論文の概要: Knowledge Lever Risk Management for Software Engineering: A Stochastic Framework for Mitigating Knowledge Loss

• arxiv url: http://arxiv.org/abs/2604.23257v1
• Date: Sat, 25 Apr 2026 11:49:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-28 17:12:07.231297
• Title: Knowledge Lever Risk Management for Software Engineering: A Stochastic Framework for Mitigating Knowledge Loss
• Title（参考訳）: ソフトウェアエンジニアリングにおける知識活用によるリスク管理 - 知識喪失を軽減するための確率的フレームワーク
• Authors: Mark Chua, Samuel Ajila,
• Abstract要約: 本研究は,知識レバレッジ・リスク・マネジメント・フレームワークの提案と評価である。 主な目的は,(1)無形知識資産をリスク軽減のアクティブなメカニズムとして再キャストすること,(2)これらレバーを構造化された4相アーキテクチャに統合すること,(3)レバー活性化がプロジェクト知識資本に与える影響を定量化する形式モデルを提供することである。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Software engineering (SE) organizations operate in a knowledge-intensive domain where critical assets -- architectural expertise, design rationale, and system intuition -- are overwhelmingly tacit and volatile. The departure of key contributors or the decay of undocumented decisions can severely impair project velocity and software quality. While conventional SE risk management optimized for schedule and budget is common, the intangible knowledge risks that determine project success remain under-represented. The goal of this research work is to propose and evaluate the Knowledge Lever Risk Management (KLRM) Framework, designed specifically for the software development lifecycle. The primary objectives are to: (1) recast intangible knowledge assets as active mechanisms for risk mitigation (Knowledge Levers); (2) integrate these levers into a structured four-phase architecture (Audit, Alignment, Activation, Assurance); and (3) provide a formal stochastic model to quantify the impact of lever activation on project knowledge capital. We detail the application of these levers through software-specific practices such as pair programming, architectural decision records (ADRs), and LLM-assisted development. Stochastic Monte Carlo simulations demonstrate that full lever activation increases expected knowledge capital by 63.8\% and virtually eliminates knowledge crisis probability. Our research shows that knowledge lever activation improves alignment across the project management iron triangle (scope, time, cost) by reducing rework and rediscovery costs.
• Abstract（参考訳）: ソフトウェアエンジニアリング(SE)組織は、アーキテクチャの専門知識、設計の合理性、システムの直観といった重要な資産が圧倒的に暗黙的で不安定な知識集約的な領域で活動します。 主要なコントリビュータの離脱や文書化されていない決定の崩壊は、プロジェクトのベロシティとソフトウェア品質を著しく損なう可能性がある。 スケジュールや予算に最適化された従来のSEリスク管理は一般的であるが、プロジェクトの成功を決定する無形の知識リスクは相変わらず表せないままである。 本研究の目的は,ソフトウェア開発ライフサイクルに特化して設計された知識レバレッジリスクマネジメント(KLRM)フレームワークの提案と評価である。 主な目的は,(1)リスク軽減のためのアクティブなメカニズムとして無形知識資産をリキャストすること (Knowledge Levers) ,(2) これらレバーを構造化された4相アーキテクチャ (Audit, Alignment, Activation, Assurance) に統合すること,(3) レバー活性化がプロジェクト知識資本に与える影響を定量化するための形式的確率モデルを提供することである。 本稿では、ペアプログラミング、アーキテクチャ決定レコード(ADR)、LLM支援開発などのソフトウェア固有の実践を通じて、これらのレバーの適用について詳述する。 確率的モンテカルロシミュレーションは、完全なレバーの活性化が予測される知識資本を63.8 %増加させ、知識危機の確率を事実上排除することを示した。 我々の研究は、知識レバーの活性化により、再作業の削減と再作業コストの削減により、プロジェクト管理鉄の三角形(スコープ、時間、コスト)の整合性が向上することを示している。

関連論文リスト

• When Should a Robot Think? Resource-Aware Reasoning via Reinforcement Learning for Embodied Robotic Decision-Making [68.12864562049957]
  身体ロボットシステムは、高レベルの推論をサポートするために、大規模言語モデル(LLM)ベースのエージェントにますます依存している。 エージェントはいつ、いつ、いつ行動すべきか? 本稿では,エンボディエージェントのリソース・アウェア・オーケストレーションのための階層的なフレームワークであるRARRL(Resource-Aware Reasoning via Reinforcement Learning)を提案する。
  論文  参考訳（メタデータ） (2026-03-17T15:38:50Z)
• Internal Vulnerabilities, External Threats: A Grounded Framework for Enterprise Open Source Risk Governance [11.431576667955268]
  従来のリスク管理は、技術的なツールに焦点を絞ったものだった。 目的 ->脅威 ->脆弱性 ->緩和 (OTVM) これは単なる技術的チェックリストを超越する全体論的決定モデルを提供する。
  論文  参考訳（メタデータ） (2025-10-29T18:27:42Z)
• SHERLOCK: Towards Dynamic Knowledge Adaptation in LLM-enhanced E-commerce Risk Management [10.255396179168974]
  電子商取引会社は、不審な事件のリスク調査を行い、発覚した詐欺パターンを特定している。 ケース分析の膨大な量は、リスク管理アナリストにかなりの負荷を課します。 本稿では,大規模言語モデル(LLM)の推論機能を活用し,リスク調査におけるアナリストの支援を行うSHERLOCKフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-10-10T02:57:58Z)
• KnowCoder-V2: Deep Knowledge Analysis [64.63893361811968]
  我々は、深い知識分析能力を持つ深層研究を支援するtextbfKnowledgeable textbfDeep textbfResearch (textbfKDR) フレームワークを提案する。 大規模なドメイン関連データをオフラインで体系的な知識にプリプロセスするために、独立した知識組織フェーズを導入する。 そして、オンラインの方法で複雑な知識計算を行うための、新たな推論ステップによって、ディープリサーチを拡張します。
  論文  参考訳（メタデータ） (2025-06-07T18:01:25Z)
• Don't Just Follow MLLM Plans: Robust and Efficient Planning for Open-world Agents [7.186226937530119]
  本稿では,これらの問題に対処するための新しいフレームワークであるオープンワールドエージェントのためのロバスト・効率的な計画手法(REPOA)を紹介する。 REPOAは、適応的な依存性学習と、知識不正確性に対する堅牢性を高めるためのきめ細かな障害対応操作メモリの3つの重要なコンポーネントを備えている。 2つの確立されたオープンワールドテストベッドにおける評価は、REPOAの堅牢で効率的なプランニングを実証し、遅発品の獲得に成功していることを示す。
  論文  参考訳（メタデータ） (2025-05-30T03:01:44Z)
• KBM: Delineating Knowledge Boundary for Adaptive Retrieval in Large Language Models [69.99274367773997]
  大規模言語モデル(LLM)は知識を動的に変化させ、未知の静的情報を扱うのにしばしば苦労する。 Retrieval-Augmented Generation (RAG) はこれらの課題に対処するために使われ、LLMの性能向上に大きな影響を与えている。 本稿では,ある質問の既知/未知を表現し,RAGを起動する必要があるかどうかを判断するための知識境界モデル(KBM)を提案する。
  論文  参考訳（メタデータ） (2024-11-09T15:12:28Z)
• Re-TASK: Revisiting LLM Tasks from Capability, Skill, and Knowledge Perspectives [54.14429346914995]
  CoT(Chain-of-Thought)は、大規模言語モデル(LLM)による複雑な問題を解決する重要な方法となっている。 本稿では,LLMタスクを能力,スキル,知識の観点から再考する理論モデルであるRe-TASKフレームワークを紹介する。 多様な領域にわたる実験は、Re-TASKの有効性を示す。
  論文  参考訳（メタデータ） (2024-08-13T13:58:23Z)
• Explanations of Machine Learning predictions: a mandatory step for its application to Operational Processes [61.20223338508952]
  信用リスクモデリングは重要な役割を果たす。 近年,機械学習や深層学習の手法が採用されている。 この分野における説明可能性問題に LIME 手法を適用することを提案する。
  論文  参考訳（メタデータ） (2020-12-30T10:27:59Z)

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。