

関連論文リスト

Formalising Software Requirements using Large Language Models [0.0]
プロジェクトは、形式仕様のトレーサビリティと検証における課題に対処する。システムの実装と検証を通じて、正式な仕様の自動生成と、初期ソフトウェア設計段階からの要求のトレーサビリティをサポートする。
論文参考訳（メタデータ） (2025-06-12T13:55:01Z)
TALLMesh: a simple application for performing Thematic Analysis with Large Language Models [0.0]
Thematic Analysis (TA) は、テキストデータ中のパターンを特定し、解釈するための定性的研究手法である。近年の研究では、Large Language Models (LLMs) を用いて TA を満足して実行することが可能であることが示されている。本稿では,研究者のTA実施を支援するためにLLMを用いた新しい応用法を提案する。
論文参考訳（メタデータ） (2025-04-05T15:10:08Z)
Zero-Shot Keyphrase Generation: Investigating Specialized Instructions and Multi-Sample Aggregation on Large Language Models [52.829293635314194]
キーフレーズ生成(英: Keyphrase generation)とは、ある文書のキーフレーズを自動的に生成する、長期にわたるNLPタスクである。本稿では,オープンソースの命令調整型LDM (Phi-3, Llama-3) のゼロショット機能と,このタスクのためのクローズドソース GPT-4o に着目した。
論文参考訳（メタデータ） (2025-03-01T19:38:57Z)
Personalized Multimodal Large Language Models: A Survey [127.9521218125761]
マルチモーダル大言語モデル(MLLM)は、最先端の性能と複数のデータモダリティを統合する能力により、ますます重要になっている。本稿では,パーソナライズされたマルチモーダルな大規模言語モデルに関する包括的調査を行い,そのアーキテクチャ,トレーニング方法,アプリケーションに焦点をあてる。
論文参考訳（メタデータ） (2024-12-03T03:59:03Z)
Benchmarking Large Language Models for Conversational Question Answering in Multi-instructional Documents [61.41316121093604]
対話型質問応答(CQA)の文脈における大規模言語モデル(LLM)を評価するための新しいベンチマークであるInsCoQAを提案する。 InsCoQAは、百科事典スタイルの教育内容から派生したもので、複数の文書から手続き的ガイダンスを抽出し、解釈し、正確に要約する能力のモデルを評価する。また,LLM支援型評価器であるInsEvalを提案する。
論文参考訳（メタデータ） (2024-10-01T09:10:00Z)
Eliciting Human Preferences with Language Models [56.68637202313052]
言語モデル(LM)は、ラベル付き例や自然言語のプロンプトを使用してターゲットタスクを実行するように指示することができる。タスク仕様プロセスのガイドには*LM自身を使うことを提案します。我々は、メール検証、コンテンツレコメンデーション、道徳的推論の3つの領域でGATEを研究している。
論文参考訳（メタデータ） (2023-10-17T21:11:21Z)
How Effective are Large Language Models in Generating Software Specifications? [14.170320751508502]
大規模言語モデル(LLM)は多くのソフトウェア工学(SE)タスクにうまく適用されている。ソフトウェアコメントやドキュメンテーションからソフトウェア仕様を生成するためのLCMの能力を評価するための、最初の実証的研究を行う。
論文参考訳（メタデータ） (2023-06-06T00:28:39Z)
nl2spec: Interactively Translating Unstructured Natural Language to Temporal Logics with Large Language Models [3.1143846686797314]
大規模言語モデル(LLM)を適用するためのフレームワークであるnl2specは、構造化されていない自然言語から正式な仕様を導出する。本稿では,自然言語におけるシステム要求のあいまいさを検知し,解決する新たな手法を提案する。ユーザは、これらのサブ翻訳を反復的に追加、削除、編集して、不正なフォーマル化を修正する。
論文参考訳（メタデータ） (2023-03-08T20:08:53Z)
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)
Detecting Text Formality: A Study of Text Classification Approaches [78.11745751651708]
本研究は,統計的,ニューラルベース,トランスフォーマーベースの機械学習手法に基づく形式性検出手法の体系的研究を初めて行う。単言語,多言語,言語横断の3種類の実験を行った。本研究は,モノリンガルおよび多言語形式分類タスクのためのトランスフォーマーベースモデルに対するChar BiLSTMモデルの克服を示す。
論文参考訳（メタデータ） (2022-04-19T16:23:07Z)
SPECTER: Document-level Representation Learning using Citation-informed Transformers [51.048515757909215]
SPECTERは、Transformer言語モデルの事前学習に基づいて、科学文書の文書レベルの埋め込みを生成する。 SciDocsは、引用予測から文書分類、レコメンデーションまでの7つの文書レベルのタスクからなる新しい評価ベンチマークである。
論文参考訳（メタデータ） (2020-04-15T16:05:51Z)

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。