مقاله حاضر، به بررسی و طبقه‌بندی تکنیک‌های پردازش زبان طبیعی (NLP) در حوزه مهندسی نیازمندی‌ها (RE) می‌پردازد. با توجه به افزایش استفاده از متون و اسناد به زبان طبیعی در فرآیند توسعه نرم‌افزار، به‌کارگیری تکنیک‌های NLP برای استخراج، تحلیل، و مدیریت نیازمندی‌ها اهمیت فزاینده‌ای یافته است. هدف این مقاله، ارائه یک درک ساختارمند و سازمان‌یافته از تکنیک‌های مختلف NLP و کاربردهای آن‌ها در مهندسی نیازمندی‌ها است، تا به توسعه ابزارهای بهتر و کارآمدتر در این زمینه کمک شود.

این مقاله توسط Liping Zhao، Waad Alhoshan، Alessio Ferrari و Keletso J. Letsholo به رشته تحریر درآمده است. این نویسندگان در زمینه‌های محاسبات و زبان و مهندسی نرم‌افزار تخصص دارند و تحقیقات آن‌ها بر استفاده از تکنیک‌های NLP برای بهبود فرآیندهای توسعه نرم‌افزار، به ویژه در مراحل اولیه مانند مهندسی نیازمندی‌ها، متمرکز است. زمینه‌های تحقیقاتی این نویسندگان، چالش‌ها و فرصت‌های موجود در به‌کارگیری NLP در RE را به‌خوبی نشان می‌دهد.

این مقاله به بررسی کاربرد تکنیک‌های پردازش زبان طبیعی (NLP) در وظایف مهندسی نیازمندی‌ها (RE) طی بیش از 40 سال گذشته می‌پردازد. از تلاش‌های اولیه در دهه 1980 تا تلاش‌های اخیر با استفاده از یادگیری ماشین (ML) و یادگیری عمیق (DL)، این حوزه شاهد پیشرفت‌های چشمگیری بوده است. با این حال، بر اساس بررسی‌های اخیر، هنوز یک درک سیستماتیک و سازمان‌یافته از تکنیک‌های NLP رایج در RE وجود ندارد. این مقاله تلاشی است برای سنتز و سازماندهی 57 تکنیک NLP که بیشترین استفاده را در RE دارند. این تکنیک‌ها از دو منظر طبقه‌بندی می‌شوند: اول، بر اساس وظایف NLP در خطوط لوله (pipelines) معمول و دوم، بر اساس سطوح تحلیل زبانی. این دو روش طبقه‌بندی مکمل یکدیگر هستند و به درک بهتر تکنیک‌های NLP در RE کمک می‌کنند. این درک برای توسعه ابزارهای NLP بهتر برای RE بسیار مهم است.

به طور خلاصه، این تحقیق به دنبال پاسخ به این پرسش است که چگونه می‌توان تکنیک‌های NLP را به طور موثر در فرآیندهای مهندسی نیازمندی‌ها به کار برد تا دقت، کارایی، و کیفیت این فرآیندها را بهبود بخشید. این مقاله با ارائه یک طبقه‌بندی جامع از تکنیک‌های NLP، گامی مهم در جهت تسهیل استفاده از این تکنیک‌ها در RE برمی‌دارد.

روش‌شناسی تحقیق در این مقاله شامل موارد زیر است:

• مرور نظام‌مند ادبیات: بررسی مقالات و پژوهش‌های منتشر شده در زمینه استفاده از تکنیک‌های NLP در مهندسی نیازمندی‌ها.
• استخراج تکنیک‌های NLP رایج: شناسایی 57 تکنیک NLP که بیشترین استفاده را در RE دارند.
• طبقه‌بندی تکنیک‌ها: ارائه دو روش طبقه‌بندی برای تکنیک‌های NLP:
  • طبقه‌بندی بر اساس وظایف NLP در خطوط لوله (pipelines): این طبقه‌بندی تکنیک‌ها را بر اساس نقش آن‌ها در یک فرآیند NLP типичный سازماندهی می‌کند. به عنوان مثال، توکن‌سازی، ریشه‌یابی، تجزیه نحوی، و تحلیل معنایی هر کدام وظایف مشخصی در یک خط لوله NLP دارند.
  • طبقه‌بندی بر اساس سطوح تحلیل زبانی: این طبقه‌بندی تکنیک‌ها را بر اساس سطح تحلیل زبانی که بر آن تمرکز دارند، دسته‌بندی می‌کند. این سطوح شامل تحلیل واژگانی، نحوی، معنایی، و کاربردشناسی می‌شوند.
• سنتز و سازماندهی: تلفیق اطلاعات جمع‌آوری شده و ارائه یک ساختار سازمان‌یافته برای درک بهتر تکنیک‌های NLP در RE.

برای مثال، در طبقه بندی بر اساس وظایف NLP، تکنیک “تشخیص موجودیت نام‌دار (Named Entity Recognition – NER)” در بخش “استخراج اطلاعات” قرار می گیرد، در حالی که در طبقه بندی بر اساس سطوح تحلیل زبانی، در دسته “تحلیل معنایی” قرار می گیرد. این رویکرد دوگانه به درک جامعی از نقش و قابلیت های هر تکنیک NLP در فرآیند RE کمک می کند.

یافته‌های کلیدی این تحقیق به شرح زیر است:

• شناسایی 57 تکنیک NLP رایج در RE: این لیست جامع، یک منبع ارزشمند برای محققان و متخصصان در این زمینه فراهم می‌کند.
• ارائه دو روش طبقه‌بندی مکمل: این دو روش طبقه‌بندی، دیدگاه‌های متفاوتی را در مورد تکنیک‌های NLP ارائه می‌دهند و به درک بهتر کاربردهای آن‌ها در RE کمک می‌کنند.
• نشان دادن کمبود درک سیستماتیک از تکنیک‌های NLP در RE: این یافته، نیاز به تحقیقات بیشتر در این زمینه را برجسته می‌کند.
• ایجاد یک پایه دانش برای توسعه ابزارهای NLP بهتر برای RE: طبقه‌بندی ارائه شده در این مقاله، می‌تواند به عنوان یک چارچوب مرجع برای توسعه ابزارهای جدید و بهبود ابزارهای موجود مورد استفاده قرار گیرد.

یکی از یافته‌های مهم، این است که بسیاری از تکنیک‌های NLP به طور کامل در RE به کار گرفته نشده‌اند. به عنوان مثال، تکنیک‌های پیشرفته در زمینه مدل‌سازی موضوعی (Topic Modeling) و تحلیل احساسات (Sentiment Analysis) می‌توانند بینش‌های ارزشمندی را در مورد نیازمندی‌ها ارائه دهند، اما هنوز به طور گسترده در RE استفاده نمی‌شوند.

کاربردها و دستاوردهای این تحقیق عبارتند از:

• بهبود فرآیند استخراج نیازمندی‌ها: با استفاده از تکنیک‌های NLP، می‌توان نیازمندی‌ها را به طور خودکار از اسناد متنی استخراج کرد.
• افزایش دقت و کیفیت نیازمندی‌ها: تکنیک‌های NLP می‌توانند به شناسایی ابهام، تناقض، و نقص در نیازمندی‌ها کمک کنند.
• کاهش هزینه‌ها و زمان توسعه نرم‌افزار: با بهبود فرآیند مهندسی نیازمندی‌ها، می‌توان هزینه‌ها و زمان توسعه نرم‌افزار را کاهش داد.
• تسهیل ارتباط بین ذینفعان: با استفاده از تکنیک‌های NLP، می‌توان نیازمندی‌ها را به زبان طبیعی و قابل فهم برای همه ذینفعان بیان کرد.
• ارائه یک چارچوب مرجع برای توسعه ابزارهای NLP برای RE: طبقه‌بندی ارائه شده در این مقاله، می‌تواند به عنوان یک راهنما برای توسعه ابزارهای جدید و بهبود ابزارهای موجود مورد استفاده قرار گیرد.

برای مثال، تصور کنید تیمی در حال توسعه یک نرم‌افزار بانکی است. با استفاده از تکنیک‌های NLP، می‌توان نیازمندی‌های مربوط به “امنیت تراکنش‌ها” را از اسناد مختلف (مانند مقررات بانکی، نظرات کاربران، و گزارش‌های امنیتی) استخراج کرد. سپس، با استفاده از تحلیل احساسات، می‌توان نظرات کاربران در مورد امنیت تراکنش‌ها را ارزیابی کرد و نیازمندی‌های جدیدی را بر اساس این نظرات استخراج کرد. در نهایت، با استفاده از مدل‌سازی موضوعی، می‌توان موضوعات کلیدی مربوط به امنیت تراکنش‌ها را شناسایی کرد و اطمینان حاصل کرد که همه نیازمندی‌های مربوطه به درستی در نظر گرفته شده‌اند.

این مقاله با ارائه یک طبقه‌بندی جامع از تکنیک‌های NLP در مهندسی نیازمندی‌ها، گامی مهم در جهت تسهیل استفاده از این تکنیک‌ها در فرآیندهای توسعه نرم‌افزار برمی‌دارد. طبقه‌بندی ارائه شده، دیدگاه‌های متفاوتی را در مورد تکنیک‌های NLP ارائه می‌دهد و به درک بهتر کاربردهای آن‌ها در RE کمک می‌کند. این تحقیق نشان می‌دهد که هنوز یک درک سیستماتیک از تکنیک‌های NLP در RE وجود ندارد و نیاز به تحقیقات بیشتر در این زمینه احساس می‌شود. با این حال، این مقاله یک پایه دانش ارزشمند برای توسعه ابزارهای NLP بهتر برای RE فراهم می‌کند و می‌تواند به بهبود فرآیند مهندسی نیازمندی‌ها، افزایش دقت و کیفیت نیازمندی‌ها، و کاهش هزینه‌ها و زمان توسعه نرم‌افزار کمک کند. همچنین، درک عمیق‌تر و کاربست مؤثرتر این تکنیک‌ها می‌تواند منجر به تولید سیستم‌های نرم‌افزاری شود که به طور دقیق‌تر و کارآمدتر به نیازهای کاربران پاسخ می‌دهند.