Kapitel 2 draft
This commit is contained in:
144
Perplexity_1_Lab.md
Normal file
144
Perplexity_1_Lab.md
Normal file
@@ -0,0 +1,144 @@
|
||||
<img src="https://r2cdn.perplexity.ai/pplx-full-logo-primary-dark%402x.png" style="height:64px;margin-right:32px"/>
|
||||
|
||||
# Zusammenfassung der angegebenen und weiterer wissenschaftlicher Quellen zum Requirements Engineering (RE) und KI im Softwarekontext
|
||||
|
||||
## Zentrale Erkenntnisse im Überblick
|
||||
|
||||
**Requirements Engineering** im Kontext von künstlicher Intelligenz (KI), insbesondere Machine Learning (ML), ist ein hochdynamisches Forschungsfeld mit wachsender praktischer Relevanz. Die zunehmende Komplexität, Unsicherheit und mangelnde Erklärbarkeit von KI-Systemen stellt das klassische RE vor neue, grundlegende Herausforderungen, etwa bei der Spezifikation, Nachvollziehbarkeit und Validierung von Anforderungen. Die aktuelle Forschung betont deutliche Unterschiede zwischen RE für klassische IT-Systeme und KI-gestützte Lösungen – insbesondere bezüglich ethischer, nicht-funktionaler und datengetriebener Aspekte. Fortschrittliche Ansätze kombinieren klassische RE-Techniken mit KI-gestützten Tools, Natural Language Processing und explizit auf ML zugeschnittenen Frameworks. Dennoch bestehen weiterhin erhebliche offene Forschungsfragen und Validierungsbedarf, insbesondere in industriellen Kontexten.[^1][^2][^3][^4][^5][^6]
|
||||
|
||||
***
|
||||
|
||||
## 1. Zusammenfassung: Verwendete Literatur in der Masterarbeit
|
||||
|
||||
Die Literaturbasis Ihrer Masterarbeit erstreckt sich über Schlüsselquellen zu klassischen und KI-gestützten RE-Methoden. Dazu gehören:[^7]
|
||||
|
||||
- **Handbuch- und Überblickswerke** (z.B. „The Encyclopedia of Human-Computer Interaction“): Sie bieten eine Einführung in grundlegende RE-Prinzipien, gängige Methoden sowie Best Practices in der Anforderungserhebung, -spezifikation und -validierung bei klassischer Softwareentwicklung.
|
||||
- **Aktuelle arXiv-Preprints und Konferenzartikel**: Sie diskutieren neueste Forschungsfragen, insbesondere zum Einsatz von LLMs (Large Language Models) für das Reverse Requirements Engineering bei Legacy-Software und zeigen, wie KI-basierte Analyse das RE fundamental verändert.[^8]
|
||||
- **Literatur zu Stakeholder-Integration und Traceability**: Diese Beiträge thematisieren die Herausforderung, implizites und Expertenwissen aus Legacy-Systemen systematisch zu dokumentieren sowie die Rückverfolgbarkeit von Anforderungen zu gewährleisten.
|
||||
|
||||
Die genannten Quellen repräsentieren den State-of-the-Art und bilden die methodologische sowie inhaltliche Grundlage, um klassische RE-Verfahren mit KI-zentrierten Ansätzen zu verknüpfen.[^7][^8]
|
||||
|
||||
***
|
||||
|
||||
## 2. Stand der Forschung: Requirements Engineering und KI
|
||||
|
||||
### 2.1 Systematische Übersichtsarbeiten \& Forschungsüberblick
|
||||
|
||||
Aktuelle Mapping- und Tertiärstudien analysieren die Entwicklung, Herausforderungen und Trends von RE im KI-Kontext:
|
||||
|
||||
- **Habiba et al. (2024)**:[^2]
|
||||
Die systematische Mapping-Studie basiert auf 126 Arbeiten (2010-2023) und identifiziert, dass die Forschungsaktivitäten insbesondere bei der Anforderungsanalyse und -erhebung liegen. Spezifische Herausforderungen sind die mangelnde Spezifizierbarkeit, Erklärbarkeit, Unsicherheiten im Systemverhalten und die Integration ethischer wie rechtlicher Anforderungen. Die Autoren schlagen explizit neue RE-Praktiken für KI/ML-Systeme vor und fordern Validierungsmethoden, um nicht-funktionale Anforderungen wie Fairness, Transparenz und Sicherheit berücksichtigen zu können.
|
||||
- **Martins et al. (2025) – Journal of Software Engineering Research and Development**:[^3]
|
||||
Diese Tertiärstudie synthetisiert Sekundärstudien zum RE für ML-basierte Systeme. Sie stellt fest, dass zwar zahlreiche Methoden zur Anforderungserhebung, -analyse, -spezifikation und -validierung existieren, jedoch vor allem die nicht-funktionalen Anforderungen, Stakeholder-Kollaboration und die Forschung in industriellen Umgebungen weiterhin große Herausforderungen darstellen.
|
||||
- **Mehraj et al. (2024) – REFSQ Konferenz**:[^9][^10]
|
||||
Die Autoren analysieren in ihrer Tertiärstudie 28 Sekundärarbeiten (2017–2023) und beobachten eine Zunahme von LLM-basierten Werkzeugen im RE und eine Tendenz, NLP mit ML-Ansätzen (z.B. LDA, Naive Bayes) zu kombinieren. Sie sehen jedoch weiterhin zentrale Herausforderungen bei Ambiguität, Sprachverarbeitung, Datenqualität, Algorithmen und Evaluation.
|
||||
|
||||
|
||||
### 2.2 Aktuelle Anwendung und industrielle Perspektiven
|
||||
|
||||
- In der industriellen Praxis kommt der Einsatz von KI vor allem als **kollaborativer Partner** („Human-AI Collaboration“, HAIC) zum Tragen, wobei rein automatisierte RE-Prozesse noch kritisch gesehen werden. KI unterstützt dabei vor allem Analyse, Priorisierung und Validierung, während die vollständige Automatisierung wegen Unsicherheiten, Compliance und fehlendem Domänenwissen auf Skepsis stößt.[^4][^11]
|
||||
- Studien belegen, dass durch den Einsatz von KI-Tools in der Anforderungsphase Fehlerquoten um 20–30% und Projektlaufzeiten um bis zu 20% reduziert werden können, sofern Stakeholder frühzeitig und kontinuierlich eingebunden werden.[^1]
|
||||
|
||||
***
|
||||
|
||||
## 3. Schwerpunkte \& Herausforderungen im KI-zentrierten Requirements Engineering
|
||||
|
||||
### 3.1 Neue Formen und Qualitäten von Anforderungen
|
||||
|
||||
- **Erklärbarkeit (Explainability):** KI-Systeme erfordern nachvollziehbare Entscheidungen und teilweise personalisierte Erklärungen für verschiedene Stakeholder – ein Aspekt, der in klassischen RE-Methoden kaum ausgeprägt ist.[^2][^3]
|
||||
- **Nicht-funktionale Anforderungen:** Fairness, Transparenz, Datenschutz und Sicherheit werden zu zentralen Qualitätsmerkmalen – ihre Spezifikation ist aber unscharf und schwer zu prüfen.[^12][^2]
|
||||
- **Datenqualität und -management:** ML-Systeme benötigen Anforderungen an Trainings-, Validierungs- und Betriebsdaten – ein Aspekt, der systematisch erst in neueren RE-Methodiken verankert ist.[^12][^2]
|
||||
|
||||
|
||||
### 3.2 Menschliche und organisatorische Faktoren
|
||||
|
||||
- **Gap zwischen ML-Entwicklern und Fachanwendern:** Fehlendes gemeinsames Vokabular und Wissensaustausch führen zu Kommunikationsproblemen und erhöhen die Gefahr für fehlerhafte, wenig akzeptierte Systeme. Die Forschung fordert kollaborative, multidisziplinäre Ansätze.[^4][^2]
|
||||
- **Stakeholder-Integration:** Die Einbindung von Stakeholdern in iterativen, flexiblen Prozessen (z.B. durch Interviews und Workshops) gewinnt im Vergleich zu Wasserfallmodellen deutlich an Bedeutung.[^3][^2][^12]
|
||||
|
||||
|
||||
### 3.3 Neue Methoden, Tools \& Frameworks
|
||||
|
||||
- **LLMs und Prompt Engineering:** Neue Ansätze integrieren LLMs zur automatischen Extraktion und Analyse von Anforderungen. Genannt werden Prompt-Strategien, Evidence-based Guidelines und hybride Validierungsansätze (menschlich/automatisiert), um die Zuverlässigkeit von LLM-unterstützten RE-Prozessen zu steigern.[^6]
|
||||
- **Frameworks wie LangChain und RAG:** Sie dienen zur Orchestrierung von modularen, sicheren KI-Workflows vor allem im Bereich der dynamischen Datumseinbindung und komplexen Validierung.[^6]
|
||||
|
||||
***
|
||||
|
||||
## 4. Aktuelle Herausforderungen und Forschungsbedarf
|
||||
|
||||
- **Empirische Validierung:** Es fehlen groß angelegte Feldstudien und Benchmark-Datensätze, um die Wirksamkeit neuer RE-Methoden und KI-Tools unabhängig und reproduzierbar zu validieren.[^2][^6]
|
||||
- **Automatisierte und hybride Evaluationspipelines:** Bedingt durch die Limitationen von LLMs (Halluzinationen, Domänenwissen, Output-Qualität) ist eine stärkere Integration menschlicher Plausibilitätsprüfungen notwendig.[^6]
|
||||
- **Regulatorik und Ethik:** Zunehmende Regularien (z.B. ISO/IEC 42001) und gesellschaftliche Erwartungen verlangen die Integration von Compliance-, Ethik- und Nachhaltigkeitsaspekten bereits ab der Anforderungsphase.[^12][^2]
|
||||
|
||||
***
|
||||
|
||||
## 5. Literaturhinweise / Wichtigste Quellen (Beispiele)
|
||||
|
||||
1. https://ijasce.org/index.php/IJASCE/article/view/152
|
||||
2. https://www.interaction-design.org/literature/book/the-encyclopedia-of-human-computer-interaction-2nd-ed/requirements-engineering
|
||||
3. https://www.medienstuermer.de/blog/requirements-engineering-2024-moderne-ansaetze-fuer-komplexe-it-projekte/[^1]
|
||||
4. Habiba, U.-e., Haug, M., Bogner, J., \& Wagner, S. (2024): How mature is requirements engineering for AI-based systems? *Requirements Engineering*. https://doi.org/10.1007/s00766-024-00432-3[^13][^2]
|
||||
5. Martins, M.C. et al. (2025): Requirements Engineering for Machine Learning-Based AI Systems: A Tertiary Study. *Journal of Software Engineering Research and Development*, 13(2). https://doi.org/10.5753/jserd.2025.4892[^3]
|
||||
6. https://www.serview.de/detail/requirements-engineering-in-der-ki-welt-worauf-es-ankommt[^12]
|
||||
7. Lekshmi Murali Rani, R.B. Svensson, R. Feldt (2025): AI for Requirements Engineering: Industry adoption and Practitioner perspectives. arXiv:2511.01324[^11][^4]
|
||||
8. https://www.sciencedirect.com/science/article/abs/pii/S0950584923000307[^5]
|
||||
9. https://2024.refsq.org/details/refsq-2024-papers/9/A-tertiary-study-on-AI-for-Requirements-Engineering[^9]
|
||||
10. https://researchportal.tuni.fi/en/publications/a-tertiary-study-onai-forrequirements-engineering/[^10]
|
||||
11. Ebrahim, M. et al. (2025): Enhancing Software Requirements Engineering with Language Models and Prompting Techniques. Proceedings of ACL SRW 2025, 486–496. https://aclanthology.org/2025.acl-srw.31.pdf[^6]
|
||||
|
||||
***
|
||||
|
||||
## Fazit
|
||||
|
||||
**Requirements Engineering im Zeitalter der KI** ist kein evolutionäres Randthema, sondern verlangt einen Paradigmenwechsel in Methodik, Stakeholder-Einbindung und Tooling. Künftig müssen Ethik, Erklärbarkeit, Daten- und Modellqualität sowie regulatorische Anforderungen systematisch von Beginn an in den RE-Prozess integriert werden. Kollaborative, Mensch-zentrierte Prozesse, hybride Prompting-Strategien und empirisch validierte Frameworks werden für die erfolgreiche Entwicklung zukunftsfähiger Softwarelösungen mit KI immer wichtiger.[^4][^2][^3][^6]
|
||||
|
||||
***
|
||||
|
||||
Bei Bedarf können weitere ausgewählte Literaturquellen oder Fachartikel zu spezifischen Teilaspekten (z.B. Prompt Engineering, Explainability, Compliance) ergänzt werden.
|
||||
<span style="display:none">[^14][^15][^16][^17][^18][^19][^20][^21][^22]</span>
|
||||
|
||||
<div align="center">⁂</div>
|
||||
|
||||
[^1]: https://www.medienstuermer.de/blog/requirements-engineering-2024-moderne-ansaetze-fuer-komplexe-it-projekte/
|
||||
|
||||
[^2]: https://mediatum.ub.tum.de/doc/1760059/6csttge2qwhb788cspl40xrvu.umm2024a.pdf
|
||||
|
||||
[^3]: https://journals-sol.sbc.org.br/index.php/jserd/article/view/4892
|
||||
|
||||
[^4]: https://arxiv.org/pdf/2511.01324.pdf
|
||||
|
||||
[^5]: https://www.sciencedirect.com/science/article/abs/pii/S0950584923000307
|
||||
|
||||
[^6]: https://aclanthology.org/2025.acl-srw.31.pdf
|
||||
|
||||
[^7]: Quellen.md
|
||||
|
||||
[^8]: Masterarbeit_draft.pdf
|
||||
|
||||
[^9]: https://2024.refsq.org/details/refsq-2024-papers/9/A-tertiary-study-on-AI-for-Requirements-Engineering
|
||||
|
||||
[^10]: https://researchportal.tuni.fi/en/publications/a-tertiary-study-onai-forrequirements-engineering/
|
||||
|
||||
[^11]: https://arxiv.org/abs/2511.01324
|
||||
|
||||
[^12]: https://www.serview.de/detail/requirements-engineering-in-der-ki-welt-worauf-es-ankommt
|
||||
|
||||
[^13]: https://elib.uni-stuttgart.de/items/16f684d7-ee74-4321-aa95-f0c56e27c60c
|
||||
|
||||
[^14]: https://www.fortiss.org/forschung/kompetenzfelder/detail/requirements-engineering
|
||||
|
||||
[^15]: https://app.ch/blog/richtlinien-fuer-effektives-ki-prompting-im-requirements-engineering
|
||||
|
||||
[^16]: https://onlinelibrary.wiley.com/doi/10.1002/spe.70029?af=R
|
||||
|
||||
[^17]: https://www.se-trends.de/2024-ki-umfrage/
|
||||
|
||||
[^18]: https://www.adesso.de/de/news/blog/requirements-engineering-fuer-ki-projekte-anforderungen-an-die-summarization-aufnehmen.jsp
|
||||
|
||||
[^19]: https://dl.acm.org/doi/10.1145/3701625.3701686
|
||||
|
||||
[^20]: https://www.arbeitswissenschaft.net/angebote-produkte/publikationen/veroeffentlichungen-2024
|
||||
|
||||
[^21]: https://ieeexplore.ieee.org/document/10877072/
|
||||
|
||||
[^22]: https://entwickler.de/digitale-transformation/die-anwendung-von-ki-im-requirements-engineering
|
||||
|
||||
Reference in New Issue
Block a user