論文の概要: Demystifying Feature Requests: Leveraging LLMs to Refine Feature Requests in Open-Source Software
- arxiv url: http://arxiv.org/abs/2507.13555v1
- Date: Thu, 17 Jul 2025 22:16:13 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-07-21 20:43:26.146416
- Title: Demystifying Feature Requests: Leveraging LLMs to Refine Feature Requests in Open-Source Software
- Title（参考訳）: Demystifying Feature Requests: LLMを活用してオープンソースソフトウェアにおけるFeature Requestsを再定義する
- Authors: Pragyan K C, Rambod Ghandiparsi, Thomas Herron, John Heaps, Mitra Bokaei Hosseini,
- Abstract要約: 本稿では,大規模言語モデル(LLM)を利用して,機能要求のNL欠陥を検出し,洗練する手法を提案する。
提案手法は,不明確な要求と不完全な要求の識別を自動化し,CQ(Clarification Question)を生成し,開発者の有用性を高める。
さらに、NL欠陥に対する認識をより深く知るために、GitHub開発者とのインタビューも行っています。
- 参考スコア（独自算出の注目度）: 0.2748831616311481
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The growing popularity and widespread use of software applications (apps) across various domains have driven rapid industry growth. Along with this growth, fast-paced market changes have led to constantly evolving software requirements. Such requirements are often grounded in feature requests and enhancement suggestions, typically provided by users in natural language (NL). However, these requests often suffer from defects such as ambiguity and incompleteness, making them challenging to interpret. Traditional validation methods (e.g., interviews and workshops) help clarify such defects but are impractical in decentralized environments like open-source software (OSS), where change requests originate from diverse users on platforms like GitHub. This paper proposes a novel approach leveraging Large Language Models (LLMs) to detect and refine NL defects in feature requests. Our approach automates the identification of ambiguous and incomplete requests and generates clarification questions (CQs) to enhance their usefulness for developers. To evaluate its effectiveness, we apply our method to real-world OSS feature requests and compare its performance against human annotations. In addition, we conduct interviews with GitHub developers to gain deeper insights into their perceptions of NL defects, the strategies they use to address these defects, and the impact of defects on downstream software engineering (SE) tasks.
- Abstract（参考訳）: さまざまな領域にまたがるソフトウェアアプリケーション(アプリケーション)の普及と普及により、業界は急速に成長している。
この成長に伴い、急激な市場の変化は、常にソフトウェア要件を進化させています。
このような要件は、典型的には自然言語(NL)のユーザによって提供される機能要求や拡張提案に基礎を置いていることが多い。
しかし、これらの要求は曖昧さや不完全さなどの欠陥に悩まされることが多く、解釈が難しい。
従来のバリデーションメソッド(例えば、インタビューやワークショップ)は、このような欠陥を明確にするのに役立つが、オープンソースソフトウェア(OSS)のような分散環境では実用的ではない。
本稿では,大規模言語モデル(LLM)を利用して,機能要求のNL欠陥を検出し,洗練する手法を提案する。
提案手法は,不明確な要求と不完全な要求の識別を自動化し,CQ(Clarification Question)を生成し,開発者の有用性を高める。
本手法の有効性を評価するために,実世界のOSS機能要求に適用し,その性能を人間のアノテーションと比較する。
さらに、GitHub開発者とのインタビューを通じて、NLの欠陥に対する認識、これらの欠陥に対処するための戦略、下流のソフトウェアエンジニアリング(SE)タスクに対する欠陥の影響について、より深い洞察を得ています。
関連論文リスト
- Towards Better Requirements from the Crowd: Developer Engagement with Feature Requests in Open Source Software [0.2748831616311481]
本研究では,NLの欠陥(曖昧性や不完全性など)や,オープンソースソフトウェア開発における明確化の対話的ダイナミクスについて検討する。
OSSプラットフォームで公開された機能要求にはあいまいさと不完全さがあり、場合によってはその両方が存在することが示唆された。
明確化が起こると、技術的な詳細ではなく、ユーザの意図や目標、実現可能性を理解することを重視する。
論文 参考訳（メタデータ） (2025-07-17T22:04:29Z) - ONLY: One-Layer Intervention Sufficiently Mitigates Hallucinations in Large Vision-Language Models [67.75439511654078]
LVLM(Large Vision-Language Models)は、テキスト応答による画像入力の理解と推論のための新しいパラダイムを導入している。
彼らは幻覚という永続的な課題に直面しており、現実のアプリケーションに信頼性のあるデプロイを行うことについて懸念を抱き、実践的な弱点をもたらしている。
OnLYは,1つのクエリと1層の介入しか必要とせず,効率的なリアルタイムデプロイメントを実現するためのトレーニング不要なデコーディング手法である。
論文 参考訳（メタデータ） (2025-07-01T16:01:08Z) - Automated Repair of Ambiguous Natural Language Requirements [9.379494157034083]
ソフトウェア工学における大規模言語モデル(LLM)は、自然言語(NL)の役割を増幅している。
我々は、コード生成の不確実性を低減してアプローチするあいまいなNL要求の自動修復を導入する。
我々の結果は、SpecFixが要求の23.93%を修正し、修正された要求に対して33.66%のモデルPass@1が改善されたことを示している。
論文 参考訳（メタデータ） (2025-05-12T06:47:53Z) - SweRank: Software Issue Localization with Code Ranking [109.3289316191729]
SweRankは、ソフトウェア問題ローカライゼーションのための効率的な検索と参照のためのフレームワークである。
パブリックなGitHubリポジトリからキュレートされた大規模なデータセットであるSweLocを構築します。
SweRankは最先端の性能を達成し、従来のランキングモデルとコストの高いエージェントベースシステムの両方より優れていることを示す。
論文 参考訳（メタデータ） (2025-05-07T19:44:09Z) - Thinking Longer, Not Larger: Enhancing Software Engineering Agents via Scaling Test-Time Compute [61.00662702026523]
より大規模なモデルではなく、推論時間の増加を活用する統合されたテスト時間計算スケーリングフレームワークを提案する。
当社のフレームワークには,内部TTCと外部TTCの2つの補完戦略が組み込まれている。
当社の textbf32B モデルは,DeepSeek R1 671B や OpenAI o1 など,はるかに大きなモデルを上回る 46% の課題解決率を実現している。
論文 参考訳（メタデータ） (2025-03-31T07:31:32Z) - From Bugs to Benefits: Improving User Stories by Leveraging Crowd Knowledge with CrUISE-AC [0.0]
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。
論文 参考訳（メタデータ） (2025-01-25T11:44:24Z) - Seeker: Towards Exception Safety Code Generation with Intermediate Language Agents Framework [58.36391985790157]
現実世界のソフトウェア開発では、不適切な例外処理がコードの堅牢性と信頼性に重大な影響を与えます。
コードにおける例外処理を改善するために,大規模言語モデル (LLM) の利用について検討する。
例外処理のエキスパート開発者戦略に触発されたマルチエージェントフレームワークであるSeekerを提案する。
論文 参考訳（メタデータ） (2024-12-16T12:35:29Z) - LLMs as Continuous Learners: Improving the Reproduction of Defective Code in Software Issues [62.12404317786005]
EvoCoderは、イシューコード再現のための継続的学習フレームワークである。
その結果,既存のSOTA法よりも20%改善した。
論文 参考訳（メタデータ） (2024-11-21T08:49:23Z) - The Transformative Influence of LLMs on Software Development & Developer Productivity [0.0]
Generalized Large Language Models (LLM) は様々な分野に進出している。
LLMはAIペアプログラミングアシスタントとしての役割をますます高めており、重要な課題やオープンな問題も提示している。
予備的な調査結果は、データのプライバシー、偏見、誤報に関する懸念を浮き彫りにしている。
調査で確認した12のオープンな問題を特定し、これらの領域をカバーしています。
論文 参考訳（メタデータ） (2023-11-28T02:18:54Z) - Automatically Correcting Large Language Models: Surveying the landscape
of diverse self-correction strategies [104.32199881187607]
大規模言語モデル(LLM)は、幅広いNLPタスクで顕著な性能を示した。
これらの欠陥を正すための有望なアプローチは自己補正であり、LLM自体が自身の出力で問題を修正するために誘導される。
本稿では,この新技術について概観する。
論文 参考訳（メタデータ） (2023-08-06T18:38:52Z) - 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)
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。