論文の概要: From Chat to Interview: Agentic Requirements Elicitation with an Experience Ontology

• arxiv url: http://arxiv.org/abs/2605.05828v1
• Date: Thu, 07 May 2026 08:03:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-08 22:27:11.614976
• Title: From Chat to Interview: Agentic Requirements Elicitation with an Experience Ontology
• Title（参考訳）: チャットからインタビューへ:経験オントロジーによるエージェント要求の緩和
• Authors: Dongming Jin, Zhi Jin, Yaotian Yang, Linyu Li, Zheng Fang, Yuanpeng He, Wenchun Jing, Xiaohong Chen,
• Abstract要約: 本稿では,経験オントロジーによってガイドされる要件の活用を目的とした,OntoAgentという面接エージェントを提案する。 OntoAgentは、経験オントロジーを構築するために、ドメイン固有の要件記述を自動的に分析する。 以上の結果から,OntoAgentは既存のベースラインよりも有効性が高いことがわかった。
• 参考スコア（独自算出の注目度）: 35.19488207612296
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Requirements elicitation interviews are crucial and time-consuming in requirements engineering, but heavily rely on the experience of requirements analysts. Although recent advancements in large language models (LLMs) have created new opportunities to automate this process, existing approaches rely solely on LLMs for free-form chat without taking into account the interview and development experience. That leads to the omission of implicit requirements and redundant questions. Practically, experienced analysts implicitly follow a structured cognitive framework when conducting requirements elicitation. Inspired by this observation, this paper proposes an interview agent named OntoAgent for the elicitation of requirements guided by an experience ontology. OntoAgent automatically analyzes domain-specific requirements descriptions to construct an experience ontology, which organizes requirements concerns into an ontology to support systematic and explainable interviews. During the interview, OntoAgent first performs four operations (i.e., ParseUser, ScoreOnto, ReRankOnto, GatePrune) guided by the ontology to identify the relevant requirement concerns. The selected concern is then combined with the current dialogue context to generate the elicitation question. To validate OntoAgent, we conduct comprehensive quantitative experiments using the widely adopted website application domain. The results show that OntoAgent significantly outperforms existing baselines in both elicitation effectiveness and questioning efficiency, achieving a 33% improvement in IRE and a 21% improvement in TKQR. Ablation studies further validate the contribution of each key design component. In addition, a qualitative user study demonstrates its practical advantages in real-world scenarios. We believe that OntoAgent can also be extended to requirements interview tasks in other domains.
• Abstract（参考訳）: 要件適用インタビューは要件エンジニアリングにおいて不可欠で時間を要するが、要件アナリストの経験に大きく依存している。 大規模言語モデル(LLM)の最近の進歩は、このプロセスを自動化するための新たな機会を生み出しているが、既存のアプローチは、インタビューや開発経験を考慮せずに、自由形式のチャットのためのLLMのみに依存している。 これは暗黙の要求と冗長な質問の欠落につながります。 実際に、経験豊富なアナリストは、要求の推論を行う際に、構造化された認知フレームワークを暗黙的にフォローする。 本研究は,経験オントロジーによる要件の導出を目的とした,OntoAgentという面接エージェントを提案する。 OntoAgentは、ドメイン固有の要件記述を自動的に分析して、経験オントロジーを構築する。 インタビューの間、OntoAgentはまず4つのオペレーション(ParseUser、ScoreOnto、ReRankOnto、GatePrune)を実行する。 そして、選択された関心事を現在の対話コンテキストと組み合わせて、引用質問を生成する。 OntoAgentを検証するために、広く採用されているWebサイトアプリケーションドメインを用いて、包括的な定量的実験を行う。 以上の結果から,OntoAgentは既存のベースラインよりも有効性が高く,IREは33%,TKQRは21%向上した。 アブレーション研究は、各キーデザインコンポーネントの貢献をさらに検証する。 さらに、質的なユーザスタディでは、現実のシナリオにおいて、その実践的な利点を実証している。 OntoAgentは他のドメインの要求インタビュータスクにも拡張できると考えています。

関連論文リスト

• ReqElicitGym: An Evaluation Environment for Interview Competence in Conversational Requirements Elicitation [36.77382403204434]
  自動ソフトウェア開発のボトルネックは、正しいコードを生成することから、ユーザの要求を引き出すものである。 関心が高まりつつも、会話要求推論におけるLLMの面接能力はいまだに未熟である。 対話型・自動評価環境であるReqElicitGymを提案する。
  論文  参考訳（メタデータ） (2026-02-20T16:02:13Z)
• LLMREI: Automating Requirements Elicitation Interviews with LLMs [47.032121951473435]
  本研究では,人間の介入を最小限に抑えながら,要求適応面接を行うチャットボット LLMREI を紹介する。 我々は33回のシミュレート・ステークホルダー・インタビューでその性能を評価した。 以上の結果から,LLMREIは人間のインタビュアーと同じような誤りを犯し,要求の大部分を抽出し,文脈に依存した質問を生成できることが示唆された。
  論文  参考訳（メタデータ） (2025-07-03T12:18:05Z)
• EvalAgent: Discovering Implicit Evaluation Criteria from the Web [82.82096383262068]
  EvalAgentは、ニュアンスとタスク固有の基準を自動的に発見するように設計されたフレームワークである。 EvalAgentは、さまざまな長期評価基準を提案するために、専門家が作成したオンラインガイダンスをマイニングしている。 我々の実験では、EvalAgentが生み出す基準は暗黙的だが具体的であることが示されている。
  論文  参考訳（メタデータ） (2025-04-21T16:43:50Z)
• Using Large Language Models to Develop Requirements Elicitation Skills [1.1473376666000734]
  チャットベースのインタビューにおいて,クライアントの役割を果たすために,大規模言語モデルを条件付けすることを提案する。 どちらの手法も、参加者が技術的に健全なソリューションを構築するのに十分な情報を提供する。
  論文  参考訳（メタデータ） (2025-03-10T19:27:38Z)
• QLASS: Boosting Language Agent Inference via Q-Guided Stepwise Search [89.97082652805904]
  提案するQLASS(Q-guided Language Agent Stepwise Search)は,Q-valueを推定してアノテーションを自動的に生成する。 ステップワイズガイダンスにより、言語エージェントが長期的価値に適応できるようにQ誘導型生成戦略を提案する。 我々はQLASSが質的分析によってより効果的な意思決定につながることを実証的に実証した。
  論文  参考訳（メタデータ） (2025-02-04T18:58:31Z)
• RECOVER: Toward Requirements Generation from Stakeholders' Conversations [10.706772429994384]
  本稿では,会話要求工学の新たなアプローチであるRECOVERを紹介する。 利害関係者のインタラクションからシステム要件を自動的に抽出する実践者を支援する。 経験的評価は、十分な正確性、完全性、実行可能性を示す要求が生成された、有望なパフォーマンスを示す。
  論文  参考訳（メタデータ） (2024-11-29T08:52:40Z)
• Quality Assurance of Generative Dialog Models in an Evolving Conversational Agent Used for Swedish Language Practice [59.705062519344]
  提案する1つのソリューションは、人中心の対話型言語実践のためのAI対応の会話エージェントである。 仮想面接のために訓練された独自の生成ダイアログモデルの品質保証を目標とした行動研究の成果を報告する。
  論文  参考訳（メタデータ） (2022-03-29T10:25:13Z)

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。