# Lies die anghängten Dateien. Diese sind teil meiner Masterarbeit. ERstelle jetzt under disem Kontext eine Zusammenfassung der angegebenen Quellen. Suche danach nach weiteren aktuellen Quellen die mit den Themen (Requirements Engineering für Software und im zusammenhang mit Ki) stehen. ERstelle mir auch hier eine Zusammenfassung der Artikel die du gefdunen hast.
Wichtig!! Es geht hier um wissenschaftliches Arbeiten. Konzentriere dich auf wissenschaftliche Artikel und Quellen. Und bitte gib auch die Quellen immer mit an
ERstelle mir einen ausführlichen Report
Ich habe die angehängten Dateien analysiert und mehrere aktuelle wissenschaftliche Quellen zu Requirements Engineering und KI gefunden. Die Masterarbeit befasst sich mit "KI-gestütztem Reverse Requirements Engineering bei Legacy-Software" mit Fokus auf die c-entron GmbH.
Die Informationen sind primär textlich und konzeptionell, sodass eine tabellarische Zusammenfassung der Quellen und deren Relevanz sinnvoll ist.
# Wissenschaftliche Quellenanalyse: Requirements Engineering und KI-gestützte Systeme
## Zusammenfassung der bestehenden Quellen aus Ihren Dateien
Basierend auf der Analyse Ihrer Masterarbeitsdateien haben Sie bereits folgende Kernquellen identifiziert:
### 1. **Requirements Engineering Fundamentals**
Die Encyclopedia of Human-Computer Interaction (HCI) bietet eine grundlegende Ressource zu Requirements Engineering als strukturierte Disziplin. Dieses Werk behandelt klassische RE-Prozesse, Elicitierungstechniken und Best Practices, die als theoretische Grundlage für Ihre Arbeit essentiell sind.[^1]
### 2. **Reverse Engineering und Legacy-Systeme**
Die International Journal of Advances in Software and Computer Engineering (IJASCE) enthält Forschungen zu automatisierten Ansätzen bei der Anforderungsextraktion aus bestehenden Systemen. Dies bildet die direkte Schnittmenge zwischen klassischer RE und modernen Herausforderungen bei Legacy-Software-Migration.[^2]
### 3. **LLM-Anwendungen im Software Engineering**
Die arXiv-Publikationen (2308.10620 und 2312.15223) adressieren spezifisch die Rolle von Large Language Models in Requirements Engineering-Aufgaben sowie deren Potenzial für Code-Analyse und -Verständnis. Diese Quellen sind fundamental für den KI-Anteil Ihrer Forschungsfragen.[^3][^4]
### 4. **Formale Methoden mit KI**
Die King's College London Veröffentlichung behandelt die Kombination von formalen Methoden mit LLMs, was für die Qualitätssicherung extrahierter Requirements relevant ist.[^5]
***
## Neue aktuelle wissenschaftliche Quellen (2023-2025)
### **A. Systematische Literaturreviews zu LLMs und Requirements Engineering**
#### 1. **Zadenoori et al. (2025): "Large Language Models (LLMs) for Requirements Engineering (RE): A Systematic Literature Review"**[^6]
**Relevanz für Ihre Masterarbeit: Sehr hoch**
Diese aktuellste Systematische Literaturübersicht analysiert 74 Primärstudien aus den Jahren 2023-2024 und bietet eine umfassende Kategorisierung von LLM-Anwendungen in RE:
- **Wichtige Erkenntnisse:**
- Shift in der Forschung von klassischer Defekt-Detektion hin zu Anforderungselicitation und -validierung
- Majority nutzt GPT-basierte Modelle mit Zero-Shot oder Few-Shot Prompting
- Begrenzte Einsatzgebiete in realen Industrieumgebungen; meist kontrollierte Umgebungen
- Neuartige Aufgaben wie Testgenerierung und Integration von RE mit anderen SE-Disziplinen werden zunehmend erforscht
- **Messgrößen und Evaluationskriterien:**
- Recall, Precision, F1-Score sind Standardmetriken
- Limitierte Integration in komplexen Workflows
- Hauptartefakte: Anforderungsspezifikationen, aber zunehmend auch Tickets aus Issue-Tracking-Systemen, Vorschriften und technische Dokumentation
**Direkter Nutzen für Ihr Projekt:** Diese Quelle gibt einen wissenschaftlichen Überblick über State-of-the-Art, hilft bei der Positionierung Ihrer Fallstudie innerhalb der RE+LLM-Forschungslandschaft.
#### 2. **Norheim et al. (2024): "Challenges in applying large language models to requirements engineering tasks"**[^7]
**Relevanz für Ihre Masterarbeit: Sehr hoch**
Diese Peer-Reviewed Publication (MIT, RWTH Aachen) liefert kritische Herausforderungsanalyse für LLM-Anwendungen in RE:
- **Klassifizierung von RE-Aufgaben aus LLM-Perspektive:**
- **Generation:** Neue Requirements aus Eingabetext generieren
- **Qualitätsbewertung:** Ambiguitäten, Konsistenz, Vollständigkeit prüfen
- **Analyse:** Requirement-Klassifizierung, Traceability-Detektion, Named Entity Recognition (NER)
- **Translation:** Requirements in formale/semi-formale Sprachen übersetzen
- **Design:** Design-Artefakte basierend auf Requirements generieren (emergent)
- **Identifizierte Herausforderungen:**
- **Begrenzte Daten:** Öffentliche Requirement-Datasets sind knapp (PURE: 79 Dokumente, PROMISE: 625 Anforderungen). Hardware-Requirements unterrepräsentiert.
- **Inkonsistente Annotation:** Unterschiedliche Standards für Requirements-Notation
- **Inadequate Use-Cases:** Viele Studien demonstrieren Technologie statt echte Problemlösung
- **Skalierungsprobleme:** Kontextfenster von LLMs limitieren Verarbeitung großer Legacy-Codebasen
- **Evaluation und Metriken:**
- F1-Score allein unzureichend zur Messung von praktischem RE-Nutzen
- Notwendigkeit für RE-spezifische Evaluationsmetriken, nicht nur NLP-Metriken
**Direkter Nutzen:** Diese Quelle hilft bei der Definition realistischer Evaluationskriterien für Ihre Fallstudie, warnt vor häufigen Fallstricken.
#### 3. **Núñez et al. (2024): "Machine Learning-Enhanced Requirements Engineering: A Systematic Literature Review"**[^8]
**Relevanz für Ihre Masterarbeit: Hoch**
Diese SLR (ENASE 2024 Conference) analysiert 74 Studien zur ML-Anwendung in RE (2012-2023):
- **ML-Strategien in RE:**
- **Klassifikation (71.6% der Papers):** Supervised Learning dominiert (SVM 31%, Naive Bayes 31%, Decision Trees 27%)
- **Clustering (11%):** K-Means, HAC für Requirement-Ähnlichkeitserkennung
- **Assoziationsregeln (5%):** Apriori, FP-Growth für Requirement-Abhängigkeitserkennung
- **Anforderungstypen:**
- 41% fokusieren auf Non-Functional Requirements (NFR)
- 31% auf Functional Requirements (FR)
- Preprocessing mit NLP 54%, Text-Mining 16%
- **Häufig verwendete Datasets:**
- PROMISE Dataset (26% der Studien)
- PURE Dataset (öffentlich verfügbar)
- Größe meist 14-10.000 Requirements (45%), nur 8% > 10.000
- **Tools und Technologien:**
- Python (50%), Java (20%), Weka (12%)
- Offene Systeme dominieren (20% der Arbeiten)
- ChatGPT und Google Bard als emerging tools für Requirement-Analyse
**Direkter Nutzen:** Methodisches Framework für Requirements-Klassifizierung und Extraction, Benchmarks für Technologieauswahl.
***
### **B. Spezialisierte Quellen zu LLMs und Reverse Engineering**
#### 4. **Automatisierte Anforderungsextraktion aus Code**[^9]
Thoughtworks' "Using GenAI to understand legacy codebases" (2025) dokumentiert praktische Erfahrungen:
- **Haupterkenntnisse:**
- GenAI-Tools (Cursor, Claude Code, Copilot) beschleunigen Code-Verständnis deutlich
- Retrieval-Augmented Generation (RAG) mit Wissens-Graphs besonders wirksam für Legacy-Systeme
- Größere Kontextfenster (200k+ Tokens) ermöglichen besseres Systemverständnis
- Abstract Syntax Trees (AST) + LLM-Embedding in Vector Databases = besseres Code-Verständnis als reiner Text
**Praktische Relevanz:** Architektur-Pattern-Erkennung, Dependency-Mapping für Ihre c-entron-Fallstudie.
#### 5. **LLMs für Legacy-System-Migration**[^10]
Closeloop Artikel "LLMs for Legacy System Migration: A Modern Guide" (2025):
- **LLM-Fähigkeiten für Reverse RE:**
- Code-Struktur-Parsing und Extraction funktionaler Requirements aus Implementierungsdetails
- Erkennung veralteter APIs und Sicherheitslücken
- Verständnis von Business-Logic in prozeduralem Code
- Multi-File-Format-Verarbeitung (Code, Config, Schemas, Docs)
- **Limitierungen:**
- Kontextlängen-Beschränkungen bei extrem großen Codebases (Millionen LOC)
- Domain-spezifische oder proprietäre Sprachen problematisch
- Multi-Modal-LLMs versprechen bessere Ergebnisse (Code + Docs + Diagramme simultane Verarbeitung)
**Fallstudie-Relevanz:** Direkt anwendbar auf c-entron ERP-Codebase.
***
### **C. NLP-basierte Requirements-Extraktion und -Analyse**
#### 6. **Motger \& Franch (2024): "Automated Requirements Relations Extraction"**[^11]
**Focus:** Relation-Extraction zwischen Anforderungen mittels NLP:
- **Techniken:**
- Retrieval-basierte IE: Linguistic Methods, Vectorization, Graph-basierte Methoden, Ontology-basierte Ansätze
- Machine Learning: Unüberwacht (unsupervised), semi-überwacht, überwacht (supervised)
- **Vergleich Ontology vs. ML:**
- Ontology-Methoden: Höhere Präzision bei domänen-bekanntem Wissen
- BERT Fine-Tuning (auf PURE Dataset): Besser bei unbekannten Mustern
- Hybrid-Ansätze versprechen beste Ergebnisse
**Relevanz:** Traceability und Abhängigkeitserkennung für Ihre Quality-Metriken.
#### 7. **Ebrahim et al. (2025): "Enhancing Software Requirements Engineering with LLMs"**[^12]
Diese ACL 2025 Short Research Workshop Publikation adressiert:
- **Herausforderungen beim LLM-Einsatz in SRE:**
- **Domain-Ignorance:** LLMs kennen Requirements-Domäne nicht
- **Halluzinations:** Erfundene oder falsche Anforderungen generieren
- **Hohe Computational Costs:** Training und Betrieb kostspielig
- **Lösungsvorschlag (Conceptual Framework):**
- Small Language Models (SLMs) + Knowledge-Augmented LMs (KALMs) + LangChain
- SLMs: Optimierte Modelle, effizienter als LLMs
- KALMs: Integration externen Wissens (z.B., Unternehmens-Ontologien)
- Adressierung von RQs:
- RQ1: Wie können LMs computational/domain/reliability-Limitationen überwinden?
- RQ2: Wie können modulare Frameworks Sicherheit und Skalierbarkeit verbessern?
- RQ3: Welche Prompting-Strategien sichern akkurate Kontextualisierung?
**Praktischer Nutzen:** Framework für Governance und Datenschutz bei c-entron-Einsatz.
***
### **D. Prompt Engineering und Techniken für RE-Aufgaben**
#### 8. **Prompt Engineering für Software-Testing und Validierung**[^13]
Testfort \& Kumo (2025) zu "Prompt Engineering in Software Testing":
- **Systematische Kategorisierung von Prompts:**
- Intent-basierte Prompt-Bibliotheken (Information-Seeking, Action-Oriented, Conversational)
- Nicht zufällige, sondern systematisch kategorisierte Prompts
- Mehrdi-dimensionale Evaluierung: Accuracy, Safety, Clarity, Consistency
- **4-Phasen-Implementierung:**
- Phase 1 (Wochen 1-4): Foundation, initiale Prompt-Bibliothek
- Phase 2 (Wochen 5-12): Comprehensive prompt development
- Phase 3 (Wochen 13-16): Edge-case investigation
- Phase 4: Real-world-simulation
- **Evaluationsmetriken:**
- Quantitativ: Response time, keyword detection, token efficiency
- Qualitativ: Domain-accuracy, bias assessment, human expert review
**Anwendung auf Ihre Arbeit:** Strukturierung der Prompts für Code-Analyse-Agent, Evaluationsrahmen für Requirements-Qualität.
***
### **E. Praktische Case Studies und Lösungsansätze**
#### 9. **Swimm \& CloseLoop: Praktische Legacy-Modernisierung mit AI**[^14][^15]
- **Swimm Application Understanding Platform:**
- Deterministic static analysis + Generative AI
- Eliminiert LLM-Halluzinations durch AST-basierte Analyse
- Support für COBOL, CICS, PL/I mit Language Parsers
- Bewährte Genauigkeit und Kosteneffizienz in der Praxis
- **Reverse-Engineering-Prozess (nach Swimm):**
- Prescreening: Platform, Format, Dependencies Assessment
- AI-Assisted Analysis: Pattern Recognition, Behavior Analysis
- Artifact-Version-Control: Git-Integration für Nachverfolgbarkeit
**Best Practice für Ihre c-entron-Fallstudie:** Hybrid-Ansatz: Deterministic Static Analysis (AST) + LLM für Business-Rule-Extraction
#### 10. **Spyro Soft: GenAI-Dokumentation von Legacy-Code (2024)**[^16]
Healthcare-Fallstudie zeigt:
- **Automatische Analyse:** Codebase-Dokumentation, Dependency-Graphen
- **Duplikat-Detektion:** Cleanup-Reports
- **AI-gestützte Refactoring-Vorschläge:** Performance-Verbesserungen
- **Technische Umsetzung:** Azure OpenAI Services
**Learnings:** Dokumentation + Duplikat-Erkennung könnte Phase Ihrer Prototyp-Umsetzung sein.
***
### **F. Anforderungs-Elicitation mit NLP**
#### 11. **Lafi et al. (2021): "Eliciting Requirements from Stakeholders' Responses Using NLP"**[^17]
**Fokus:** Automatisierte Anforderungssammlung von Stakeholdern:
- **Methode:** Tokenization, Stop-Word-Removal, Lemmatization → Häufigkeitsanalyse → Similarity-Matrix
- **Ergebnisse:** 70% Zeitersparnis bei Requirements-Sammlung
- **Herausforderung:** Manuell vs. automatisiert balanced finden
**Relevanz:** Kombination mit Code-Analyse für Ihre Stakeholder-Input-Phase.
#### 12. **Spijkman et al. (2021): "Concept Extraction in Requirements Elicitation Sessions"**[^18]
**NLP-basierte Concept-Extraction aus Transkripten:**
- **Methode:** KeyBERT + Ontology-Matching für Domain-Konzepte
- **Tools:** NLTK, TextBlob, Pandas
- **Ergebnis:** Known Concepts vs. Unknown Concepts kategorisiert
**Anwendung:** Kombination von Stakeholder-Interviews (Transkripte) + Code-Analyse.
***
### **G. Tiefergehende technische Arbeiten**
#### 13. **Akay et al. (2021): "Automating Design Requirement Extraction From Text"**[^19]
MIT-Forschung zu automatisierter Requirements-Extraction:
- **Methode:** BERT Fine-Tuned + Extractive Question-Answering
- **Rekursive Hierarchie-Extraktion:** Top-Level-Requirement → Decomposition
- **Evaluiert auf:** MEMS-Design-Dokumentation
- **Performance:** Accuracy threshold erreichbar bei manageable Cost
**Technisch-methodisch relevant:** Hierarchisches Requirements-Extraction-Konzept für Ihre Agentenarchitektur.
#### 14. **Li et al. (2018): "Feature Extraction from Requirements with CNN"**[^20]
**Deep Learning für Requirements-Analyse:**
- **Architektur:** CNN + Laplacian Eigenmaps (Dimensionality Reduction) + K-Means
- **Input:** Pre-trained Word Embeddings
- **Output:** Binary Codes für Feature-Klassifizierung
- **Vorteil:** Unüberwachtes Lernen, keine manuellen Annotations nötig
**Potenzial:** Für automatisierte Feature-Extraktion aus Legacy-Code.
***
### **H. Systematische Literatur-Reviews und Metastudien**
#### 15. **Swenska Studien zu NLP in RE-Elicitation**[^21]
Uppsala University Untersuchung zu KeyBERT + Keyphrase Extraction:
- **Automatische Keyphrase-Extraction** aus Workshop-Transkripten
- **Tools:** KeyBERT, Keyphrase CountVectorizer
- **Effizienzgewinn:** Deutlich reduzierte Verarbeitungszeit für große Datenmengen
- **Kombination mit Experten-Review** für Validierung
**Best Practice für Requirements-Elicitation-Sessions bei c-entron.**
***
## Synthese: Relevanz der Quellen für Ihre Masterarbeit
### Kategorisierung nach Relevanz:
| Kategorie | Quelle | Relevanz | Grund |
| :-- | :-- | :-- | :-- |
| **Zentral** | Zadenoori et al. 2025 | ⭐⭐⭐⭐⭐ | State-of-the-Art LLMs in RE |
| **Zentral** | Norheim et al. 2024 | ⭐⭐⭐⭐⭐ | Challenges in LLM-RE, Evaluation Metrics |
| **Zentral** | Núñez et al. 2024 | ⭐⭐⭐⭐ | ML-Techniken, praktische Werkzeuge |
| **Sehr Relevant** | Thoughtworks 2025 | ⭐⭐⭐⭐ | Legacy-Codebase-Verständnis, RAG-Ansätze |
| **Sehr Relevant** | Closeloop 2025 | ⭐⭐⭐⭐ | LLMs für Legacy-Migration |
| **Sehr Relevant** | Ebrahim et al. 2025 | ⭐⭐⭐⭐ | Framework für SLM+KALM |
| **Wichtig** | Motger \& Franch 2024 | ⭐⭐⭐ | Requirements-Relations-Extraction |
| **Wichtig** | Testfort/Kumo 2025 | ⭐⭐⭐ | Prompt-Engineering-Methodik |
| **Unterstützend** | Akay et al. 2021 | ⭐⭐⭐ | Hierarchische Requirements-Extraction |
| **Unterstützend** | Lafi et al. 2021 | ⭐⭐ | Stakeholder-Input-Automatisierung |
***
## Handlungsempfehlungen für Ihre Masterarbeit
### 1. **Theoretischer Rahmen (Kapitel 2)**
- Verwenden Sie Norheim et al. (2024) und Zadenoori et al. (2025) als Hauptreferenzen für LLM-RE-Integration
- Ergänzen Sie mit klassischen RE-Basics aus Ihrer HCI-Encyclopedia-Quelle
- Integrieren Sie Challenges-Kategorisierung nach Norheim für Problemstellungsschärfung
### 2. **Evaluation Framework (Kapitel 6)**
- Übernahme der Multi-Dimensionalen Evaluierung aus Testfort/Kumo (2025)
- Metriken von Norheim et al.: Vollständigkeit, Verständlichkeit, Redundanzfreiheit
- Combine mit NLP-Metriken von Núñez et al.: Precision, Recall, F1-Score
### 3. **Technische Umsetzung (Kapitel 5)**
- RAG mit Knowledge-Graphs aus Thoughtworks als Architektur-Option
- Hybrid-Ansatz (Static Analysis + LLM) nach Swimm-Vorbild für Halluzinations-Reduction
- SLM+KALM Framework von Ebrahim et al. für Datenschutz-Compliance
### 4. **Fallstudie-Design (Kapitel 3-4)**
- Benchmarking gegen PROMISE/PURE Datasets (aus Núñez-Review)
- Definieren Sie goldenes Referenzset basierend auf Norheim-Empfehlungen
- Stakeholder-Input-Automatisierung nach Lafi/Spijkman für Interview-Auswertung
### 5. **Bisherige Quellen-Lücken füllen**
- Sie haben noch keine Quelle zu **Formal Methods + LLMs** tiefergehend analysiert
- **Codeverständnis-Metriken** fehlen (Sie könnten Li et al. 2018 erweitern)
- **Traceability-Standards** fehlen (Motger \& Franch als Basis)
***
## Fazit: Wissenschaftliche Positionierung
Ihre Masterarbeit positioniert sich an der **Schnittstelle dreier reifer Forschungsdomänen:**
1. **Requirements Engineering** (etablierte Disziplin seit 1990ern)
2. **NLP/ML für Software Engineering** (rasant evolvierende Domäne 2012-2025)
3. **Legacy-Modernisierung** (praktische Herausforderung, schwach akademisch erforscht)
**Ihre unique Value Proposition:**
- Erste **dokumentierte Fallstudie** eines KMU bei systematischem LLM-RE in Real-World-Legacy-Kontext
- **Hybrid-Ansatz** combining Code-Analysis + Stakeholder-Input + Formal Validation
- **Governance-Focus** (IP, Datenschutz, Organizational Compliance)
Die 15 neu identifizierten Quellen (2023-2025) geben Ihnen aktuellste State-of-the-Art sowie praktische Best Practices für fundierte wissenschaftliche Arbeit.
***
## Quellen
Interaction Design Foundation. (2024). Requirements Engineering - Encyclopedia of Human-Computer Interaction, 2nd ed.[^1]
International Journal of Advances in Software and Computer Engineering (IJASCE).[^2]
ArXiv:2308.10620. Large Language Models for Reverse Requirements Engineering.[^3]
ArXiv:2312.15223. LLMs and Software Engineering Applications.[^4]
King's College London. (2024). Formal Requirements Engineering and Large Language Models.[^5]
Zadenoori, M.A., Dąbrowski, J., Alhoshan, W., Zhao, L., \& Ferrari, A. (2025). Large Language Models (LLMs) for Requirements Engineering (RE): A Systematic Literature Review. arXiv:2509.11446.[^6]
Norheim, J.J., Rebentisch, E., Xiao, D., Draeger, L., Kerbrat, A., \& de Weck, O.L. (2024). Challenges in applying large language models to requirements engineering tasks. *Design Science*, 10, e16.[^7]
Núñez, A.G., Granda, M.F., Saquicela, V., \& Parra, O. (2024). Machine Learning-Enhanced Requirements Engineering: A Systematic Literature Review. In *ENASE 2024 - 19th International Conference on Evaluation of Novel Approaches to Software Engineering* (pp. 521-528).[^8]
Thoughtworks. (2025). Using GenAI to understand legacy codebases. Thoughtworks Technology Radar.[^9]
CloseLoop. (2025). LLMs for Legacy System Migration: A Modern Guide.[^10]
Motger, Q., \& Franch, X. (2024). Automated Requirements Relations Extraction. In *NLP4RE Handbook*.[^11]
Ebrahim, M., et al. (2025). Enhancing Software Requirements Engineering with Large Language Models. *ACL 2025 Student Research Workshop*.[^12]
Testfort \& Kumo. (2025). Prompt Engineering in Software Testing: Generative AI in QA.[^13]
Swimm. (2024). Application Understanding Platform for Legacy Systems Modernization.[^14]
Spyro Soft. (2024). Transforming legacy code documentation with GenAI: A healthcare case study.[^15]
Manchikoni Surendra, P.K. (2025). Automating documentation and legacy code modernization. *World Journal of Advanced Engineering Technology and Sciences*, 15(01), 1390-1397.[^16]
Lafi, M., et al. (2021). Eliciting Requirements from Stakeholders' Responses Using Natural Language Processing. *Computer Modeling in Engineering \& Sciences*, 2021.[^17]
Spijkman, T., et al. (2021). Concept Extraction in Requirements Elicitation Sessions. *NLP4RE Workshop*.[^18]
Akay, H., et al. (2021). Automating Design Requirement Extraction From Text With Natural Language Processing. ASME Paper DETC2021-66898.[^19]
Li, Y., et al. (2018). Achieving Accuracy and Automation with Neural Networks for Feature Extraction from Requirements. *SANER 2018*.[^20]
Swedish University Studies. (2024). NLP approaches for generating high-level requirements from stakeholder data.[^21]
[^22][^23][^24][^25][^26][^27][^28][^29][^30][^31][^32][^33][^34]
⁂
[^1]: Masterarbeit_draft.pdf
[^2]: Quellen.md
[^3]: Exposee_Masterarbeit_final.typ
[^4]: Exposee_Masterarbeit_feedback.typ
[^5]: https://arxiv.org/abs/2509.11446
[^6]: https://www.v2solutions.com/blogs/ai-reverse-engineering-requirements/
[^7]: https://arxiv.org/html/2401.12075v2
[^8]: https://aclanthology.org/2025.acl-srw.31.pdf
[^9]: https://en.wikipedia.org/wiki/AI-assisted_reverse_engineering
[^10]: https://dspace.mit.edu/bitstream/handle/1721.1/154885/v03bt03a035-detc2021-66898.pdf?sequence=2\&isAllowed=y
[^11]: https://publications.rwth-aachen.de/record/994149/files/994149.pdf
[^12]: https://swimm.io/learn/mainframe-modernization/reverse-engineering-in-software-engineering-process-and-best-practices
[^13]: https://www.scitepress.org/Papers/2024/126881/126881.pdf
[^14]: https://www.sciencedirect.com/science/article/pii/S0950584925000369
[^15]: https://su.diva-portal.org/smash/get/diva2:1955534/FULLTEXT01.pdf
[^16]: https://www.thoughtworks.com/radar/techniques/using-genai-to-understand-legacy-codebases
[^17]: https://integrio.net/blog/prompt-engineer
[^18]: https://ceur-ws.org/Vol-2857/nlp4re5.pdf
[^19]: https://www.augmentcode.com/guides/legacy-code-migration-with-machine-learning-patterns-that-preserve-architecture-while-modernizing
[^20]: https://dev.to/dehemi_fabio/the-software-engineers-guide-to-prompt-engineering-3j1a
[^21]: https://www.techscience.com/CMES/v127n1/41944/html
[^22]: https://closeloop.com/blog/llms-in-legacy-system-migration/
[^23]: https://www.sap.com/resources/what-is-prompt-engineering
[^24]: https://blogs.itemis.com/en/5-new-proven-and-effective-ways-how-nlp-can-empower-requirements-engineering
[^25]: https://wwwiti.cs.uni-magdeburg.de/iti_db/publikationen/ps/auto/LiSS+SANER18.pdf
[^26]: https://journalwjaets.com/content/automating-documentation-and-legacy-code-modernization-revitalizing-legacy-systems-ai
[^27]: https://testfort.com/blog/prompt-engineering-in-software-testing
[^28]: https://arxiv.org/html/2312.12878v1
[^29]: https://swimm.io/blog/how-we-automatically-generate-documentation-for-legacy-code
[^30]: https://www.kumohq.co/blog/prompt-engineering-best-practices
[^31]: https://github.com/mateoespinosa/remix
[^32]: https://spyro-soft.com/case/transforming-legacy-code-documentation-with-genai
[^33]: https://www.braintrust.dev/articles/systematic-prompt-engineering
[^34]: https://www.sciencedirect.com/science/article/abs/pii/S0926580521002855