論文の概要: A Retrieval-Augmented Automated Stakeholder for Requirements Elicitation Education: A Comparative Study
- arxiv url: http://arxiv.org/abs/2609.12576v1
- Date: Fri, 11 Sep 2026 08:28:44 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-15 07:38:31.680799
- Title: A Retrieval-Augmented Automated Stakeholder for Requirements Elicitation Education: A Comparative Study
- Title（参考訳）: 要求緩和教育のための検索強化型自動持株者 : 比較研究
- Abstract要約: 本研究では,要求工学コースにおける要求誘導活動を支援するためにRAG(Research-augmented Generation)を用いることを検討した。
その結果,学生は招待された利害関係者をより現実的で参加的とみなす一方で,RAGをベースとした自動利害関係者は,高品質な勧誘質問とより完全な特徴識別を生み出した。
- 参考スコア（独自算出の注目度）: 2.220152876549942
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Developing the skills required for requirements engineering students to conduct effective requirements elicitation interviews is critical yet challenging, as it requires the development of soft skills in addition to technical knowledge. Role-playing is widely adopted in requirements engineering education to support the development of these skills but is often constrained by time and resource limitations. Although recent advances in large language models (LLMs) enable automated and interactive stakeholder simulations for role-playing, their application in requirements engineering education remains limited by hallucinations and inconsistent responses. To address these limitations, this study investigates the use of retrieval-augmented generation (RAG), implemented using the LangChain framework, to support requirements elicitation activities in a requirements engineering course. We conducted controlled experiments with 69 students, comparing cohorts who interacted with non-technical faculty role-players and those who engaged with RAG-based simulated stakeholders. The results indicate that while students perceived invited stakeholders as more realistic and engaging, the RAG-based automated stakeholder produced higher-quality elicitation questions and more complete feature identification.
- Abstract（参考訳）: 技術知識に加えてソフトスキルの開発も必要となるため,学生が効果的な要件付与面接を行うために必要なスキルの開発は極めて困難である。
ロールプレイングは、これらのスキルの開発を支援するために要求工学教育で広く採用されているが、時間やリソースの制限によって制限されることが多い。
近年の大型言語モデル (LLM) の進歩により, ロールプレイングのための自動的, インタラクティブなステークホルダーシミュレーションが実現されているが, その要件工学教育への応用は, 幻覚や一貫性のない応答によって制限されている。
これらの制約に対処するために,LangChainフレームワークを用いて実装された検索強化世代(RAG)を用いて,要求工学コースにおける要求誘導活動を支援する。
我々は69名の学生を対象に制御実験を行い、非技術学部ロールプレイヤと対話するコホートと、RAGをベースとしたシミュレートされた利害関係者とを比較した。
その結果,学生は招待された利害関係者をより現実的で参加的とみなす一方で,RAGをベースとした自動利害関係者は,高品質な勧誘質問とより完全な特徴識別を生み出した。
関連論文リスト
- RoboWits: Unexpected Challenges for Robotic Creative Problem Solving [58.58727722988084]
我々は、認知的推論、創造的ツールの使用、予期しない状況に対する堅牢性を評価するために設計された、双方向のロボットベンチマークであるRoboWitsを紹介する。
このパイプラインを用いて,30種類の種タスクと208のタスクを,幾何学的,物質的,集合的推論にまたがる変異と難易度でキュレートした。
プレトレーニングされたVLAは,単一タスクの微調整後にシードタスクに予備的な成功を示すが,変異タスクの実行に苦慮している。
論文 参考訳（メタデータ） (2026-05-28T17:57:15Z) - 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) - Generative AI-Based Virtual Assistant using Retrieval-Augmented Generation: An evaluation study for bachelor projects [2.56908246376916]
大規模言語モデルは、仮想アシスタントの作成にますます採用されている。
幻覚、情報不足、正確でコンテキスト固有の応答を提供することの難しさといった課題は継続する。
本稿では,最新のドメイン固有知識を統合することで,応答の精度と信頼性を向上させる検索型拡張生成システムに基づく仮想アシスタントを提案する。
論文 参考訳（メタデータ） (2026-04-01T11:21:02Z) - Teaching Agile Requirements Engineering: A Stakeholder Simulation with Generative AI [5.361962126043114]
学生は、要件の導出とドキュメントに最先端のアジャイルプラクティスを適用することで、実践的な経験を得ます。
学生はまた、生成的AIの使用に関連する技術的および倫理的制限について理解を深める。
論文 参考訳（メタデータ） (2026-03-13T12:07:52Z) - 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) - The AI Imperative: Scaling High-Quality Peer Review in Machine Learning [49.87236114682497]
AIによるピアレビューは、緊急の研究とインフラの優先事項になるべきだ、と私たちは主張する。
我々は、事実検証の強化、レビュアーのパフォーマンスの指導、品質改善における著者の支援、意思決定におけるAC支援におけるAIの具体的な役割を提案する。
論文 参考訳（メタデータ） (2025-06-09T18:37:14Z) - LLM Agents for Education: Advances and Applications [49.3663528354802]
大規模言語モデル(LLM)エージェントは、タスクの自動化と多様な教育アプリケーションにおけるイノベーションの推進において、顕著な能力を示した。
本調査は、LLMエージェントの総合的技術概要を提供することを目的としており、学習者や教育者のより大きな利益に対する影響を高めるために、さらなる研究と協力を促進することを目的としている。
論文 参考訳（メタデータ） (2025-03-14T11:53:44Z) - Interactive Agents to Overcome Ambiguity in Software Engineering [61.40183840499932]
AIエージェントは、あいまいで不明確なユーザー指示に基づいて、タスクを自動化するためにますますデプロイされている。
不安定な仮定をし、明確な質問をしないことは、最適以下の結果につながる可能性がある。
対話型コード生成設定において,LLMエージェントが不明瞭な命令を処理する能力について,プロプライエタリモデルとオープンウェイトモデルを評価して検討する。
論文 参考訳（メタデータ） (2025-02-18T17:12:26Z) - 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) - Teaching Requirements Engineering for AI: A Goal-Oriented Approach in Software Engineering Courses [4.273966905160028]
AIベースのシステムに高品質な要件を規定する能力を持つソフトウェアエンジニアを準備することが重要です。
本研究の目的は,Goal-Oriented Requirements Engineering(GORE)の有効性と適用性を評価することである。
論文 参考訳（メタデータ） (2024-10-26T23:44:01Z) - A Survey on RAG Meeting LLMs: Towards Retrieval-Augmented Large Language Models [71.25225058845324]
大規模言語モデル(LLM)は、言語理解と生成において革命的な能力を示している。
Retrieval-Augmented Generation (RAG)は、信頼性と最新の外部知識を提供する。
RA-LLMは、モデルの内部知識に頼るのではなく、外部および権威的な知識ベースを活用するために登場した。
論文 参考訳（メタデータ） (2024-05-10T02:48:45Z)
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。