論文の概要: PICKLES: a Natural Language Framework for Requirement Specification and Model-Based Testing

• arxiv url: http://arxiv.org/abs/2604.26572v1
• Date: Wed, 29 Apr 2026 11:54:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-30 15:59:36.383697
• Title: PICKLES: a Natural Language Framework for Requirement Specification and Model-Based Testing
• Title（参考訳）: PICKLES:要求仕様とモデルベーステストのための自然言語フレームワーク
• Authors: María Belén Rodríguez, Petra van den Bos,
• Abstract要約: 本稿では、モデルベーステスト(MBT)と振る舞い駆動開発(BDD)の分野からのメソッドを組み合わせる。 本稿では tEst シナリオのための精密入力と制御フローに基づくキーワードベース言語 PICKLES を紹介する。 我々は、Picklesが、同じシナリオのセットからBDDに対して、はるかに高いカバレッジを達成できる方法を示します。
• 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 combines methods from the fields of Model-Based Testing (MBT) and Behaviour-Driven Development (BDD) to define a testing approach with human-readable specifications and test cases, as in BDD, while using the modelling techniques and automatic test generation algorithms from MBT. We introduce PICKLES, a Precise Input and Control-flow Keyword-based Language for tEst Scenarios; an extension of Gherkin-style BDD scenarios, specified in structured natural language. We provide a bi-directional translation from Pickles scenarios to formal models, where both specifications and tests are human-readable, and a method to obtain a so-called master model combining all translated scenarios. Standard MBT algorithms can then be applied to automatically derive test cases from it. We implement a prototype of the translation and composition steps, which we use on an industrial case study: a software component from a traffic management system. With it, we illustrate the pipeline and show how Pickles can achieve significantly higher coverage with respect to BDD from the same set of scenarios.
• Abstract（参考訳）: 本稿では、モデルベーステスト(MBT)と振る舞い駆動開発(BDD)の分野からの手法を組み合わせて、MBTのモデリング技術と自動テスト生成アルゴリズムを使用しながら、BDDのように、ヒューマン可読な仕様とテストケースでテストアプローチを定義する。 我々は、tEstシナリオのための精密入力と制御フローに基づくキーワードベースの言語であるPICKLESを紹介し、構造化自然言語で指定されたGherkinスタイルのBDDシナリオの拡張について紹介する。 我々は、Picklesのシナリオから、仕様とテストの両方が可読である形式モデルへの双方向の変換と、すべての翻訳シナリオを組み合わせたいわゆるマスタモデルを得る方法を提供する。 標準的なMBTアルゴリズムは、自動的にテストケースを導出するために適用することができる。 産業ケーススタディ(交通管理システムからのソフトウェアコンポーネント)で使用する翻訳・合成手順のプロトタイプを実装した。 これを使ってパイプラインを説明し、同じシナリオからBDDに関して、どのようにピクルスをはるかに高いカバレッジで達成できるかを示します。

関連論文リスト

• Automatic Generation of Behavioral Test Cases For Natural Language Processing Using Clustering and Prompting [6.938766764201549]
  本稿では,大規模言語モデルと統計的手法の力を活用したテストケースの自動開発手法を提案する。 4つの異なる分類アルゴリズムを用いて行動テストプロファイルを分析し、それらのモデルの限界と強みについて議論する。
  論文  参考訳（メタデータ） (2024-07-31T21:12:21Z)
• Type-level Property Based Testing [0.0]
  本稿では,ソフトウェア仕様と依存型付けモデル,コンパイル時の実装の結合を統一する自動フレームワークを提案する。 いくつかの興味深いシステムやネットワークプロトコルをモデル化し、型チェッカーで実装が指定された動作であることを検証し、モデルが仕様のセマンティクスにマッチしていることをテストすることができます。
  論文  参考訳（メタデータ） (2024-07-17T16:43:41Z)
• Detecting out-of-distribution text using topological features of transformer-based language models [0.5735035463793009]
  本稿では,トランスフォーマーに基づく言語モデルからの自己注意マップのトポロジ的特徴を利用して,入力テキストの分布外の検出を行う。 BERT に対する我々のアプローチを評価し,従来の OOD アプローチと比較した。 以上の結果から,本手法はCLS埋め込みよりも優れており,ドメイン内分布サンプルとドメイン外分布サンプルを区別するが,ほぼ同一あるいは同一のデータセットと競合することを示す。
  論文  参考訳（メタデータ） (2023-11-22T02:04:35Z)
• Generative Judge for Evaluating Alignment [84.09815387884753]
  本稿では,これらの課題に対処するために,13Bパラメータを持つ生成判断器Auto-Jを提案する。 我々のモデルは,大規模な実環境シナリオ下でのユーザクエリとLLM生成応答に基づいて訓練されている。 実験的に、Auto-Jはオープンソースモデルとクローズドソースモデルの両方を含む、強力なライバルのシリーズを上回っている。
  論文  参考訳（メタデータ） (2023-10-09T07:27:15Z)
• Bridging the Gap Between Training and Inference of Bayesian Controllable Language Models [58.990214815032495]
  大規模事前学習型言語モデルは、自然言語生成タスクにおいて大きな成功を収めている。 BCLMは制御可能な言語生成において効率的であることが示されている。 本稿では,ミスマッチ問題を少ない計算コストで軽減する制御可能な言語生成のための"Gemini Discriminator"を提案する。
  論文  参考訳（メタデータ） (2022-06-11T12:52:32Z)
• 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)
• Unsupervised Paraphrasing with Pretrained Language Models [85.03373221588707]
  教師なし環境で,事前学習した言語モデルを用いて高品質なパラフレーズを生成する訓練パイプラインを提案する。 提案手法は,タスク適応,自己スーパービジョン,動的ブロッキング(Dynamic Blocking)という新しい復号アルゴリズムから構成される。 提案手法は,Quora Question PairとParaNMTの両方のデータセット上で,最先端の性能を達成できることを示す。
  論文  参考訳（メタデータ） (2020-10-24T11:55:28Z)
• CodeBERT: A Pre-Trained Model for Programming and Natural Languages [117.34242908773061]
  CodeBERTは、プログラミング言語(PL)とナット言語(NL)のための事前訓練されたモデルである。 我々はTransformerベースのニューラルアーキテクチャを用いたCodeBERTを開発した。 モデルパラメータの微調整による2つのNL-PLアプリケーション上でのCodeBERTの評価を行った。
  論文  参考訳（メタデータ） (2020-02-19T13:09:07Z)

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。