Towards Human-AI Synergy in Requirements Engineering: A Framework and Preliminary Study

📄 arXiv: 2510.25016v1 📥 PDF

作者: Mateen Ahmed Abbasi, Petri Ihantola, Tommi Mikkonen, Niko Mäkitalo

分类: cs.SE, cs.AI, cs.HC, cs.LG

发布日期: 2025-10-28

备注: Accepted at the 2025 Sixth International Conference on Intelligent Data Science Technologies and Applications (IDSTA 2025),8 pages, 4 figures. Published in IEEE

期刊: 2025 Sixth International Conference on Intelligent Data Science Technologies and Applications (IDSTA 2025), IEEE

DOI: 10.1109/IDSTA66210.2025.11202850

💡 一句话要点

提出人机协同需求工程框架HARE-SM，提升需求获取、分析与验证效率。

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 需求工程 人机协同 人工智能 大型语言模型 自然语言处理

📋 核心要点

  1. 传统需求工程依赖手动流程，效率低且易出错，无法满足日益增长的需求。
  2. HARE-SM框架融合AI驱动分析与人工监督，旨在提升需求工程的效率和质量。
  3. 初步原型实现验证了框架的可行性，为后续研究奠定了基础，指明了方向。

📝 摘要（中文）

需求工程（RE）的未来日益受到人工智能（AI）的驱动，重塑了我们获取、分析和验证需求的方式。传统的RE依赖于劳动密集型的手动流程，容易出错且复杂。人工智能驱动的方法，特别是大型语言模型（LLMs）、自然语言处理（NLP）和生成式AI，提供了变革性的解决方案并降低了效率低下。然而，AI在RE中的使用也带来了挑战，如算法偏差、缺乏可解释性以及与自动化相关的伦理问题。为了解决这些问题，本研究引入了人机RE协同模型（HARE-SM），这是一个将AI驱动的分析与人工监督相结合的概念框架，旨在改进需求获取、分析和验证。该模型强调通过透明性、可解释性和偏差缓解来实现合乎伦理的AI使用。我们概述了一个多阶段的研究方法，重点是准备RE数据集、微调AI模型以及设计协作式人机工作流程。这项初步研究提出了概念框架和早期阶段的原型实现，为在协作环境中将智能数据科学技术应用于半结构化和非结构化RE数据建立了一个研究议程和实际设计方向。

🔬 方法详解

问题定义：论文旨在解决传统需求工程中人工流程效率低下、易出错的问题。现有方法难以有效处理半结构化和非结构化的需求数据，并且缺乏对AI算法偏差和伦理问题的有效应对。

核心思路：论文的核心思路是构建一个人机协同的需求工程框架，将AI的自动化分析能力与人类的判断和监督相结合，从而提高需求获取、分析和验证的效率和质量。该框架强调AI的透明性、可解释性和偏差缓解，以确保伦理的AI使用。

技术框架：论文提出了人机RE协同模型（HARE-SM），该模型包含以下主要阶段：1) 准备需求工程数据集；2) 微调AI模型；3) 设计协作式人机工作流程。该框架旨在将AI驱动的分析与人工监督相结合，以改进需求获取、分析和验证。

关键创新：该框架的关键创新在于其人机协同的设计理念，强调AI与人类的优势互补，而非完全取代人类。此外，该框架还关注AI的伦理问题，通过透明性、可解释性和偏差缓解来确保AI的合理使用。

关键设计：论文提出了一个多阶段的研究方法，包括数据集准备、模型微调和工作流程设计。具体的参数设置、损失函数和网络结构等技术细节在初步研究中尚未详细展开，将在后续研究中进一步探索和优化。目前主要关注框架的构建和初步验证。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

该研究提出了HARE-SM框架，并进行了初步的原型实现，验证了人机协同在需求工程中的可行性。虽然没有提供具体的性能数据，但该研究为后续研究奠定了基础，并指明了将智能数据科学技术应用于半结构化和非结构化RE数据的方向。

🎯 应用场景

该研究成果可应用于软件开发、系统工程等领域的需求工程环节，提升需求获取、分析和验证的效率和质量。通过人机协同，可以减少人工错误，提高项目成功率，并为AI在需求工程中的应用提供伦理指导。

📄 摘要（原文）

The future of Requirements Engineering (RE) is increasingly driven by artificial intelligence (AI), reshaping how we elicit, analyze, and validate requirements. Traditional RE is based on labor-intensive manual processes prone to errors and complexity. AI-powered approaches, specifically large language models (LLMs), natural language processing (NLP), and generative AI, offer transformative solutions and reduce inefficiencies. However, the use of AI in RE also brings challenges like algorithmic bias, lack of explainability, and ethical concerns related to automation. To address these issues, this study introduces the Human-AI RE Synergy Model (HARE-SM), a conceptual framework that integrates AI-driven analysis with human oversight to improve requirements elicitation, analysis, and validation. The model emphasizes ethical AI use through transparency, explainability, and bias mitigation. We outline a multi-phase research methodology focused on preparing RE datasets, fine-tuning AI models, and designing collaborative human-AI workflows. This preliminary study presents the conceptual framework and early-stage prototype implementation, establishing a research agenda and practical design direction for applying intelligent data science techniques to semi-structured and unstructured RE data in collaborative environments.