从归纳到演绎：基于 LLM 的需求工程中的定性数据分析
软件工程
2025-04-29 v1 人工智能
摘要
需求工程（RE）对于开发复杂且受监管的软件项目至关重要。鉴于将利益相关者输入转化为一致软件设计面临的挑战，定性数据分析（QDA）提供了一种系统性地处理非结构化数据的做法。然而，传统的 QDA 方法耗时且高度依赖人工工作。在本文中，我们探索使用大型语言模型（LLM），包括 GPT-4、Mistral 和 LLaMA-2 来提高 RE 中的 QDA 任务效率。我们的研究评估了 LLM 在归纳（零样本）和演绎（一射、few-shot）标注任务中的性能，结果显示 GPT-4 在演绎场景下实现了与人类分析师显著一致的标注结果，其 Cohen's Kappa 分数超过 0.7，而零样本性能有限。详细的、语境丰富的提示显著提高了标注的准确性和一致性，尤其是在演绎情境下，GPT-4 在多次运行中展现出高可靠性。这些发现凸显了 LLM 在 RE 中支持 QDA 的潜力，既能减少人工工作，又能保持标注质量。自动生成的结构化标签可直接用作领域模型中的类，促进系统化的软件设计。
引用
@article{arxiv.2504.19384,
title = {From Inductive to Deductive: LLMs-Based Qualitative Data Analysis in Requirements Engineering},
author = {Syed Tauhid Ullah Shah and Mohamad Hussein and Ann Barcomb and Mohammad Moshirpour},
journal= {arXiv preprint arXiv:2504.19384},
year = {2025}
}