[논문 리뷰] Generative AI for Requirements Engineering: A Systematic Literature Review

Haowei Cheng, Jati H. Husen외 5명|arXiv (Cornell University)|2024. 09. 10.

Big Data and Business Intelligence인용 수 5

한 줄 요약

생성형 AI를 요구공학(RE) 분야에 적용한 27건의 주요 연구를 체계적으로 분석하여, 요구 도출/분석 단계에 초점이 맞춰져 있고, GPT 시대의 지배적 흐름이 나타나며, 도메인 특이성, 해석 가능성, 윤리 문제 등 지속적인 과제가 남아 있음을 강조합니다.

ABSTRACT

Introduction: Requirements engineering faces challenges due to the handling of increasingly complex software systems. These challenges can be addressed using generative AI. Given that GenAI based RE has not been systematically analyzed in detail, this review examines related research, focusing on trends, methodologies, challenges, and future directions. Methods: A systematic methodology for paper selection, data extraction, and feature analysis is used to comprehensively review 238 articles published from 2019 to 2025 and available from major academic databases. Results: Generative pretrained transformer models dominate current applications (67.3%), but research remains unevenly distributed across RE phases, with analysis (30.0%) and elicitation (22.1%) receiving the most attention, and management (6.8%) underexplored. Three core challenges: reproducibility (66.8%), hallucinations (63.4%), and interpretability (57.1%) form a tightly interlinked triad affecting trust and consistency. Strong correlations (35% cooccurrence) indicate these challenges must be addressed holistically. Industrial adoption remains nascent, with over 90% of studies corresponding to early stage development and only 1.3% reaching production level integration. Conclusions: Evaluation practices show maturity gaps, limited tool and dataset availability, and fragmented benchmarking approaches. Despite the transformative potential of GenAI based RE, several barriers hinder practical adoption. The strong correlations among core challenges demand specialized architectures targeting interdependencies rather than isolated solutions. The limited deployment reflects systemic bottlenecks in generalizability, data quality, and scalable evaluation methods. Successful adoption requires coordinated development across technical robustness, methodological maturity, and governance integration.

연구 동기 및 목표

• GenAI 응용의 현재 상태를 RE에서 평가한다.
• GenAI-for-RE 연구의 연구 경향, 발표 장소, 지리적 분포를 파악한다.
• GenAI-for-RE에서 사용되는 주된 방법, 모델, 기술을 분류한다.
• 기존 GenAI-for-RE 연구의 질과 한계를 평가한다.
• RE 관행에서 책임 있는 AI 통합 및 향후 연구 방향을 제안한다.

제안 방법

• RE 프로세스에 대한 ISO/IEC/IEEE 29148:2018 정렬에 따른 체계적 문헌고찰.
• 주 검색 소스로 Scopus를 사용하고, ArXiv 및 Google Scholar로 확장한다.
• 포함 기준: GenAI가 관련된 영어 논문(2019–2024) 및 동료심사를 받은 논문; 제외 기준: 비동료심사 논문, 무관한 논문, 중복, 회색 문헌.
• 독립적으로 3명의 연구자가 스크리닝한 채 42편의 논문을 선별, 27건의 1차 연구 포함.
• 데이터 추출 및 합성은 RE 단계, GenAI 모델/기법, 구현/도입 과제를 중점으로 다룬다.
• GenAI-for-RE의 향후 방향, 윤리적 고려사항, 인간–AI 협업에 대해 논의한다.

실험 결과

연구 질문

• RQ1 RQ1: GenAI를 RE에 적용하는 현재의 연구 경향은 무엇인가(발표 장소, 타임라인, 지리적 분포)?
• RQ2 RQ2: RE를 위한 GenAI에서 사용되는 주요 접근법과 기법은 무엇인가(모델, 프롬프트 엔지니어링, 파인튜닝, 워크플로우)?
• RQ3 RQ3: 현재 GenAI-for-RE 연구의 질은 어떻게 평가되는가(방법론, 목표, 엄격성)?
• RQ4 RQ4: RE에 GenAI를 적용하는 주요 도전과제와 향후 방향은 무엇인가(기술적, 윤리적, 실무적 차원)?

주요 결과

• 초점은 초기 RE 단계의 도출 및 분석에 대해 선호된다.
• 대형 언어 모델, 특히 GPT-시리즈가 GenAI-for-RE 현장을 지배한다.
• 도메인 특화된 적용, 해석 가능성, AI 생성 출력의 신뢰성에 여전히 도전이 남아 있다.
• 윤리, 보안, 프라이버시 및 편향 문제는 RE의 GenAI에서 반복적으로 직면하는 과제이다.
• 포괄적인 평가 프레임워크와 향상된 인간–AI 협업 모델에 대한 요구가 있다.