Riepilogo Tecnico: OntoAgent per l'Elicitazione dei Requisiti

Enunciato del Problema

Le interviste per l'elicitazione dei requisiti sono una pietra angolare dell'ingegneria dei requisiti, ma rimangono fortemente dipendenti dall'esperienza degli analisti umani. Questa dipendenza comporta costi significativi in termini di tempo e formazione e introduce rischi di bias umano e incomprensioni comunicative. Sebbene i Modelli Linguistici di Grande Dimensione (LLM) offrano una via per automatizzare questo processo, gli approcci esistenti "a forma libera" — in cui un LLM agisce come intervistatore senza guida strutturata — soffrono di limitazioni critiche. Studi empirici indicano che questi modelli faticano a scoprire requisiti impliciti, generano spesso domande generiche o ridondanti nelle fasi iniziali del dialogo e mancano di interpretabilità e controllabilità. Di conseguenza, non riescono a esplorare sistematicamente lo spazio dei requisiti, portando a una cattura incompleta dei requisiti.

Metodologia: OntoAgent

Per affrontare queste limitazioni, gli autori propongono OntoAgent, un agente di intervista che integra gli LLM con una Ontologia dell'Esperienza strutturata. Il principio di progettazione fondamentale è modellare esplicitamente il framework cognitivo strutturato utilizzato dagli analisti esperti, disaccoppiando cosa chiedere (guidato dall'ontologia) da come chiedere (generato dall'LLM).

Il framework opera in due fasi interrelate:

1. Induzione dell'Ontologia dell'Esperienza

OntoAgent costruisce automaticamente una struttura ad albero gerarchica a tre livelli a partire da testi di requisiti specifici del dominio. Questa ontologia funge da spazio di interrogazione strutturato:

• Aspetti (Livello 1): Astrazioni di alto livello dei requisiti di sistema (es. Interazione, Contenuto, Stile). Questi sono forniti da esperti di dominio per garantire stabilità.
• Dimensioni (Livello 2): Punti funzionali fondamentali all'interno di un aspetto (es. Ricerca, Visualizzazione, Accesso). Queste sono indotte automaticamente utilizzando un LLM con una strategia di espansione conservativa che privilegia la fusione semantica rispetto alla creazione di nuove dimensioni.
• Slot (Livello 3): Dettagli dei requisiti fini e chiarificabili (es. opzioni di filtraggio, regole di ordinamento). Questi sono estratti come tuple di elementi normalizzati e domande candidate per il chiarimento.

2. Intervista Guidata dall'Ontologia

Durante l'intervista multi-turno, OntoAgent esegue un ciclo decisionale che coinvolge quattro operazioni chiave per selezionare dinamicamente lo slot di requisito più rilevante ma insufficientemente esplorato:

• ParseUser: Interpreta le risposte degli stakeholder per supportare le decisioni di potatura a livello di aspetto e di dimensione.
• ScoreOnto: Assegna punteggi di priorità iniziali ai nodi dell'ontologia basati sulla descrizione iniziale dei requisiti per garantire che l'intervista inizi con rami ad alta rilevanza.
• ReRankOnto: Rivaluta e riordina dinamicamente gli slot candidati in base alla cronologia aggiornata del dialogo per adattarsi al nuovo contesto.
• GatePrune: Implementa due meccanismi di potatura per ridurre la ridondanza:
  • Livello aspetto: Attiva una domanda di conferma macro dopo che $N$ interrogazioni non hanno prodotto nuovi requisiti; se negativa, il ramo viene potato.
  • Livello dimensione: Potare immediatamente gli slot se una dimensione viene esplicitamente rifiutata dallo stakeholder.
• QuestionGen: Combina lo slot selezionato con il contesto attuale del dialogo per generare una domanda di elicitaione in linguaggio naturale, consapevole del contesto.

Contributi Chiave

1. Framework OntoAgent: La proposta di un agente di intervista che modella esplicitamente l'esperienza dell'intervista come ontologia e la integra con gli LLM per facilitare la generazione strutturata di domande.
2. Ontologia dell'Esperienza: Lo sviluppo di un albero gerarchico a tre livelli (Aspetti, Dimensioni, Slot) che funge da spazio di interrogazione strutturato e interpretabile.
3. Meccanismo Guidato dall'Ontologia: La progettazione di un meccanismo decisionale composto da quattro operazioni (ParseUser, ScoreOnto, ReRankOnto, GatePrune) per selezionare dinamicamente gli slot dei requisiti e generare domande consapevoli del contesto.
4. Valutazione Completa: Valutazioni quantitative e qualitative estese che dimostrano l'efficacia e l'applicabilità pratica del framework.

Risultati Sperimentali

Gli autori hanno valutato OntoAgent su 101 scenari di applicazioni web utilizzando l'ambiente ReqElicitGym, confrontandolo con cinque baseline (inclusi Non-CoT, CoT, LLMREI-short/long e Prompting guidato dagli errori).

• Efficacia (IRE): OntoAgent ha raggiunto un Rapporto di Elicitazione dei Requisiti Impliciti (IRE) di 0,69, rappresentando un miglioramento relativo del 33% rispetto alla migliore baseline (Prompting guidato dagli errori a 0,52). Ciò dimostra una capacità superiore di scoprire requisiti impliciti.
• Efficienza (TKQR): OntoAgent ha raggiunto un Tasso di Domande Chiave Scontato per Turno (TKQR) di 0,59, un miglioramento relativo del 21% rispetto alla migliore baseline. Ciò indica una maggiore efficienza nell'interrogazione e la capacità di identificare i requisiti chiave nelle fasi iniziali del dialogo.
• Studi di Ablazione: L'aggiunta incrementale dei componenti ha confermato che l'Ontologia dell'Esperienza fornisce il maggiore guadagno prestazionale, mentre ScoreOnto, ReRankOnto e GatePrune affinano ulteriormente l'allineamento, l'efficienza e la riduzione della ridondanza.
• Robustezza: Il framework ha dimostrato una forte generalizzazione su sei diversi LLM di base (inclusi Claude, Gemini, DeepSeek, Kimi, GLM e Qwen), mantenendo prestazioni competitive indipendentemente dal modello sottostante.
• Analisi per Tipo: OntoAgent ha fornito una copertura equilibrata tra requisiti di interazione, contenuto e stile. In particolare, ha superato significativamente le baseline nell'elicitazione dei requisiti di stile (IRE 0,55 contro <0,01 per alcune baseline), una categoria spesso trascurata dagli approcci a forma libera.
• Valutazione Umana: In uno studio con 6 partecipanti che agivano come stakeholder, OntoAgent ha ricevuto punteggi Likert significativamente più alti (p < 0,05) in termini di efficacia di elicitaione, efficienza di interrogazione e adattabilità rispetto alle baseline.

Significato e Affermazioni

Il documento afferma che OntoAgent colma con successo il divario tra le capacità generative degli LLM e i processi cognitivi strutturati degli analisti esperti. Trasformando le chat libere degli LLM in processi di indagine sistematici e interpretabili, OntoAgent affronta le questioni critiche dell'omissione di requisiti impliciti e delle domande ridondanti.

Gli autori affermano che il loro lavoro dimostra l'importanza degli agenti LLM guidati dall'ontologia per l'avanzamento dello sviluppo automatizzato dei requisiti. Concludono che modellare esplicitamente l'esperienza dell'intervista è essenziale per raggiungere un'ampia copertura e un'alta efficienza nell'elicitazione, e che il loro approccio offre una soluzione pratica ed estendibile per compiti reali di elicitaione dei requisiti oltre il dominio delle applicazioni web testato.