技术摘要：协作式与 AI 支持的需求获取

问题陈述

需求获取是软件开发中的一个关键阶段，涉及识别、协商和记录利益相关者的需求。这一过程经常受到协调挑战、语言歧义以及将非正式讨论转化为正式规范之难度的阻碍。虽然协作平台促进了利益相关者的互动，且大语言模型（LLMs）提供了文本生成与综合的能力，但目前关于 AI 支持的协作环境如何影响需求制品质量的实证证据仍然有限。具体而言，如何利用生成式 AI 将协作生成的知识有效地转化为结构化的需求文档，以及这种混合方法与传统的协作式需求获取或直接基于 LLM 的生成方法相比表现如何，目前尚不明确。

研究方法

作者进行了一项混合方法受控实验（准实验），旨在调查 AI 支持的协作对需求获取的影响。研究使用了一个单一的虚构问题场景：一个需要管理会议室和实验室预约的组织，该组织目前正受困于手动流程、调度冲突以及缺乏可追溯性的问题。

实验条件

研究对比了四种不同的需求获取方法：

1. 条件 A（无 AI 的协作）： 参与者使用受联合应用开发（JAD）和名义小组技术（NGT）启发的技巧，在没有 AI 辅助的情况下手动获取并记录需求。
2. 条件 B（有 AI 的协作）： 参与者使用 Strateegia 平台，这是一个旨在引导讨论和决策的结构化协作环境。最终的需求制品由平台的 Writer applet 自动生成，该组件利用 GPT-4.1 和 GPT-4.1 Mini 来综合参与者的贡献。
3. 条件 C（仅限 LLM）： LLM 直接根据问题场景描述生成需求制品，无需任何利益相关者的互动或协作讨论。
4. 条件 D（讨论转录文本 + LLM）： 将条件 A 中产生的讨论转录文本提供给 LLM，然后由 LLM 基于纯粹的协作对话生成需求制品。

参与者与数据收集

研究涉及六名技术专业人员，分为两个协作组（组 A 和组 B），分别代表产品负责人（Product Owner）、测试工程师（QA）和开发人员角色。两名独立的需求工程（RE）专家担任评估员。

• 制品评估： 两名 RE 专家根据源自 ISO/IEC/IEEE 29148 的质量标准（包括完整性、清晰度、一致性、无歧义性、详细程度、可追溯性和整体质量）对四个生成的需求文档进行了评估。
• 过程评估： 协作条件下的参与者（条件 A 和 B）完成了关于过程清晰度、执行易用性、协作流、认知努力和工具充分性的后测问卷。
• 定性数据： 研究人员的观察结果和开放式回答被用于对定量发现进行背景化分析。

核心贡献

本文做出了四个主要贡献：

1. 对协作式、AI 支持式和基于 LLM 的需求获取方法进行了实证比较。
2. 评估了生成式 AI 在将利益相关者讨论转化为需求制品方面的机制。
3. 提供了关于参与者对 AI 支持的协作式需求获取感知的证据。
4. 对在需求工程中采用协作平台和生成式 AI 提供了启示。

结果

制品质量

评估显示了四种条件之间明显的性能差异：

• 条件 A（人工协作）： 在所有维度上得分均最低（整体质量：2.5/5.0）。虽然参与者识别出了相关的需求，但将讨论手动转化为结构化文档的过程被证明具有挑战性，导致在清晰度和可追溯性方面得分较低。
• 条件 C（直接 LLM）： 生成了获得正面评价的制品（整体质量：3.5/5.0），在所有维度上都优于人工方法。这表明 LLM 能够仅从问题描述中生成连贯的初始需求。
• 条件 B（Strateegia + AI）与 条件 D（转录文本 + LLM）： 这两种方法产出的制品评分最高。
  • 条件 B 实现了 4.0/5.0 的整体质量，在清晰度和可追溯性方面较条件 A 有显著提升。
  • 条件 D 在**完整性（5.0）和详细程度（3.5）**方面获得了最高分，并在清晰度、一致性和整体质量方面也获得了最高或并列最高的评分。
• 关键洞察： “人类协作后接 AI 综合”（条件 B 和 D）的组合产生了比纯人工或纯 AI 方法更优越的结果。条件 D 高的完整性表明，AI 能显著受益于协作讨论中所提供的丰富上下文、逻辑依据和多样化视角。

参与者感知

AI 支持的协作条件下的参与者（条件 B）报告：

• 更高的过程清晰度： 得分从 3.3（条件 A）增加到 5.0（条件 B）。
• 更易于执行： 得分从 4.3 增加到 5.0。
• 工具充分性： 两种条件都被高度评价（5.0 和 4.7），表明引入 AI 并未对感知的工具适用性产生负面影响。
• 认知努力： 未观察到实质性差异（3.0 vs 3.3），表明虽然 AI 支持的过程被认为更清晰，但并未显著降低需求获取所需的脑力劳动。

重要性与主张

本文主张，生成式 AI 可以有效地支持将协作生成的知识转化为结构化的需求文档，同时保留利益相关者参与的价值。

作者强调：

• AI 是综合者，而非替代者： 最好的结果是在使用 AI 来整合通过利益相关者协作生成的信息时获得的。这表明，在此背景下，AI 的主要价值在于组织、综合和记录人类的贡献，而不是取代利益相关者本身。
• 互补角色： 利益相关者提供领域知识、上下文和协商结果，而 AI 提供综合与结构化组织。人工或 AI 单独的方法都无法产生最高质量的制品。
• 流程改进： 由 AI 支持的平台所提供的结构化工作流使需求获取过程更加清晰且易于执行，有助于团队更系统地管理贡献。

研究结论认为，将利益相关者协作与 AI 支持的综合相结合，是产生更完整、更清晰且更一致的需求制品的极具前景的方法。然而，作者对研究的普适性保持了审慎态度，指出该研究具有探索性质，参与者规模有限，且依赖于单一场景。他们建议未来的工作应涉及更大规模的人群、工业环境以及在整个需求生命周期中更广泛的 AI 支持。