[论文解读] Generative AI for Requirements Engineering: A Systematic Literature Review

Haowei Cheng, Jati H. Husen+5 more|arXiv (Cornell University)|Sep 10, 2024

Big Data and Business Intelligence被引用 5

一句话总结

对27项关于需求工程中生成式AI的系统性文献综述（SLR）的分析，强调聚焦于获取/分析阶段、GPT时代的主导地位，以及在领域特异性、可解释性和伦理方面的持续挑战。

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.

研究动机与目标

• 评估 GenAI 在需求工程（RE）中的应用现状。
• 识别 GenAI-用于RE 研究的趋势、发表渠道和地理分布。
• 编目 GenAI-用于RE 的主要方法、模型和技术。
• 评估现有 GenAI-用于RE 研究的质量和局限性。
• 提出未来研究方向以及在需求工程实践中负责任的AI整合。

提出的方法

• 遵循 ISO/IEC/IEEE 29148:2018 对RE流程的对齐的系统性文献综述。
• 以 Scopus 作为主要检索来源，并扩展至 ArXiv 和 Google Scholar。
• 纳入标准：与 RE 中的 GenAI 相关的同行评审英文出版物（2019–2024）；排除：非同行评审、无关、重复、灰色文献。
• 筛选了42篇论文；纳入27项初级研究，三名研究者独立筛选。
• 数据提取与综合聚焦于RE阶段、GenAI模型/技术，以及实现/采纳挑战。
• 讨论 GenAI-for-RE 的未来方向、伦理考量，以及人机协作。

实验结果

研究问题

• RQ1 RQ1：将 GenAI 应用于 RE 的当前研究趋势是什么（发表渠道、时间线、地理分布）？
• RQ2 RQ2：GenAI 在 RE 中使用的主要方法和技术有哪些（模型、提示工程、微调、工作流）？
• RQ3 RQ3：当前 GenAI-for-RE 研究的质量如何评估（方法学、目标、严谨性）？
• RQ4 RQ4：将 GenAI 应用于 RE 的主要挑战与未来方向有哪些（技术、伦理、实践维度）？

主要发现

• 研究主要集中在需求获取阶段的早期阶段，尤其是获取和分析。
• 大型语言模型，尤其是 GPT 系列，在 GenAI-for-RE 领域处于主导地位。
• 在领域特异性应用、可解释性以及AI生成输出的可靠性方面仍然存在挑战。
• 伦理、安全、隐私与偏见等问题是 RE 中 GenAI 的反复挑战。
• 人们呼吁建立全面的评估框架和改进的人机协作模型。