DeeperMatcher: extração automática de requisitos a partir de avaliações de usuários usando LLM

• Processo: 24/00957-8
• Modalidade de apoio: Bolsas no Brasil - Iniciação Científica
• Data de Início da vigência: 01 de abril de 2024
• Data de Término da vigência: 31 de dezembro de 2024
• Área de conhecimento: Ciências Exatas e da Terra - Ciência da Computação - Metodologia e Técnicas da Computação
• Pesquisador responsável: Paulo Roberto Miranda Meirelles
• Beneficiário: Arthur Pilone Maia da Silva
• Instituição Sede: Instituto de Matemática e Estatística (IME). Universidade de São Paulo (USP). São Paulo , SP, Brasil
• Assunto(s): Processamento de linguagem natural Engenharia de software
• Palavra(s)-Chave do Pesquisador: Empirical research method | Free | Large Language Models | ML-enabled system | natural language processing | Open-Source Software | Requirements Engineering | Engenharia de Software

Resumo

Um dos desafios mais complexos para garantir a qualidade do software é assegurar a convergência entre as visões dos desenvolvedores e dos usuários. A Engenharia de Requisitos estuda como isso pode ser alcançado, investigando como os requisitos de software podem ser coletados e mantidos. No entanto, ainda não está claro como as equipes de desenvolvimento podem tirar proveito das grandes quantidades de dados de usuários encontrados em várias redes sociais, avaliações em lojas de aplicativos e canais de suporte. Neste estudo, temos como objetivo desenvolver e investigar empiricamente uma ferramenta baseada em Aprendizado de Máquina chamada DeeperMatcher, projetada para equipes ágeis de desenvolvimento de software utilizarem a Engenharia de Requisitos baseada em crowdsourcing (CrowdRE) para auxiliar na gestão de seus problemas e tarefas. A pesquisa desdobra-se em três objetivos: (I) desenvolver um sistema de Aprendizado de Máquina confiável, sustentável e organizado; (II) aproveitar avanços em processamento de linguagem natural para fornecer uma abordagem para o CrowdRE; e (III) aplicar métodos de pesquisa empírica para validação do sistema. Metodologicamente, incorporaremos um experimento de mecanismo de caso único com um conjunto de dados do mundo real de um projeto específico desenvolvido por nosso grupo de pesquisa e estudos de caso observacionais de diferentes projetos. Nosso plano de execução compreende duas fases, a primeira enfatizando o desenvolvimento e validação da ferramenta, e a segunda dedicada a testes extensivos e análises aprofundadas. Entre os resultados esperados, destacamos um sistema bem estruturado com inteligência artificial, contribuições significativas para a engenharia de software e requisitos, e percepções valiosas sobre o cenário em evolução do aprendizado de máquina no desenvolvimento de software.