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

Resumo Técnico do ReXCL: Uma Ferramenta para Engenharia de Requisitos Mais Inteligente

Declaração do Problema
No desenvolvimento de software, a Engenharia de Requisitos (ER) eficaz é crítica para alinhar as saídas do sistema com as expectativas das partes interessadas. No entanto, o fluxo de trabalho atual para o tratamento de especificações de requisitos de clientes — tipicamente fornecidas em formatos semiestruturados como arquivos PDF ou DOC — é amplamente manual, propenso a erros e intensivo em mão de obra. As partes interessadas devem interpretar manualmente layouts diversos de documentos, extrair estruturas de seções, mapear conteúdo em esquemas predefinidos e categorizar requisitos (por exemplo, funcionais, não funcionais, informativos). Essas etapas manuais introduzem atrasos, reduzem a rastreabilidade e comprometem a qualidade geral do processo de ER, particularmente ao integrar dados em ferramentas a jusante como o IBM DOORS.

Metodologia
Para abordar esses desafios, os autores apresentam o ReXCL, uma ferramenta projetada para automatizar tanto a extração quanto a classificação de textos de requisitos. O sistema opera por meio de dois módulos principais:

1. Módulo de Extração:

   • Processamento de Entrada: O módulo transforma documentos de entrada brutos (PDF, DOC, TXT) em uma representação de texto intermediária baseada em markdown usando pacotes como o PyMuPDF4LLM. Essa abordagem preserva a estrutura do documento, incluindo títulos de seções (marcados com tokens especiais) e formatação de tabelas, ao contrário de conversores de texto padrão que achatam a estrutura.
   • Remoção de Ruído: Para eliminar cabeçalhos e rodapés (por exemplo, números de página, datas), emprega-se um classificador Random Forest leve. Esse classificador binário utiliza duas características — frequência de ocorrência e informação posicional — para identificar e remover sentenças redundantes localizadas no topo ou na base das páginas.
   • Análise Estrutural: O texto limpo é analisado para identificar números de seção, títulos e blocos de texto associados. Estes são agrupados em tuplas estruturadas da forma $\langle \text{número}_i, \text{título}_i, [\text{texto}_{i1}, \dots, \text{texto}_{im}] \rangle$.
   • Saída: As tuplas são formatadas em um esquema tabular contendo Identificadores de Objeto, Números, Títulos, Texto e Níveis, prontas para processamento a jusante.

2. Módulo de Classificação:

   • Adaptação de Domínio: O sistema utiliza um modelo baseado em BERT personalizado para o domínio automotivo. O processo começa com Modelagem de Linguagem Mascarada Iterativa em grandes volumes de textos de requisitos automotivos não rotulados. Essa etapa refina o modelo pré-treinado de propósito geral para capturar terminologia e estruturas sintáticas específicas do domínio.
   • Ajuste Fino Supervisionado: Após a adaptação, o modelo é ajustado finamente em um cenário supervisionado usando textos de requisitos rotulados. Um perceptron multicamadas (MLP) é aplicado ao token [CLS] da saída do transformador para realizar classificação semântica ao nível do documento.
   • Categorização: O modelo atribui cada texto de requisito a uma de quatro categorias: Info, Cabeçalho, Requisito Funcional ou Requisito Não Funcional.

Principais Contribuições

• Esquematização Automatizada: O ReXCL oferece uma abordagem inovadora para automatizar a esquematização de documentos de requisitos semiestruturados, uma tarefa que anteriormente exigia esforço humano significativo.
• Pipeline Integrado: Diferentemente de trabalhos anteriores que abordavam a detecção de cabeçalhos ou a classificação de seções separadamente, o ReXCL fornece um pipeline abrangente que lida tanto com a extração estrutural quanto com a classificação semântica.
• Ajuste Fino Adaptativo: A ferramenta demonstra a eficácia de um processo de treinamento em duas fases (adaptação de domínio seguida de ajuste fino supervisionado) para lidar com tarefas de classificação de baixa recursos no domínio automotivo.
• Interoperabilidade: A saída final é exportável em formatos padrão (CSV, Excel, YAML, JSON) e é compatível com ferramentas de ER padrão da indústria, como IBM DOORS e Jira.

Resultados da Avaliação

• Desempenho de Extração: Em uma avaliação manual envolvendo três especialistas do domínio revisando 445 sentenças, o módulo de extração alcançou uma pontuação média de precisão de 4,45/5. O componente de remoção de cabeçalhos/rodapés alcançou uma precisão média de 96,05%.
• Desempenho de Classificação: Resultados empíricos mostram ganhos substanciais com o ajuste fino adaptativo em comparação com um modelo BERT "vanilla" de base.
  • Pontuações F1 do BERT Vanilla: Variaram entre 0,22 e 0,41 entre as categorias.
  • Pontuações F1 do BERT Ajustado Finamente Adaptativo: Alcançaram 0,99 para Cabeçalho, 0,98 para Info, 0,98 para Requisitos Funcionais e 0,93 para Requisitos Não Funcionais.
  • As melhorias foram particularmente significativas para categorias sub-representadas, como Requisitos Não Funcionais.

Significado e Alegações
O artigo afirma que o ReXCL melhora significativamente a eficiência e a precisão do gerenciamento de requisitos, marcando uma mudança de processos manuais e propensos a erros para fluxos de trabalho automatizados e orientados por dados. Ao reduzir o esforço humano e aumentar a consistência, a ferramenta simplifica a transformação de documentos brutos em dados estruturados e acionáveis. Os autores posicionam o ReXCL como uma solução prática para cenários do mundo real, validada por revisão de especialistas e métricas empíricas.

Trabalho Futuro
Os autores observam que as iterações futuras da ferramenta visam estender o suporte a imagens, tabelas e documentos multimodais, incluindo apresentações e planilhas.