論文の概要: LLM-Based Discovery of Latent Requirements from Stakeholder Conversations: Preliminary Results from Industry
- arxiv url: http://arxiv.org/abs/2606.25867v1
- Date: Wed, 24 Jun 2026 14:14:07 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-25 17:05:30.356148
- Title: LLM-Based Discovery of Latent Requirements from Stakeholder Conversations: Preliminary Results from Industry
- Title（参考訳）: LLMによる株主対話における潜在要件の発見--産業の予備的成果-
- Abstract要約: LENSは、株主インタビューの書き起こしを分析し、明確な要件を抽出し、追加の潜伏要件を推測するアプローチである。
LENSは,明示的な要求を抽出する上で,平均F1スコア84.4%を達成することを示す。
平均して、LENSによって特定される潜伏要件の75%は、ドメインの専門家によって有用な自動化や時間節約のポテンシャルを提供すると見なされた。
- 参考スコア（独自算出の注目度）: 2.2120847491510713
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Stakeholder interviews are an important source of information for requirements elicitation, yet many relevant requirements remain implicit in such conversations. Stakeholders frequently describe workflows, challenges, and operational practices without explicitly articulating the software capabilities that could address them. Recent work has considered the use of LLMs to analyze conversational data and extract requirements from stakeholder interviews. Existing approaches, however, primarily focus on identifying explicitly stated requirements, leaving implicit opportunities largely unexplored. In this paper, we present LENS (LLM-Enabled Needs Discovery from Stakeholder Interviews), an approach that analyzes stakeholder interview transcripts to both extract explicit requirements and infer additional latent requirements. LENS performs this inference by reasoning over stakeholder statements together with contextual information about organizational tools and infrastructure. Both extracted and inferred requirements are represented as user stories and linked to transcript excerpts to ensure traceability. We conduct a preliminary evaluation of LENS using twelve stakeholder interview transcripts collected in an industrial setting involving cybersecurity operations. We show that LENS achieves an average F1-score of 84.4% for extracting explicit requirements, while, on average, 75% of the latent requirements identified by LENS were perceived as providing useful automation or time-saving potential by domain experts.
- Abstract（参考訳）: テイクホルダーの面接は、要求の誘導のための重要な情報源であるが、そのような会話では、多くの関連する要件が暗黙的に残っている。
ステークホルダは、ワークフローや課題、運用プラクティスを、それに対応する可能性のあるソフトウェア機能を明確に記述することなく、頻繁に説明します。
最近の研究は、LLMを用いて会話データを分析し、ステークホルダーのインタビューから要求を抽出することを検討している。
しかし、既存のアプローチは主に明示された要件の特定に重点を置いており、暗黙の機会はほとんど探索されていない。
本稿では,LENS(LLM-Enabled Needs Discovery from Stakeholder Interviews)を提案する。
LENSは、ステークホルダーステートメントと、組織ツールやインフラストラクチャに関するコンテキスト情報を引き合いに出して、この推論を実行します。
抽出された要件と推論された要件はいずれもユーザストーリとして表現され、トレーサビリティを保証するためにトランスクリプトの抜粋にリンクされる。
サイバーセキュリティ業務を含む産業環境で収集した12件の利害関係者インタビュー書を用いて,LENSの予備評価を行う。
LENSは, 明確な要件を抽出する上で, 平均F1スコア84.4%を達成し, 平均して, LENSが認識する潜伏要件の75%は, ドメインの専門家が有用な自動化や省力化の可能性が認められた。
関連論文リスト
- Need to Know: Contextual-Integrity-Grounded Query Rewriting for Privacy-Conscious LLM Delegation [50.614874098786515]
コンテキスト整合性(Contextual Integrity)の下でクエリの書き直しを保存したプライバシをリキャストします。
本稿では,CI誘導型強化学習フレームワークを提案する。
実験により、学習したリライターは、デバイス上のベースラインに対して+10.1平均ユーティリティを達成し、最高のプライバシユーティリティトレードオフを達成することが示された。
論文 参考訳（メタデータ） (2026-06-02T14:28:28Z) - From Chat to Interview: Agentic Requirements Elicitation with an Experience Ontology [35.19488207612296]
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。
論文 参考訳（メタデータ） (2026-05-07T08:03:03Z) - 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) - Supporting Stakeholder Requirements Expression with LLM Revisions: An Empirical Evaluation [1.5102168012018966]
大規模言語モデル(LLM)は、コンテキストからユーザの意図を推測することができる。
本稿では, LLM を要件の活用と検証に用い, 利害関係者中心のアプローチを提案し, 評価する。
論文 参考訳（メタデータ） (2026-01-23T12:42:31Z) - Teaching Language Models To Gather Information Proactively [53.85419549904644]
大規模言語モデル(LLM)は、ますます協力的なパートナーとして機能することが期待されている。
本研究では,アクティブな情報収集という新たなタスクパラダイムを導入する。
キー情報をマスキングする、部分的に特定された現実世界のタスクを生成するスケーラブルなフレームワークを設計する。
このセットアップの中核となるイノベーションは、真に新しい暗黙のユーザー情報を引き出す質問に報酬を与える、強化された微調整戦略です。
論文 参考訳（メタデータ） (2025-07-28T23:50:09Z) - 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) - Disambiguation in Conversational Question Answering in the Era of LLMs and Agents: A Survey [54.90240495777929]
自然言語処理(NLP)におけるあいまいさは依然として根本的な課題である
LLM(Large Language Models)の出現により、あいまいさに対処することがさらに重要になった。
本稿では,言語駆動システムにおけるあいまいさの定義,形態,含意について考察する。
論文 参考訳（メタデータ） (2025-05-18T20:53:41Z) - How do Large Language Models Understand Relevance? A Mechanistic Interpretability Perspective [64.00022624183781]
大規模言語モデル(LLM)は、関連性を評価し、情報検索(IR)タスクをサポートする。
メカニスティック・インタプリタビリティのレンズを用いて,異なるLLMモジュールが関係判断にどのように寄与するかを検討する。
論文 参考訳（メタデータ） (2025-04-10T16:14:55Z) - Towards Boosting LLMs-driven Relevance Modeling with Progressive Retrieved Behavior-augmented Prompting [23.61061000692023]
本研究では,検索ログに記録されたユーザインタラクションを活用して,ユーザの暗黙の検索意図に対する洞察を得ることを提案する。
ProRBPは,探索シナリオ指向の知識を大規模言語モデルと統合するための,プログレッシブ検索行動拡張型プロンプトフレームワークである。
論文 参考訳（メタデータ） (2024-08-18T11:07:38Z) - Aligning Language Models to Explicitly Handle Ambiguity [22.078095273053506]
我々は,あいまいなクエリを扱うために,言語モデルを整列する新しいパイプラインであるAlignment with Perceived Ambiguity (APA)を提案する。
質問応答データセットの実験結果から、APAはLLMに対して、あいまいなクエリを明示的に検出し、管理する権限を持つことが示された。
我々の発見は、APAがゴールドスタンダードラベルのトレーニング、特にアウト・オブ・ディストリビューションのシナリオで優れていることを証明している。
論文 参考訳（メタデータ） (2024-04-18T07:59:53Z) - The Shifted and The Overlooked: A Task-oriented Investigation of
User-GPT Interactions [114.67699010359637]
実際のユーザクエリの大規模なコレクションをGPTに解析する。
ユーザインタラクションでは'設計'や'計画'といったタスクが一般的だが,従来のNLPベンチマークとは大きく異なる。
論文 参考訳（メタデータ） (2023-10-19T02:12:17Z)
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。