Read, Extract, Classify: A Tool for Smarter Requirements Engineering

Resumen Técnico de ReXCL: Una Herramienta para la Ingeniería de Requisitos Más Inteligente

Enunciado del Problema
En el desarrollo de software, la Ingeniería de Requisitos (IR) efectiva es crítica para alinear los resultados del sistema con las expectativas de las partes interesadas. Sin embargo, el flujo de trabajo actual para manejar las especificaciones de requisitos de los clientes, típicamente proporcionadas en formatos semiestructurados como archivos PDF o DOC, es en gran medida manual, propenso a errores y laborioso. Las partes interesadas deben interpretar manualmente diseños diversos de documentos, extraer estructuras de secciones, mapear contenido en esquemas predefinidos y categorizar requisitos (por ejemplo, funcionales, no funcionales, informativos). Estos pasos manuales introducen retrasos, reducen la trazabilidad y comprometen la calidad general del proceso de IR, particularmente al integrar datos en herramientas aguas abajo como IBM DOORS.

Metodología
Para abordar estos desafíos, los autores presentan ReXCL, una herramienta diseñada para automatizar tanto la extracción como la clasificación de textos de requisitos. El sistema opera a través de dos módulos principales:

1. Módulo de Extracción:

   • Procesamiento de Entrada: El módulo transforma documentos de entrada crudos (PDF, DOC, TXT) en una representación de texto intermedia basada en markdown utilizando paquetes como PyMuPDF4LLM. Este enfoque preserva la estructura del documento, incluidos los títulos de sección (marcados con tokens especiales) y el formato de tablas, a diferencia de los convertidores de texto estándar que aplanan la estructura.
   • Eliminación de Ruido: Para eliminar encabezados y pies de página (por ejemplo, números de página, fechas), se emplea un clasificador Random Forest ligero. Este clasificador binario utiliza dos características: la frecuencia de ocurrencia y la información posicional para identificar y eliminar oraciones redundantes ubicadas en la parte superior o inferior de las páginas.
   • Análisis Estructural: El texto limpiado se analiza para identificar números de sección, encabezados y bloques de texto asociados. Estos se agrupan en tuplas estructuradas de la forma $\langle \text{número}_i, \text{encabezado}_i, [\text{texto}_{i1}, \dots, \text{texto}_{im}] \rangle$.
   • Salida: Las tuplas se formatean en un esquema tabular que contiene Identificadores de Objeto, Números, Encabezados, Texto y Niveles, listos para el procesamiento aguas abajo.

2. Módulo de Clasificación:

   • Adaptación al Dominio: El sistema utiliza un modelo basado en BERT personalizado para el dominio automotriz. El proceso comienza con Modelado de Lenguaje enmascarado iterativo sobre textos de requisitos automotrices a gran escala y sin etiquetar. Este paso refina el modelo preentrenado de propósito general para capturar terminología y estructuras sintácticas específicas del dominio.
   • Ajuste Fino Supervisado: Tras la adaptación, el modelo se ajusta finamente en un entorno supervisado utilizando textos de requisitos etiquetados. Se aplica un perceptrón multicapa (MLP) al token [CLS] de la salida del transformador para realizar la clasificación semántica a nivel de documento.
   • Categorización: El modelo asigna cada texto de requisito a una de cuatro categorías: Info, Encabezado, Requisito Funcional o Requisito No Funcional.

Contribuciones Clave

• Esquematización Automatizada: ReXCL ofrece un enfoque novedoso para automatizar la esquematización de documentos de requisitos semiestructurados, una tarea que anteriormente requería un esfuerzo humano significativo.
• Pipeline Integrado: A diferencia de trabajos anteriores que abordaban la detección de encabezados o la clasificación de secciones por separado, ReXCL proporciona un pipeline integral que maneja tanto la extracción estructural como la clasificación semántica.
• Ajuste Fino Adaptativo: La herramienta demuestra la eficacia de un proceso de entrenamiento de dos fases (adaptación al dominio seguido de ajuste fino supervisado) para manejar tareas de clasificación con recursos limitados en el dominio automotriz.
• Interoperabilidad: La salida final es exportable en formatos estándar (CSV, Excel, YAML, JSON) y es compatible con herramientas de IR estándar de la industria como IBM DOORS y Jira.

Resultados de la Evaluación

• Rendimiento de Extracción: En una evaluación manual que involucró a tres expertos del dominio revisando 445 oraciones, el módulo de extracción logró una puntuación promedio de precisión de 4.45/5. El componente de eliminación de encabezados/pies de página logró una precisión promedio del 96.05%.
• Rendimiento de Clasificación: Los resultados empíricos muestran ganancias sustanciales del ajuste fino adaptativo en comparación con un modelo BERT "vanilla" de base.
  • Puntuaciones F1 de BERT Vanilla: Oscilaron entre 0.22 y 0.41 en las categorías.
  • Puntuaciones F1 de BERT Ajustado Fino Adaptativo: Lograron 0.99 para Encabezado, 0.98 para Info, 0.98 para Requisitos Funcionales y 0.93 para Requisitos No Funcionales.
  • Las mejoras fueron particularmente significativas para categorías subrepresentadas como los Requisitos No Funcionales.

Significado y Afirmaciones
El artículo afirma que ReXCL mejora significativamente la eficiencia y la precisión de la gestión de requisitos, marcando un cambio de procesos manuales y propensos a errores a flujos de trabajo automatizados y basados en datos. Al reducir el esfuerzo humano y aumentar la consistencia, la herramienta agiliza la transformación de documentos crudos en datos estructurados y accionables. Los autores posicionan a ReXCL como una solución práctica para entornos del mundo real, validada por revisión de expertos y métricas empíricas.

Trabajo Futuro
Los autores señalan que las iteraciones futuras de la herramienta buscan extender el soporte a imágenes, tablas y documentos multimodales, incluidas presentaciones y hojas de cálculo.