論文の概要: Development of Automated Software Design Document Review Methods Using Large Language Models

• arxiv url: http://arxiv.org/abs/2509.09975v1
• Date: Fri, 12 Sep 2025 05:34:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-15 16:03:07.983399
• Title: Development of Automated Software Design Document Review Methods Using Large Language Models
• Title（参考訳）: 大規模言語モデルを用いた自動ソフトウェア設計文書レビュー手法の開発
• Authors: Takasaburo Fukuda, Takao Nakagawa, Keisuke Miyazaki, Susumu Tokumoto,
• Abstract要約: 設計文書のレビュー手法をまず分析し,11のレビュー視点を整理した。 我々は、人間の代わりに現在の汎用LLMで、どの視点をレビューできるかを決定した。
• 参考スコア（独自算出の注目度）: 0.4899818550820576
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In this study, we explored an approach to automate the review process of software design documents by using LLM. We first analyzed the review methods of design documents and organized 11 review perspectives. Additionally, we analyzed the issues of utilizing LLMs for these 11 review perspectives and determined which perspectives can be reviewed by current general-purpose LLMs instead of humans. For the reviewable perspectives, we specifically developed new techniques to enable LLMs to comprehend complex design documents that include table data. For evaluation, we conducted experiments using GPT to assess the consistency of design items and descriptions across different design documents in the design process used in actual business operations. Our results confirmed that LLMs can be utilized to identify inconsistencies in software design documents during the review process.
• Abstract（参考訳）: 本研究では,LLMを用いてソフトウェア設計文書のレビュープロセスを自動化する手法について検討した。 設計文書のレビュー手法をまず分析し,11のレビュー視点を整理した。 さらに,11の視点でLLMを利用する際の問題点を解析し,人間の代わりに現在の汎用LLMでどの視点をレビューできるかを判断した。 そこで我々は,テーブルデータを含む複雑な設計文書をLLMで理解するための新しい手法を開発した。 評価のために,実業務で使用される設計プロセスにおいて,デザイン項目や記述の整合性を評価するために,GPTを用いた実験を行った。 その結果,LCMはレビュープロセス中にソフトウェア設計文書の不整合を識別するために有効であることが確認された。

関連論文リスト

• Software Testing with Large Language Models: An Interview Study with Practitioners [2.198430261120653]
  ソフトウェアテストにおける大きな言語モデルの使用は、多くのタスクをサポートするにつれて急速に増加しています。 しかし、彼らの採用は構造的なガイダンスよりも非公式な実験に依存していることが多い。 本研究は,ソフトウェアテスト専門家が LLM を用いて,予備的,実践的インフォームドガイドラインを提案する方法について考察する。
  論文  参考訳（メタデータ） (2025-10-20T05:06:56Z)
• DOCUEVAL: An LLM-based AI Engineering Tool for Building Customisable Document Evaluation Workflows [14.403156040714817]
  我々は、カスタマイズ可能な評価器を構築するためのAIエンジニアリングツールであるDOCUEVALを紹介する。 DOCUEVALが評価器の工学とスケーラブルで信頼性の高い文書評価の両方を実現する方法を示す。
  論文  参考訳（メタデータ） (2025-09-12T08:09:09Z)
• AI-Driven Scholarly Peer Review via Persistent Workflow Prompting, Meta-Prompting, and Meta-Reasoning [0.0]
  本稿では,PWP(Persistent Prompting)について紹介する。 本稿では,実験化学原稿の批判的分析のための概念実証PWPプロンプトを提案する。 我々は,このPWPプロンプトを,専門家レビューの体系化を目的としたメタプロンプト技術とメタ推論の反復的適用により開発する。
  論文  参考訳（メタデータ） (2025-05-06T09:06:18Z)
• MME-Survey: A Comprehensive Survey on Evaluation of Multimodal LLMs [97.94579295913606]
  MLLM(Multimodal Large Language Models)は、産業と学術の両方から注目を集めている。 開発プロセスでは、モデルの改善に関する直感的なフィードバックとガイダンスを提供するため、評価が重要である。 この研究は、研究者に異なるニーズに応じてMLLMを効果的に評価する方法を簡単に把握し、より良い評価方法を促すことを目的としている。
  論文  参考訳（メタデータ） (2024-11-22T18:59:54Z)
• Designing Algorithms Empowered by Language Models: An Analytical Framework, Case Studies, and Insights [86.06371692309972]
  本研究では,大規模言語モデル(LLM)に基づくアルゴリズムの設計と解析のための分析フレームワークを提案する。 提案する枠組みは頭痛を緩和する試みとして機能する。
  論文  参考訳（メタデータ） (2024-07-20T07:39:07Z)
• CIBench: Evaluating Your LLMs with a Code Interpreter Plugin [68.95137938214862]
  データサイエンスタスクにコードインタプリタを利用するLLMの能力を総合的に評価する,CIBenchという対話型評価フレームワークを提案する。 評価データセットは,LLM-人的協調手法を用いて構築され,連続的かつ対話的なIPythonセッションを活用することによって,実際のワークフローをシミュレートする。 コードインタプリタの利用において, CIBench 上で 24 個の LLM の能力を解析し, 将来の LLM に対する貴重な洞察を提供するため, 広範囲にわたる実験を行った。
  論文  参考訳（メタデータ） (2024-07-15T07:43:55Z)
• RepEval: Effective Text Evaluation with LLM Representation [55.26340302485898]
  RepEvalは、評価のためにLarge Language Models(LLM)表現の投影を利用するメトリクスである。 我々の研究は、LLM表現に埋め込まれたテキスト品質に関する情報の豊かさを強調し、新しいメトリクスの開発のための洞察を提供する。
  論文  参考訳（メタデータ） (2024-04-30T13:50:55Z)
• T-Eval: Evaluating the Tool Utilization Capability of Large Language Models Step by Step [69.64348626180623]
  大規模言語モデル (LLM) は様々なNLPタスクにおいて顕著な性能を達成した。 LLMのツール活用能力の評価と分析方法はまだ未検討である。 ツール利用能力を段階的に評価するためにT-Evalを導入する。
  論文  参考訳（メタデータ） (2023-12-21T17:02:06Z)
• A Case Study on Test Case Construction with Large Language Models: Unveiling Practical Insights and Challenges [2.7029792239733914]
  本稿では,ソフトウェア工学の文脈におけるテストケース構築における大規模言語モデルの適用について検討する。 定性分析と定量分析の混合により, LLMが試験ケースの包括性, 精度, 効率に与える影響を評価する。
  論文  参考訳（メタデータ） (2023-12-19T20:59:02Z)
• A Practical Survey on Zero-shot Prompt Design for In-context Learning [0.0]
  大規模言語モデル(LLM)は自然言語処理(NLP)タスクを大幅に改善した。 本稿では,異なる種類のプロンプトに着目した,コンテキスト内学習手法の総合的なレビューを行う。 本稿では,手動設計や最適化アルゴリズム,評価手法など,設計を促すための様々なアプローチについて検討する。
  論文  参考訳（メタデータ） (2023-09-22T23:00:34Z)
• Instruction Tuning for Large Language Models: A Survey [52.86322823501338]
  我々は、教師付き微調整(SFT)の一般的な方法論を含む、文献の体系的なレビューを行う。 また、既存の戦略の欠陥を指摘しながら、SFTの潜在的な落とし穴についても、それに対する批判とともに検討する。
  論文  参考訳（メタデータ） (2023-08-21T15:35:16Z)

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。