How Requirements Quality Makes (or Breaks) Traceability Link Recovery
Diese Arbeit liefert empirische Belege dafür, dass die Qualität der Anforderungen die Leistung der automatisierten Wiederherstellung von Rückverfolgbarkeitsverknüpfungen signifikant beeinflusst, indem sie aufzeigt, dass spezifische Defekte die Wiederherstellung je nach verwendetem Ansatz entweder behindern oder verbessern können.
Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen
Stellen Sie sich vor, Sie versuchen, eine riesige Bibliothek aufzubauen, in der jedes Buch (eine Softwareanforderung) perfekt mit den spezifischen Regalen und Werkzeugen (dem Quellcode) verbunden sein muss, die verwendet wurden, um es zu bauen. Diese Verbindung wird als Traceability Link (Rückverfolgbarkeitsverbindung) bezeichnet.
In der Vergangenheit mussten Menschen diese Linien zwischen Büchern und Regalen manuell zeichnen. Das war langsam, langweilig und fehleranfällig. Also erfanden Forscher „Roboter-Bibliothekare“ (automatisierte Algorithmen), um diese Aufgabe zu übernehmen. Diese Roboter lesen die Bücher und raten, in welche Regale sie gehören.
Dieses Paper stellt eine einfache, aber entscheidende Frage: Beeinflusst die Art und Weise, wie die Bücher geschrieben sind, die Leistungsfähigkeit der Roboter-Bibliothekare bei ihrer Arbeit?
Hier ist die Aufschlüsselung ihrer Ergebnisse, unter Verwendung einfacher Analogien:
Das Experiment: Test der „Roboter-Bibliothekare“
Die Forscher nahmen zwei reale Softwareprojekte (eines über Tourismus, eines über das Gesundheitswesen) und betrachteten 189 „Use Cases“ (im Wesentlichen Geschichten, die beschreiben, was die Software tun soll).
Sie agierten wie strenge Redakteure und markierten 28 verschiedene Arten von „Schreibfehlern“ oder „Qualitätsmängeln“ in diesen Geschichten. Einige Beispiele für solche Fehler waren:
- Fehlende Subjekte: Sätze, die nicht mit einem klaren „Wer“ beginnen (z. B. „Gehe zum Laden“ statt „Der Benutzer geht zum Laden“).
- Zu lang: Geschichten, die einfach zu wortreich sind.
- Gemischte Ebenen: Geschichten, die gleichzeitig über das Erlebnis des Nutzers und die interne Verdrahtung des Computers sprechen.
- Verwirrende Wörter: Die Verwendung von Wörtern wie „vielleicht“, „nicht“ oder der vage Bezug auf Dinge ohne klare Benennung.
Dann ließen sie fünf verschiedene Arten von Roboter-Bibliothekaren (unterschiedliche automatisierte Algorithmen) laufen, um zu sehen, wie gut sie die Geschichten mit dem Code verbinden können. Schließlich nutzten sie Statistiken, um zu sehen, ob die „Fehler“ im Schreiben die Roboter schneller, langsamer oder verwirrter machten.
Die überraschenden Ergebnisse: Nicht alle „Fehler“ sind schlecht
Die wichtigste Erkenntnis ist, dass das, was einen menschlichen Leser verwirrt, einen Roboter nicht zwangsläufig verwirrt. In der Tat helfen einige Dinge, die wir als „schlechtes Schreiben“ betrachten, den Robotern sogar bei ihrer Arbeit.
Hier sind die Kernergebnisse:
1. Das „Schlechte“, das die Roboter behindert
Genau wie Menschen haben auch Roboter Schwierigkeiten mit bestimmten Arten des Schreibens:
- Fehlende Subjekte: Wenn ein Satz nicht mit einem klaren Nomen (dem „Akteur“) beginnt, verliert sich der Roboter. Es ist wie eine Karte, die sagt „Gehe nach links“, ohne zu sagen, wer nach links geht.
- Zu lang: Wenn eine Anforderung ein riesiger Textblock ist, sinkt die Leistung des Roboters. Es ist schwieriger, die Nadel im Heuhaufen zu finden.
- Negative Wörter & Verwirrung: Die Verwendung von Wörtern wie „nicht“ oder der vage Bezug (Anapher) macht die Roboter weniger genau.
2. Das „Schlechte“, das den Robotern tatsächlich hilft
Dies ist die Wendung. Einige Dinge, die professionelle Redakteure als Mängel markieren würden, machten die Roboter tatsächlich besser bei ihrer Arbeit:
- Das Durchsickern des „Geheimrezepts“ (Inkonsistente Abstraktion): Normalerweise sollte eine Anwendungsgeschichte nur darüber sprechen, was der Nutzer möchte, nicht wie der Computer dies tut. Aber wenn die Geschichte versehentlich technische Details enthält (wie „das System sendet ein Signal“), liebt der Roboter das! Es ist, als würde eine Schatzkarte versehentlich die Farbe der Truhe erwähnen; es gibt dem Roboter einen direkten Hinweis, um den Code zu finden.
- Aufgaben mischen (Verwickelte Anforderungen): Normalerweise sollte sich eine Geschichte auf eine Sache konzentrieren. Aber wenn eine Geschichte ein paar verschiedene Funktionen miteinander vermischt, werden einige Roboter tatsächlich besser darin, die Verbindungen zu finden. Es scheint, dass mehr Kontext an einem Ort dem Roboter hilft, die Verbindung zu erraten.
- Alternative Pfade: Das Einbeziehen von „Was wäre wenn“-Szenarien (alternative Abläufe) in die Hauptgeschichte half den Robotern, mehr Verbindungen zu finden, obwohl Richtlinien normalerweise empfehlen, diese zu trennen.
Die Regel: „Einheitsgröße passt nicht für alle“
Die Forscher fanden auch heraus, dass verschiedene Roboter unterschiedlich reagieren.
- Ein Typ von Roboter (basierend auf einfachem Schlüsselwortabgleich) liebte es, wenn die Geschichten lang wurden und technischen Jargon enthielten.
- Ein anderer Typ (basierend auf fortgeschrittener KI) kümmerte sich kaum um die Länge, hatte aber Schwierigkeiten, wenn die Geschichten „verwickelt“ waren.
Die Analogie: Stellen Sie sich vor, Sie haben einen Hund und eine Katze. Wenn Sie einen Ball werfen, jagt der Hund ihm nach. Wenn Sie eine Feder werfen, jagt die Katze ihr nach. Wenn Sie dem Hund eine „schlechte“ Geschichte erzählen, wird er vielleicht verwirrt. Aber wenn Sie derselben Katze dieselbe „schlechte“ Geschichte erzählen, ist sie vielleicht völlig unbeeindruckt. Man kann nicht einfach sagen „diese Geschichte ist schlecht“; man muss fragen: „Schlecht für welchen Roboter?“
Das Faz-it
Das Paper kommt zu dem Schluss, dass wir die Regeln über „perfektes Schreiben“ nicht blind befolgen können, wenn unser Ziel darin besteht, automatisierte Werkzeuge zu unterstützen.
- Wenn Sie einem Menschen helfen wollen, die Anforderungen zu lesen, sollten Sie lange Sätze, fehlende Subjekte und gemischte technische Details vermeiden.
- Aber, wenn Sie einen automatisierten Roboter dabei unterstützen wollen, den Code zu finden, möchten Sie vielleicht doch einige dieser „technischen Details“ und „verwickelten Geschichten“ beibehalten, da sie dem Roboter als zusätzliche Hinweise dienen.
Die Autoren schlagen vor, dass man vor der Auswahl eines Roboter-Bibliothekars die Qualität der eigenen Geschichten prüfen sollte. Je nachdem, wie „fehlerhaft“ die Geschichten sind, muss man möglicherweise einen spezifischen Typ von Roboter wählen, um die besten Ergebnisse zu erzielen.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.