論文の概要: Large Language Models for Software Engineering Diagrams: A Systematic Review of UML and ER modelling

• arxiv url: http://arxiv.org/abs/2607.26100v1
• Date: Tue, 28 Jul 2026 06:41:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-30 21:06:25.427952
• Title: Large Language Models for Software Engineering Diagrams: A Systematic Review of UML and ER modelling
• Title（参考訳）: ソフトウェアエンジニアリングダイアグラムのための大規模言語モデル:UMLとERモデリングの体系的レビュー
• Abstract要約: 大規模言語モデル(LLM)は図ベースのソフトウェアやデータモデリングにますます適用されています。 近年, ダイアグラムモデリングにおけるLCMの様々な応用について研究されているが, その有効性や限界については議論されていない。 この体系的な文献レビューは、2023年から2025年の間に出版された64の論文を分析した。
• 参考スコア（独自算出の注目度）: 1.7587442088965224
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Large language models (LLMs) are increasingly applied to diagram-based software and data modelling. Among various modelling notations, UML and entity-relationship (ER) diagrams are the most widely adopted for software modelling and data modelling, respectively. Recent literature has investigated various applications of LLMs in diagram modelling; however, their effectiveness and limitations have not been extensively discussed. This systematic literature review analyses 64 studies published between 2023 and 2025, examining diagram coverage, modelling tasks, technical approaches, evaluation practices, and limitations. Our findings reveal significant concentration patterns and gaps. UML-based software modelling strongly dominates, with class diagrams receiving the most attention whilst behavioural diagrams and data modelling remain underrepresented. Diagram construction from natural language is the primary focus, with limited work on transformation, quality assurance, and consistency checking. GPT-based models are heavily prevalent, raising concerns about reproducibility and vendor dependence. Evaluation practices are heterogeneous, employing diverse metrics and custom datasets with limited benchmark reuse and inconsistent reporting of robustness and statistical significance. Common limitations include semantic inaccuracies, hallucinated diagram elements, sensitivity to prompt formulation, and reproducibility constraints. This survey provides the first systematic synthesis of LLM-based diagram modelling research, highlighting needs for standardised benchmarks, stronger evaluation protocols, broader diagram coverage, and techniques for improving semantic reliability and multi-view consistency.
• Abstract（参考訳）: 大規模言語モデル(LLM)は図ベースのソフトウェアやデータモデリングにますます適用されています。 さまざまなモデリング表記法の中で、UMLとエンティティリレーショナル(ER)ダイアグラムは、それぞれソフトウェアモデリングとデータモデリングに最も広く採用されている。 近年, ダイアグラムモデリングにおけるLCMの様々な応用について研究されているが, その有効性や限界については議論されていない。 この体系的な文献レビューは、2023年から2025年にかけて発行された64の研究を分析し、図のカバレッジ、モデリングタスク、技術的なアプローチ、評価プラクティス、限界を調査した。 以上の結果から,有意な濃度パターンとギャップが認められた。 UMLベースのソフトウェアモデリングが圧倒的に支配的であり、クラス図が最も注目を集めている一方で、振る舞い図やデータモデリングはいまだに不足している。 自然言語からのダイアグラム構築が主な焦点であり、変換、品質保証、一貫性チェックに制限がある。 GPTベースのモデルは広く普及しており、再現性やベンダー依存に対する懸念が高まっている。 評価プラクティスは異質であり、さまざまなメトリクスとカスタムデータセットを使用して、限られたベンチマークの再利用と、堅牢性と統計的重要性の一貫性のない報告を行う。 一般的な制限としては、意味的不正確さ、幻覚図要素、迅速な定式化への感受性、再現性制約などがある。 このサーベイは、LCMベースのダイアグラムモデリング研究の最初の体系的な合成を提供し、標準化されたベンチマーク、より強力な評価プロトコル、より広範なダイアグラムカバレッジ、セマンティックな信頼性とマルチビューの整合性を改善する技術の必要性を強調している。

関連論文リスト

• A Formalism-Aware Reward Loop for Handwritten UML-to-PlantUML Generation [0.0]
  視覚言語モデルは図画像からP植物UMLを生成することができるが、プロンプトベースの利用では、構造化されたモデル生成ではなく、画像からテキストへの生成として扱う。 我々は,超視覚的微調整とグループ相対ポリシーを用いた手書き-手書き-手書きUML生成のための視覚言語モデルを適用した。 新たな結果は、適応モデルが未調整のオープンモデルと1つのプロプライエタリなベースラインに対してコンパイル性と変換品質を向上させる一方で、クラスダイアグラム上のより強力なプロプライエタリなベースラインと競合することを示す。
  論文  参考訳（メタデータ） (2026-07-31T03:30:25Z)
• LVLM-Aided Alignment of Task-Specific Vision Models [49.96265491629163]
  タスク固有の視覚モデルは、高い領域において不可欠である。 本稿では,タスク固有の視覚モデルと人間のドメイン知識を協調する,新しい,効率的な手法を提案する。 提案手法は, モデル動作と人間の仕様との整合性を大幅に向上させる。
  論文  参考訳（メタデータ） (2025-12-26T11:11:25Z)
• LTD-Bench: Evaluating Large Language Models by Letting Them Draw [57.237152905238084]
  LTD-Benchは、大規模言語モデル(LLM)のブレークスルーベンチマークである。 LLMの評価を抽象的なスコアから直接観察可能な視覚出力に変換する。 LTD-Benchの視覚出力は強力な診断分析を可能にし、モデル類似性を調べるための潜在的アプローチを提供する。
  論文  参考訳（メタデータ） (2025-11-04T08:11:23Z)
• Toward Purpose-oriented Topic Model Evaluation enabled by Large Language Models [0.8193467416247519]
  トピック品質の4つの重要な側面にまたがる9つのLarge Language Models(LLM)ベースのメトリクスを利用する目的指向評価フレームワークを導入する。 このフレームワークは、敵対的およびサンプリングベースのプロトコルを通じて検証され、ニュース記事、学術出版物、ソーシャルメディア投稿にまたがるデータセットに適用される。
  論文  参考訳（メタデータ） (2025-09-08T18:46:08Z)
• GraphOmni: A Comprehensive and Extendable Benchmark Framework for Large Language Models on Graph-theoretic Tasks [26.992997870540435]
  Graph Omniは、自然言語で記述されたグラフ理論タスクにおけるLLMの推論能力を評価するためのベンチマークである。 我々は,グラフタイプ,シリアライズ形式,シグナリングスキーム間の重要な相互作用を同定し,モデル性能に大きな影響を与えることを示す。 本稿では,LLM推論能力に影響を与える最適要因を適応的に選択する強化学習型フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-04-17T09:01:16Z)
• Model Utility Law: Evaluating LLMs beyond Performance through Mechanism Interpretable Metric [99.56567010306807]
  大規模言語モデル(LLM)は、学術、産業、そして日々のアプリケーションに欠かせないものになっている。 大規模言語モデル (LLM) 時代における評価の課題の1つは一般化問題である。 従来の性能スコアを補完するメカニズムの解釈可能性向上指標であるモデル利用指数(MUI)を提案する。
  論文  参考訳（メタデータ） (2025-04-10T04:09:47Z)
• Model Merging in LLMs, MLLMs, and Beyond: Methods, Theories, Applications and Opportunities [89.40778301238642]
  モデルマージは、機械学習コミュニティにおける効率的なエンパワーメント技術である。 これらの手法の体系的かつ徹底的なレビューに関する文献には大きなギャップがある。
  論文  参考訳（メタデータ） (2024-08-14T16:58:48Z)
• Model Generation with LLMs: From Requirements to UML Sequence Diagrams [9.114284818139069]
  本稿では,NL要求から特定のモデル,すなわちシーケンス図を生成するChatGPTの能力について検討する。 本稿では,ChatGPTが生成した28種類の要求文書と異なるドメインのシーケンス図について検討する。 以上の結果から, モデルが標準に適合し, 合理的な理解可能性を示す一方で, 要求条件に対する完全性や正当性は, しばしば課題となることが示唆された。
  論文  参考訳（メタデータ） (2024-04-09T15:07:25Z)
• Corpus Considerations for Annotator Modeling and Scaling [9.263562546969695]
  一般的に使われているユーザトークンモデルは、より複雑なモデルよりも一貫して優れています。 以上の結果から,コーパス統計とアノテータモデリング性能の関係が明らかになった。
  論文  参考訳（メタデータ） (2024-04-02T22:27:24Z)
• StableLLaVA: Enhanced Visual Instruction Tuning with Synthesized Image-Dialogue Data [129.92449761766025]
  本稿では,視覚的インストラクションチューニングのための画像と対話を同期的に合成する新しいデータ収集手法を提案する。 このアプローチは生成モデルのパワーを活用し、ChatGPTとテキスト・ツー・イメージ生成モデルの能力とを結合する。 本研究は,各種データセットを対象とした総合的な実験を含む。
  論文  参考訳（メタデータ） (2023-08-20T12:43:52Z)
• Explainable Matrix -- Visualization for Global and Local Interpretability of Random Forest Classification Ensembles [78.6363825307044]
  本研究では,ランダムフォレスト (RF) 解釈のための新しい可視化手法である Explainable Matrix (ExMatrix) を提案する。 単純なマトリックスのようなメタファで、行はルール、列は特徴、セルはルールを述語する。 ExMatrixの適用性は、異なる例を通じて確認され、RFモデルの解釈可能性を促進するために実際にどのように使用できるかを示している。
  論文  参考訳（メタデータ） (2020-05-08T21:03:48Z)

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。