02_02 fertig

Kapitel/01_einleitung.pdf

@@ -1720,8 +1720,8 @@ endobj
 Ò ªÐ¨™
’~Änüfä0¥x#F![½µA+7µu¶‰ö¡%«{ºf³-†¹”ÑÒ»¦
 ‹…m½˜f†¼ë¦¨¬™÷%]àÇ¢Z°ÕIë&5õ~Õ¦nÇø´íîÿÃÝÞ?ýó¯?=ü»ûö_[b,£VÖ±h©ŠÎ“=G7(ÞŒÂÌÄ£‰·€QÑ|6háZÖ?‘&÷Ëî]|Ëã,SœGŠ~·&(×ÛƉŒüû94<39>ä·gß’‘-²ëÌv×É~“¨ŠODŠ9ãSMbÐí\9MS×Е2Åã\i(Á€0ÛIiý¬¨I<C2A8>E¡íUÂ%¶yÌÑþ®fÛü‹ìzÈÙð½¤uŠèïÅ‹u¿ÊŠ€[Žµ*ˆ)ôñûc7lúá+ÚÝ‘Îö°à!Š2;ÿñ3°ø1F™alÀOÓbgGmÏM„ø°#¹(G€ëkÙyì[ñúm¸ìbQš±•ñÕN–nße_a1Ž<>;—‘ºŽë{äÛLA
 SËþ¿W\<5C>{‰WyÐ/\€êÏÀ´°˜¯± »ÌQÑÏÑò÷$´6HU­ÿ"Ç^dÇËŽ›Ñ*¯íõR$¯Å)’d,|ŠôbÛGïBò,¶9KAJ
¸½û2 pÝ‹²OQŠf蕽é›æ„Îvš¶q"ø¢ÀÔôD |<14>
-›ÏòÎ?7TAá‚/šJ¢Y¼"Bs<42>ó芔<C5A0>.—<é†*k¢VÉ¢Z[ÝaTÚ´åð@`ÄÆ1¨ŠˆÐ?š{¹GiÕœ½Wãj;ßäz™®µ†–ÃàåÈæ<>(Ý.^tÆs—*}Üm<C39C>Ѻ|UƆc±Ñ;l-Q¹
+›ÏòÎ?7TAá‚/šJ¢Y¼"Bs<42>ó芔<C5A0>.—<é†*k¢VÉ¢Z[ÝaTÚ´åð@`ÄÆ1¨ŠˆÐ?š{¹GiÕœ½Wãj;ßäz™®µ†–ÃàåÈæ<>(Ý.^tÆs—*}Üm<C39C>Ѻ|UƆc±Ñ;l-Q¹
-7ò{Ù÷(‘ÚPz©Ìb–—:v
åĶx2¾Ä‘iØYµ’MörNÒÀx±£âp…<70>my•”`‘ª8êNW˜óó^æš‹àò,¸Ü¤¬ká,®pe´+Ëð)ncOm*[Ù€Þ–7,/YvwÛdaTQ!Øn~c½{}Åœ'ÈsÁXŠe¡RùÇR*áL}‘ü¿Ìx	’.g;£h«¬Õ<C2AC>³
³´aXT9Iìܪê·˜TŽ²«òàlœ³4Nhí^‚‹_Å¥zHä}:žç÷ŒV>´åÔM«ýñÌržšî• ÜEÕÂo:i¨zUØ%
+7ò{Ù÷(‘ÚPz©Ìb–—:v
åĶx2¾Ä‘iØYµ’MörNÒÀx±£âp…<70>my•”`‘ª8êNW˜óó^æš‹àò,¸Ü¤¬ká,®pe´+Ëð)ncOm*[Ù€Þ–7,/YvwÛdaTQ!Øn~c½{}Åœ'ÈsÁXŠe¡RùÇR*áL}‘ü¿Ìx	’.g;£h«¬Õ<C2AC>³
³´aXT9Iìܪê·˜TŽ²«òàlœ³4Nhí^‚‹_Å¥zHä}:žç÷ŒV>´åÔM«ýñÌržšî• ÜEÕÂo:i¨zUØ%
 "gºÜç
›¬#Ra\û¶¦jPl0ZùbD~¶Ë¢»Œ©‰ÃÔ”|hygrƒ
<01>
ù[aÝÓÿµî
 ;g‰:ºÓµ—PQÈrf&ãúŽy
Ëaµ'LJXôz:¨Ñ¶’ŸV¾k¨º¡×‚F£ÂZtÜõþsñ
 ’°Z·î­öJvyEË4A£Y.½¹9ñ­È{œÎgVÌÀezúˆÛàÃÙûA1ƒ
@@ -1732,7 +1732,7 @@ endobj
 <<
   /Type /Page
   /Resources <<
-    /ProcSet [/PDF /Text /ImageC /ImageB]
+    /ProcSet [/PDF /Text /ImageC /ImageB]
     /ColorSpace <<
       /c0 128 0 R
     >>
@@ -1906,7 +1906,7 @@ trailer
 0000004653 00000 n
 0000004742 00000 n
 0000004827 00000 n
-0000004928 00000 n
+0000004928 00000 n
 0000005020 00000 n
 0000005109 00000 n
 0000005194 00000 n

Kapitel/02_theoretischer_hintergrund/02_02_large_language_models.typ

@@ -228,20 +228,20 @@ _Für diese Arbeit folgt daraus, dass LLM-Ausgaben im Requirements-Kontext nicht
 
 #heading(level: 3)[LLMs im Requirements Engineering: Stand der Forschung]
 
-Aktuelle Arbeiten untersuchen, wie LLMs artefaktnahe Texte erzeugen, umformulieren und strukturieren können, und verschieben den Schwerpunkt damit gegenüber klassischen NLP/IR-Ansätzen mit begrenzten Ausgaben (Labels, Links, Hinweise). Dieser Übergang ist aber Problembehaftet: Einerseits entsteht ein enormes Produktivitätspotential,andererseits steigt das Risiko, dass sprachlich "gute" Texte als Spezifikation akzeptiert werden, obwohl die fachliche Basis unzureichend oder fehlerhaft ist (siehe Haluzinationen) @ji2023hallucination @hemmat2025directions.
+Aktuelle Arbeiten untersuchen, wie LLMs Texte erzeugen, umformulieren und strukturieren können, und verschieben den Schwerpunkt damit gegenüber klassischen NLP/IR-Ansätzen mit begrenzten Ausgaben (Labels, Links, Hinweise) von reinen Analysen der Zusammenhänge hin zu tatsächlicher Fomrulierung von Requirements. Dieser Übergang ist aber nicht ohne Risiken: Einerseits entsteht ein großes Potential, andererseits steigt das Risiko, dass sprachlich "gute" Texte als Spezifikation akzeptiert werden, obwohl die fachliche Basis unzureichend oder fehlerhaft ist (siehe Haluzinationen) @ji2023hallucination @hemmat2025directions.
 
-Eine systematische Übersicht ordnet die LLM-Nutzung im RE dabei entlang klassischer Prozessschritte ein und nennt als wiederkehrende Problemfelder _Qualitätssicherung, Nachvollziehbarkeit und Domänenabhängigkeit_ @hemmat2025directions. Ein weiteres Review zum ChatGPT-Einsatz im Requirements Engineering diskutiert den Einsatz entlang typischer RE-Aktivitäten (Analyse, Spezifikation, Validierung) und hebt als zentrale Herausforderungen inkonsistente Ergebnisse und begrenztes Domänenwissen hervor @marques2024chatgptre.
+Eine systematische Übersicht ordnet die LLM-Nutzung im RE dabei entlang klassischer Prozessschritte ein und nennt als wiederkehrende Problemfelder _Qualitätssicherung, Nachvollziehbarkeit und Domänenabhängigkeit_ @hemmat2025directions. Ein weiteres Review zum LLM-Einsatz im Requirements Engineering diskutiert den Einsatz entlang typischer RE-Aktivitäten (Analyse, Spezifikation, Validierung) und hebt als zentrale Herausforderungen inkonsistente Ergebnisse durch limitierte Kontextgrößen und begrenztes Domänenwissen hervor @marques2024chatgptre.
 
-Dabei lassen sich aktuelle LLM-Arbeiten grob nach Anwendungsfeldern bündeln:
+Dabei lassen sich aktuelle LLM-Arbeiten grob folgenden Themen zusammenfassen:
 
-- *Strukturierung und (Re-)Formulierung von Requirements:* Untersucht wird, wie LLMs naturalsprachliche Anforderungen in strukturiertere Formen überführen können @norheim2024structuring, sowie die automatische Umstrukturierung von Software Requirements Specifications mit dem Ziel, Standardkonformität zu erhöhen @okamoto2025restructuring.
+- *Strukturierung und (Re-)Formulierung von Requirements:* Untersucht wird, wie LLMs natürlichsprachliche Anforderungen in strukturiertere Formen überführen können @norheim2024structuring, sowie die automatische Umstrukturierung von Software Requirements Specifications mit dem Ziel, Standardkonformität zu erhöhen @okamoto2025restructuring.
-- *Qualitätsunterstützung und Defektanalyse:* ChatGPT wurde für die Inkonsistenzdetektion in naturalsprachlichen Requirements evaluiert @fantechi2023inconsistency; weitere Arbeiten untersuchen LLM-gestützte Assistenz zur Verbesserung der Requirements-Vollständigkeit @luitel2024completeness.
+- *Qualitätsunterstützung und Analyse:* ChatGPT wurde für die Inkonsistenzdetektion in naturalsprachlichen Requirements evaluiert @fantechi2023inconsistency; weitere Arbeiten untersuchen LLM-gestützte Assistenz zur Verbesserung der Requirements-Vollständigkeit @luitel2024completeness.
-- *Elicitation und Stakeholder-Perspektiven:* LLMs können zur Generierung wertorientierter User Stories als "Inspirationsimpulse" eingesetzt werden @marczak2023humanvalue. Diese Richtung ist für Reverse Requirements Engineering indirekt relevant, weil sie zeigt, wie LLMs fehlende Stakeholder-Sichten ergänzen können, ohne den Code als Primärbeleg zu ersetzen.
+- *Anforderungserhebung (Elicitation) und Perspektivenwechsel:* LLMs können zur Generierung wertorientierter User Stories als "Inspirationsimpulse" eingesetzt werden @marczak2023humanvalue. Diese Richtung ist für Reverse Requirements Engineering insofern relevant, weil sie zeigt, wie LLMs fehlende Stakeholder-Sichten ergänzen können, ohne den Code als Primärbeleg zu ersetzen.
-- *Domänenspezifische Requirements (Safety/Compliance):* Betrachtet werden LLMs bei der Engineering-Unterstützung von Safety Requirements im Kontext autonomen Fahrens @nouri2024safety sowie für rechtliche Compliance- und Regulationsanalyse @hassani2024legal. Solche Arbeiten verdeutlichen, dass LLMs nicht nur Text umformulieren, sondern auch Wissensstrukturen (Normen, Regeln) operationalisieren sollen; zugleich erhöhen sich die Anforderungen an Belegbarkeit und Haftung.
+- *Domänenspezifische Requirements (Safety/Compliance):* Betrachtet wurden LLMs bei der Engineering-Unterstützung von Safety Requirements im Kontext autonomen Fahrens @nouri2024safety sowie für rechtliche Compliance- und Regulationsanalyse @hassani2024legal. Solche Arbeiten verdeutlichen, dass LLMs nicht nur Text umformulieren, sondern auch regulatorische Anforderugen (Normen, Regeln) einbinden können.
 
-Über die einzelnen Studien hinaus ist der Evidenzstand derzeit heterogen. Viele Arbeiten sind als Workshopbeiträge oder "preliminary evaluations" angelegt, nutzen begrenzte Datensätze und kombinieren automatische Metriken mit Expertenurteilen. Zudem sind Prompting-Strategien, Modellversionen und Kontexteinstellungen häufig nicht vollständig standardisiert, was die Reproduzierbarkeit erschwert @fan2023llmse @hemmat2025directions. Aus Sicht dieser Arbeit folgt daraus eine klare Konsequenz: LLMs sind im Requirements Engineering am stärksten als Assistenzsysteme in einem kontrollierten Prozess, in dem (1) Aussagen mit Belegen verknüpft werden, (2) Unsicherheit explizit markiert wird und (3) fachliche Validierung als definierter Kontrollpunkt erfolgt.
+Insgesamt ist die Studienlage bisher uneinheitlich. Viele Arbeiten sind kurze Workshopbeiträge oder erste Vorstudien mit kleinen Datensätzen, die automatische Messungen mit Experteneinschätzungen mischen. Auch die verwendeten Prompts, Modellversionen und Einstellungen sind selten einheitlich dokumentiert, wodurch sich Ergebnisse schwer wiederholen lassen @fan2023llmse @hemmat2025directions. 
 
-Für Reverse Requirements Engineering lässt sich der Nutzen damit präzisieren: LLMs können Kandidaten-Requirements aus großen Artefaktmengen (Code, Kommentare, UI-Strings, Konfiguration) verdichten und in eine konsistente Spezifikationsform überführen. Die fachliche Belastbarkeit entsteht jedoch erst durch Traceability zu Codebelegen und die Validierung durch Experten, insbesondere bei Safety-, Compliance- und Abrechnungslogik.
+Für Reverse Requirements Engineering lässt sich der Nutzen damit präzisieren: LLMs können Kandidaten-Requirements aus großen Artefaktmengen (Code, Kommentare, UI-Strings, Konfiguration) herauslesen und verdichten und in eine konsistente Spezifikationsform überführen. Die fachliche Belastbarkeit entsteht jedoch erst durch Traceability zu Codebelegen und die Validierung durch Experten, insbesondere bei Safety-, Compliance- und Abrechnungslogik.
 
 #heading(level: 3)[Absicherung: Human-in-the-loop, Belege und Prozesskontrollen]
 
@@ -252,11 +252,11 @@ Die Literatur legt nahe, dass LLMs im Software Engineering dann robust eingesetz
 - *Mehrstufige Validierung:* Automatische Checks (z. B. Linting auf Verbformen, Konsistenzregeln) werden mit Expertenreview kombiniert.
 - *Reproduzierbarkeit:* Versionierung von Promptvorlagen, Modellversionen und Kontextzuschnitten, um Ergebnisse vergleichbar zu machen.
 
-Diese Kontrollen adressieren nicht alle Risiken, reduzieren aber die typischen Fehlerklassen (Halluzination, Überinterpretation, fehlende Konsistenz) und schaffen die Grundlage für eine belastbare Evaluation in Kapitel 6.
+Diese Kontrollen adressieren nicht alle Risiken, reduzieren aber die typischen Fehlerklassen (Halluzination, Überinterpretation, fehlende Konsistenz) und schaffen die Grundlage für eine belastbare Evaluation.
 
 #heading(level: 3)[Qualitätsbewertung und Messgrößen im Requirements-Kontext]
 
-Die Qualität von LLM-Ergebnissen wird in vielen Arbeiten über allgemeine Textmetriken oder Task-spezifische Benchmarks bewertet. Für Requirements-Extraktion aus Code sind solche Metriken nur begrenzt aussagekräftig, weil der zentrale Anspruch nicht „sprachliche Ähnlichkeit", sondern fachliche Korrektheit, Prüfbarkeit und Nachvollziehbarkeit ist @hemmat2025directions @marques2024chatgptre. Eine zweckmäßige Qualitätsbewertung sollte daher an RE-Kriterien anschließen und explizit zwischen drei Ebenen unterscheiden:
+Die Qualität von LLM-Ergebnissen wird in vielen Arbeiten mit allgemeinen Textmetriken oder aufgabenspezifischen Benchmarks bewertet. Für die Requirements-Extraktion aus Code reichen solche Metriken nicht aus, da es hier weniger um sprachliche Ähnlichkeit geht, sondern um fachliche Korrektheit, Prüfbarkeit und Nachvollziehbarkeit @hemmat2025directions @marques2024chatgptre. Eine sinnvolle Bewertung orientiert sich daher an RE-Kriterien und unterscheidet drei Dimensionen:
 
 - *Statement-Qualität:* Ist ein Requirement eindeutig, vollständig im Satzbau, frei von nicht belegten Annahmen und mit Akzeptanzkriterium bzw. Prüfidee versehen?
 - *Set-Qualität:* Ist die Menge der Requirements konsistent, nicht redundant und deckt die relevanten Prozesse und Varianten ab, ohne sich in Detailfällen zu verlieren?