۱. معرفی مقاله و اهمیت آن

در دنیای امروز که فناوری اطلاعات با سرعتی بی‌سابقه در حال پیشرفت است، توسعه نرم‌افزار به یکی از ارکان اصلی اقتصاد دیجیتال تبدیل شده است. کیفیت و موفقیت یک پروژه نرم‌افزاری تا حد زیادی به کیفیت و مدیریت صحیح نیازمندی‌ها (Requirements Engineering – RE) بستگی دارد. مهندسی نیازمندی‌ها فرآیندی حیاتی است که شامل کشف، تجزیه و تحلیل، مدل‌سازی، اعتبارسنجی و مدیریت نیازمندی‌های مشتری و ذینفعان می‌شود. با این حال، این فرآیند اغلب چالش‌برانگیز، زمان‌بر و مستعد خطا است، به‌ویژه زمانی که نیازمندی‌ها به صورت متنی و با حجم بالا ارائه می‌شوند.

مقاله حاضر با عنوان «به‌کارگیری تکنیک‌های نمایش متن مبتنی بر پردازش زبان طبیعی در پشتیبانی از وظایف مهندسی نیازمندی‌ها: مرور نقشه‌برداری نظام‌مند» به قلم Riad Sonbol، Ghaida Rebdawi و Nada Ghneim، به بررسی عمیق و سازمان‌یافته‌ای از چگونگی استفاده از پردازش زبان طبیعی (Natural Language Processing – NLP) برای بهبود و خودکارسازی وظایف مهندسی نیازمندی‌ها می‌پردازد. این تحقیق یک مرور نقشه‌برداری نظام‌مند (Systematic Mapping Review) است که با هدف شناسایی، طبقه‌بندی و تحلیل رویکردهای موجود در این حوزه انجام شده است. اهمیت این مقاله در آن است که با ارائه یک تصویر جامع از وضعیت فعلی تحقیقات، نه تنها به محققان دیدگاهی روشن از پیشرفت‌های اخیر ارائه می‌دهد، بلکه شکاف‌های تحقیقاتی موجود را نیز برجسته می‌کند تا مسیرهای آینده پژوهش را هموار سازد.

نیاز به خودکارسازی و افزایش کارایی در مهندسی نیازمندی‌ها هرگز به این اندازه ضروری نبوده است. با افزایش پیچیدگی سیستم‌های نرم‌افزاری و حجم بالای اسناد نیازمندی، روش‌های دستی دیگر پاسخگو نیستند. NLP با توانایی خود در تجزیه و تحلیل و درک زبان انسانی، ابزاری قدرتمند برای غلبه بر این چالش‌ها ارائه می‌دهد. این مقاله با تمرکز بر تکنیک‌های نمایش متن (Text Representation)، که سنگ بنای اکثر رویکردهای NLP در RE هستند، به بررسی چگونگی تبدیل متون نیازمندی به فرمت‌هایی قابل پردازش برای ماشین می‌پردازد، که این امر در نهایت دقت و کارایی ابزارهای خودکارسازی را تعیین می‌کند.

۲. نویسندگان و زمینه تحقیق

این مقاله توسط Riad Sonbol، Ghaida Rebdawi و Nada Ghneim به رشته تحریر درآمده است. تخصص این نویسندگان در حوزه‌های مهندسی نرم‌افزار، هوش مصنوعی و محاسبات و زبان (Computation and Language) قرار دارد. این ترکیب میان‌رشته‌ای نشان‌دهنده ماهیت پیچیده و چندوجهی پژوهش است که همزمان نیازمند درک عمیق از فرآیندهای توسعه نرم‌افزار و هم تسلط بر تکنیک‌های پیشرفته هوش مصنوعی و پردازش زبان طبیعی است.

مهندسی نرم‌افزار به‌عنوان حوزه اصلی، چارچوب نظری و عملی برای مدیریت چرخه حیات نرم‌افزار، از جمله فرآیند مهندسی نیازمندی‌ها را فراهم می‌کند. چالش‌هایی که در این حوزه وجود دارد، مانند ابهام، ناسازگاری و تغییر نیازمندی‌ها، بستری را برای به‌کارگیری روش‌های نوین هوش مصنوعی فراهم می‌آورد. هوش مصنوعی، به‌ویژه زیرشاخه‌های آن مانند یادگیری ماشین و پردازش زبان طبیعی، راهکارهایی برای خودکارسازی و بهبود این چالش‌ها ارائه می‌دهد.

پردازش زبان طبیعی (NLP)، به‌طور خاص، قلب این تحقیق را تشکیل می‌دهد. NLP به کامپیوترها این امکان را می‌دهد که زبان انسانی را پردازش، درک و تولید کنند. در زمینه مهندسی نیازمندی‌ها، این قابلیت برای تجزیه و تحلیل اسناد متنی نیازمندی‌ها، استخراج اطلاعات کلیدی، شناسایی الگوها و تبدیل آن‌ها به فرمت‌های ساختاریافته و قابل استفاده برای الگوریتم‌ها بسیار حیاتی است. نویسندگان با تکیه بر دانش خود در این زمینه‌ها، یک مرور جامع را طراحی کرده‌اند تا دریابند که چگونه تکنیک‌های نمایش متن مبتنی بر NLP می‌توانند به طور مؤثر در پشتیبانی از وظایف مختلف RE به‌کار گرفته شوند و کدام تکنیک‌ها برای کدام وظایف مناسب‌تر هستند.

این زمینه تحقیقاتی نه تنها از جنبه آکادمیک و نظری حائز اهمیت است، بلکه دارای کاربردهای عملی گسترده‌ای در صنعت نرم‌افزار نیز هست. ابزارهایی که با استفاده از این تکنیک‌ها توسعه می‌یابند، می‌توانند به مهندسان نیازمندی‌ها کمک کنند تا با کارایی بیشتری نیازمندی‌ها را مدیریت کنند، خطاهای انسانی را کاهش دهند و در نهایت، کیفیت محصول نهایی را ارتقا بخشند.

۳. چکیده و خلاصه محتوا

چکیده مقاله به وضوح هدف و یافته‌های اصلی پژوهش را بیان می‌کند. در هسته اصلی این تحقیق، نقش پردازش زبان طبیعی (NLP) در خودکارسازی و پشتیبانی از وظایف مختلف مهندسی نیازمندی‌ها (RE) قرار دارد. بسیاری از رویکردهای پیشنهادی در این زمینه، با مراحلی از NLP آغاز می‌شوند که هدفشان تجزیه و تحلیل عبارات نیازمندی‌ها، استخراج اطلاعات زبانی و تبدیل آن‌ها به نمایش‌های قابل پردازش، مانند لیست ویژگی‌ها یا نمایش‌های برداری مبتنی بر امبدینگ (embedding) است. این نمایش‌های مبتنی بر NLP سپس به عنوان ورودی برای تکنیک‌های یادگیری ماشین یا روش‌های مبتنی بر قانون استفاده می‌شوند. بنابراین، نحوه نمایش نیازمندی‌ها نقش مهمی در تعیین دقت رویکردهای مختلف ایفا می‌کند.

هدف اصلی این مرور نظام‌مند، شناسایی و تحلیل چهار جنبه کلیدی در ادبیات علمی مربوط به این حوزه است:

1. چه نمایش‌هایی در ادبیات وظایف مهندسی نیازمندی‌ها استفاده می‌شوند؟
2. تمرکز اصلی این کارها چیست؟
3. مسیرهای اصلی تحقیق در این حوزه کدامند؟
4. شکاف‌ها و مسیرهای آینده بالقوه کدامند؟

برای دستیابی به این اهداف، نویسندگان ابتدا مجموعه‌ای اولیه شامل ۲۲۲۷ مقاله را جمع‌آوری کردند. پس از اعمال معیارهای دقیق شمول و عدم شمول، این مجموعه به ۱۰۴ مقاله مرتبط و نهایی کاهش یافت. این فرآیند غربالگری دقیق، تضمین‌کننده کیفیت و اعتبار یافته‌های تحقیق است.

نتایج حاصل از این مرور نشان می‌دهد که مسیر تحقیقاتی دچار تغییر و تحول شده است. در گذشته، تمرکز بر استفاده از ویژگی‌های واژگانی و نحوی (lexical and syntactic features) بود. اما به‌ویژه در دو سال اخیر، گرایش به سمت استفاده از تکنیک‌های پیشرفته امبدینگ (embedding) افزایش یافته است. نمایش‌های مبتنی بر امبدینگ پیشرفته، اثربخشی خود را در اکثر وظایف RE مانند تحلیل نیازمندی‌ها، استخراج نیازمندی‌ها از نظرات و انجمن‌ها، و وظایف کیفیت در سطح معنایی (semantic-level quality tasks) ثابت کرده‌اند. این تکنیک‌ها قادرند روابط معنایی پیچیده‌تر را در متن تشخیص دهند.

با این حال، نمایش‌هایی که بر اساس ویژگی‌های واژگانی و نحوی هستند، همچنان برای برخی دیگر از وظایف RE مانند مدل‌سازی و وظایف کیفیت در سطح نحوی (syntax-level quality tasks) مناسب‌تر هستند. دلیل این امر آن است که این نوع نمایش‌ها اطلاعات لازم را برای قوانین و عبارات منظم (regular expressions) مورد استفاده در این وظایف فراهم می‌کنند. در نهایت، مقاله چهار شکاف مهم در ادبیات موجود را شناسایی می‌کند و توضیح می‌دهد که چرا این شکاف‌ها اهمیت دارند و چگونه تحقیقات آینده می‌توانند به آن‌ها بپردازند.

۴. روش‌شناسی تحقیق

روش‌شناسی این مطالعه، یک مرور نقشه‌برداری نظام‌مند (Systematic Mapping Review – SMR) است. SMR یک نوع خاص از مرور ادبیات نظام‌مند است که هدف اصلی آن ارائه یک نمای کلی از یک حوزه تحقیقاتی خاص، شناسایی روندهای اصلی، خوشه‌بندی تحقیقات بر اساس ویژگی‌های کلیدی و برجسته کردن شکاف‌های موجود در دانش است. این روش در مقایسه با یک مرور ادبیات نظام‌مند سنتی، بیشتر بر «چه چیزی» (چه تحقیقاتی انجام شده‌اند) تمرکز دارد تا «چگونه» (کیفیت و نتایج دقیق هر تحقیق).

مراحل اصلی انجام این SMR به شرح زیر بوده است:

1. تعریف سوالات تحقیق: چهار سوال اصلی که در بخش چکیده به آن‌ها اشاره شد، چارچوب این مرور را تعیین کرده‌اند. این سوالات به وضوح جنبه‌هایی را که محققان به دنبال پاسخ به آن‌ها بوده‌اند، مشخص می‌کنند.
2. تعریف استراتژی جستجو: نویسندگان با دقت کلمات کلیدی مرتبط با پردازش زبان طبیعی، مهندسی نیازمندی‌ها و نمایش متن را انتخاب کرده‌اند. این کلمات کلیدی در پایگاه‌های داده علمی معتبری مانند IEEE Xplore, ACM Digital Library, Scopus و ScienceDirect مورد جستجو قرار گرفته‌اند. انتخاب جامع پایگاه‌های داده تضمین‌کننده پوشش گسترده‌ای از ادبیات مرتبط است.
3. معیارهای شمول و عدم شمول: پس از جستجوی اولیه، تعداد زیادی مقاله (۲۲۲۷ مقاله) به دست آمده است. برای فیلتر کردن این مقالات، مجموعه‌ای از معیارهای دقیق تعریف شده است. این معیارها شامل ارتباط مستقیم با موضوع، تاریخ انتشار (اغلب مطالعات بر روی مقالات اخیر تمرکز دارند)، نوع نشریه (کنفرانس‌ها، مجلات، فصول کتاب) و زبان (معمولاً انگلیسی) می‌شود. اعمال دقیق این معیارها منجر به انتخاب ۱۰۴ مقاله نهایی شده است که به طور مستقیم و با کیفیت بالا به سوالات تحقیق پاسخ می‌دهند. این مرحله از اهمیت بالایی برخوردار است، زیرا اطمینان می‌دهد که تنها منابع معتبر و مرتبط در تحلیل نهایی گنجانده شده‌اند.
4. استخراج و سنتز داده‌ها: از مقالات انتخاب شده، اطلاعات مربوطه استخراج شده است. این اطلاعات شامل نوع نمایش متن استفاده شده (مثلاً ویژگی‌های واژگانی، نحوی، امبدینگ)، وظایف RE که مطالعه بر آن‌ها تمرکز داشته (مثلاً استخراج، تحلیل، مدل‌سازی)، نتایج اصلی و محدودیت‌های شناسایی شده است. سپس این داده‌ها سنتز و طبقه‌بندی شده‌اند تا الگوها، روندها و شکاف‌های موجود آشکار شوند. از تکنیک‌های تحلیل محتوا و تحلیل کمی (مانند شمارش مقالات بر اساس نوع نمایش) برای ارائه یافته‌ها استفاده شده است.

استفاده از روش SMR به محققان امکان می‌دهد تا بدون انجام یک تحلیل کیفیت عمیق برای هر مقاله (که نیازمند منابع زیادی است)، یک تصویر کلی و معتبر از یک حوزه تحقیقاتی وسیع را ارائه دهند. این روش برای شناسایی روندهای نوظهور و نقاط قوت و ضعف یک دامنه علمی بسیار مناسب است.

۵. یافته‌های کلیدی

مرور نقشه‌برداری نظام‌مند، یافته‌های مهمی را در زمینه به‌کارگیری NLP در مهندسی نیازمندی‌ها آشکار ساخته است که می‌توان آن‌ها را در چند دسته اصلی طبقه‌بندی کرد:

۵.۱. تغییر جهت‌گیری تحقیقاتی

یکی از مهم‌ترین یافته‌ها، تغییر محسوس در جهت‌گیری تحقیقاتی در سال‌های اخیر است. در حالی که در گذشته، رویکردهای مبتنی بر ویژگی‌های واژگانی (Lexical Features) و نحوی (Syntactic Features) مانند Bag-of-Words، TF-IDF، تحلیل گرامری و برچسب‌گذاری اجزای کلام (POS tagging) غالب بودند، در دو سال اخیر شاهد شیفت قابل توجهی به سمت استفاده از تکنیک‌های پیشرفته امبدینگ (Embedding Techniques) هستیم.

• نمونه ویژگی‌های واژگانی/نحوی: شامل شمارش کلمات، فرکانس کلمات، تحلیل طول جملات، شناسایی نهادهای نام‌گذاری شده (Named Entity Recognition – NER) و تحلیل درخت وابستگی (Dependency Parsing) است. این روش‌ها به خوبی برای استخراج اطلاعات ساختاری و کلمات کلیدی از متون نیازمندی‌ها کاربرد داشتند.
• نمونه تکنیک‌های امبدینگ: شامل Word2Vec, GloVe, FastText و به‌ویژه مدل‌های زبان بزرگتر مانند BERT و ELMo. این مدل‌ها کلمات و عبارات را به بردارهای عددی (تراکم یافته) تبدیل می‌کنند که روابط معنایی و بافتار (context) کلمات را به خوبی در خود جای داده‌اند. برای مثال، کلماتی مانند “موتور” و “پیشرانه” در یک فضای امبدینگ، بردارهای نزدیکی خواهند داشت، حتی اگر از نظر واژگانی متفاوت باشند.

۵.۲. اثربخشی نمایش‌های امبدینگ

مقاله نشان می‌دهد که نمایش‌های مبتنی بر امبدینگ، اثربخشی بالایی را در اکثر وظایف مهندسی نیازمندی‌ها از خود نشان داده‌اند. این وظایف شامل:

• تحلیل نیازمندی‌ها (Requirement Analysis): برای تشخیص ابهام، ناسازگاری و نواقص معنایی در نیازمندی‌ها. مثلاً، یک مدل امبدینگ می‌تواند به شناسایی عباراتی کمک کند که ممکن است در نگاه اول متناقض به نظر نرسند اما در واقع، دلالت‌های معنایی متفاوتی دارند.
• استخراج نیازمندی‌ها از بازخوردها و انجمن‌ها (Extracting Requirements from Reviews and Forums): با توجه به حجم زیاد و ساختار نامنظم داده‌های متنی در پلتفرم‌های آنلاین، امبدینگ‌ها به خوبی می‌توانند نیازمندی‌های پنهان یا ضمنی را از نظرات کاربران استخراج کنند.
• وظایف کیفیت در سطح معنایی (Semantic-level Quality Tasks): مانند تشخیص تکرار معنایی (semantic duplication)، شناسایی نیازمندی‌های ناقص یا مبهم از نظر معنایی و اطمینان از یکپارچگی معنایی مجموعه نیازمندی‌ها.

۵.۳. دوام نمایش‌های واژگانی و نحوی

با وجود پیشرفت امبدینگ‌ها، نمایش‌های مبتنی بر ویژگی‌های واژگانی و نحوی همچنان برای برخی از وظایف RE مناسب‌تر و مؤثرتر هستند. این وظایف عبارتند از:

• مدل‌سازی نیازمندی‌ها (Requirement Modeling): برای تبدیل نیازمندی‌های متنی به مدل‌های ساختاریافته مانند مدل‌های UML، نمودارهای توالی یا نمودارهای جریان داده، اغلب نیاز به استخراج دقیق اجزای نحوی و روابط بین آن‌ها است. برای مثال، شناسایی فاعل، فعل و مفعول در یک جمله نیازمندی برای تولید یک مدل کلاس، کارآمدتر است.
• وظایف کیفیت در سطح نحوی (Syntax-level Quality Tasks): مانند بررسی گرامر، شناسایی جملات ناقص یا بیش از حد طولانی، و اطمینان از رعایت الگوهای نگارشی خاص. این وظایف اغلب بر مبنای قوانین مشخص (rule-based methods) و عبارات منظم عمل می‌کنند که به اطلاعات دقیق نحوی نیاز دارند.

۵.۴. شناسایی شکاف‌های تحقیقاتی

این مقاله چهار شکاف مهم در ادبیات موجود را نیز شناسایی کرده است که مسیرهای ارزشمندی برای تحقیقات آتی ارائه می‌دهد:

1. کمبود مطالعات مقایسه‌ای جامع: نیاز به مطالعاتی که به طور نظام‌مند اثربخشی انواع مختلف نمایش‌های متنی (واژگانی، نحوی، امبدینگ) را برای یک وظیفه RE خاص مقایسه کنند، به خصوص در مجموعه داده‌های متنوع و واقعی.
2. تمرکز محدود بر نیازمندی‌های غیرمتنی: اکثر تحقیقات بر نیازمندی‌های متنی متمرکز هستند، در حالی که نیازمندی‌ها اغلب شامل نمودارها، تصاویر یا مدل‌های بصری نیز می‌شوند. نیاز به رویکردهای چندوجهی (multi-modal) که بتوانند اطلاعات متنی و غیرمتنی را ادغام کنند، احساس می‌شود.
3. چالش‌های مربوط به چندزبانگی: اکثر ابزارهای NLP برای زبان انگلیسی توسعه یافته‌اند. نیاز به تحقیق در مورد چگونگی کارایی این تکنیک‌ها در زبان‌های دیگر (مانند فارسی) و همچنین در محیط‌های چندزبانه در مهندسی نیازمندی‌ها وجود دارد.
4. نبود مجموعه‌داده‌های استاندارد و معیارهای ارزیابی: کمبود مجموعه‌داده‌های عمومی و با کیفیت بالا برای آموزش و ارزیابی رویکردهای NLP در RE، و همچنین معیارهای استاندارد برای مقایسه عملکرد ابزارهای مختلف، مانعی برای پیشرفت سریع در این حوزه است.

این یافته‌ها یک نقشه راه روشن برای محققان و توسعه‌دهندگان در زمینه مهندسی نیازمندی‌ها ارائه می‌دهند و بر اهمیت انتخاب دقیق تکنیک نمایش متن متناسب با وظیفه مورد نظر تاکید می‌کنند.

۶. کاربردها و دستاوردها

یافته‌های این مرور نظام‌مند پیامدهای کاربردی و دستاوردهای مهمی برای صنعت و دانشگاه دارد. درک بهتر از نحوه عملکرد تکنیک‌های نمایش متن مبتنی بر NLP می‌تواند به توسعه ابزارهای کارآمدتر و بهبود فرآیندهای مهندسی نیازمندی‌ها منجر شود.

۶.۱. بهبود خودکارسازی وظایف RE

مهمترین دستاورد، افزایش پتانسیل برای خودکارسازی وظایف مهندسی نیازمندی‌ها است. با انتخاب صحیح تکنیک نمایش متن، ابزارهای نرم‌افزاری می‌توانند با دقت بیشتری کارهای زیر را انجام دهند:

• استخراج خودکار نیازمندی‌ها: از منابع مختلف مانند اسناد متنی، ایمیل‌ها، یادداشت‌های جلسه، بازخورد مشتریان در شبکه‌های اجتماعی و انجمن‌های آنلاین. این امر به کاهش زمان و تلاش لازم برای جمع‌آوری نیازمندی‌ها کمک شایانی می‌کند.
• تشخیص ابهام و ناسازگاری: ابزارهای مبتنی بر NLP می‌توانند الگوهای زبانی را که نشان‌دهنده ابهام (مثلاً کلمات مبهم) یا ناسازگاری (مثلاً نیازمندی‌های متضاد) هستند، شناسایی کنند. برای مثال، اگر دو نیازمندی به صورت «سیستم باید تمامی داده‌ها را ذخیره کند» و «سیستم نباید هیچ‌گونه اطلاعات شخصی را ذخیره کند» وجود داشته باشد، تکنیک‌های معنایی می‌توانند این تناقض را برجسته کنند.
• مدل‌سازی و اعتبارسنجی: با تبدیل نیازمندی‌های متنی به فرمت‌های ساختاریافته، می‌توان به طور خودکار مدل‌های نیازمندی (مانند نمودارهای حالت یا موارد کاربرد) را تولید و صحت آن‌ها را اعتبارسنجی کرد.
• مدیریت تغییرات و ردیابی نیازمندی‌ها: نمایش‌های کارآمد متن می‌توانند به ردیابی تأثیر تغییرات در یک نیازمندی بر سایر نیازمندی‌ها و همچنین بر طراحی و پیاده‌سازی سیستم کمک کنند.

۶.۲. تصمیم‌گیری آگاهانه‌تر برای توسعه‌دهندگان ابزار

این مقاله به توسعه‌دهندگان ابزارهای RE کمک می‌کند تا با دیدگاهی آگاهانه‌تر، تکنیک‌های NLP مناسب را برای وظایف خاص انتخاب کنند. به عنوان مثال:

• اگر هدف، تحلیل معنایی عمیق و استخراج نیازمندی‌های ضمنی باشد، استفاده از امبدینگ‌های پیشرفته مانند BERT توصیه می‌شود.
• اگر هدف، بررسی قواعد گرامری، مدل‌سازی بر اساس ساختار جمله یا اجرای قوانین مبتنی بر الگو باشد، ویژگی‌های واژگانی و نحوی همچنان گزینه‌های برتر هستند.

۶.۳. شناسایی فرصت‌های تحقیقاتی جدید

شناسایی شکاف‌های تحقیقاتی، مسیرهای جدیدی را برای پژوهشگران باز می‌کند. برای مثال، تاکید بر توسعه رویکردهای چندوجهی که نه تنها متن بلکه تصاویر و نمودارها را نیز پردازش می‌کنند، می‌تواند به درک جامع‌تری از نیازمندی‌ها منجر شود. همچنین، نیاز به مجموعه‌داده‌های استاندارد و ابزارهای ارزیابی، فرصت‌هایی برای همکاری‌های بین‌رشته‌ای و ایجاد استانداردهای جدید فراهم می‌آورد.

۶.۴. افزایش کیفیت نرم‌افزار

در نهایت، تمامی این کاربردها به افزایش کیفیت نهایی نرم‌افزار کمک می‌کنند. با مدیریت بهتر نیازمندی‌ها، ریسک خطا و بازکاری در مراحل بعدی توسعه کاهش می‌یابد، هزینه‌ها کمتر می‌شود و محصول نهایی بهتر انتظارات مشتری را برآورده می‌کند. این امر به ویژه در پروژه‌های بزرگ و پیچیده که مدیریت نیازمندی‌ها می‌تواند به یک چالش بزرگ تبدیل شود، حیاتی است.

۷. نتیجه‌گیری

مقاله «به‌کارگیری تکنیک‌های نمایش متن مبتنی بر پردازش زبان طبیعی در پشتیبانی از وظایف مهندسی نیازمندی‌ها: مرور نقشه‌برداری نظام‌مند» یک مشارکت ارزشمند و جامع در حوزه تحقیقاتی خودکارسازی مهندسی نیازمندی‌ها است. این مرور نقشه‌برداری نظام‌مند به وضوح نشان می‌دهد که پردازش زبان طبیعی، با توانایی‌های منحصر به فرد خود در تجزیه و تحلیل و فهم زبان انسانی، نقش حیاتی در بهبود کارایی و دقت فرآیندهای RE ایفا می‌کند.

نتایج کلیدی این پژوهش، یک تصویر پویا از تکامل تکنیک‌های نمایش متن را ارائه می‌دهد. از یک سو، شاهد گذار قابل توجهی از روش‌های سنتی مبتنی بر ویژگی‌های واژگانی و نحوی به سمت تکنیک‌های پیشرفته امبدینگ (مانند مدل‌های Transformer و Large Language Models) هستیم که به دلیل توانایی‌شان در درک روابط معنایی پیچیده، در بسیاری از وظایف RE کارایی بالایی دارند. از سوی دیگر، تاکید می‌شود که روش‌های سنتی‌تر همچنان برای وظایف خاصی مانند مدل‌سازی و بررسی کیفیت نحوی، که نیازمند دقت بالا در ساختار و قواعد گرامری هستند، ضروری و حتی برتر باقی می‌مانند.

این تحقیق نه تنها وضعیت فعلی دانش را مستند می‌کند، بلکه با شناسایی چهار شکاف تحقیقاتی مهم، مسیرهای روشنی را برای پژوهش‌های آینده هموار می‌سازد. این شکاف‌ها شامل نیاز به مطالعات مقایسه‌ای جامع، تمرکز بر نیازمندی‌های غیرمتنی، پرداختن به چالش‌های چندزبانگی و توسعه مجموعه‌داده‌ها و معیارهای ارزیابی استاندارد هستند. پرداختن به این شکاف‌ها می‌تواند به پیشرفت‌های چشمگیری در حوزه خودکارسازی RE منجر شود.

در نهایت، این مقاله یک منبع مرجع عالی برای محققان، دانشجویان و متخصصان فعال در حوزه مهندسی نرم‌افزار و هوش مصنوعی است. دستاوردهای آن نه تنها درک ما را از چگونگی به‌کارگیری NLP در RE عمیق‌تر می‌کند، بلکه ابزارهایی تحلیلی برای توسعه سیستم‌های نرم‌افزاری کارآمدتر، پایدارتر و مطابق با نیازهای واقعی فراهم می‌آورد. آینده مهندسی نیازمندی‌ها بدون شک با تلفیق بیشتر هوش مصنوعی و پردازش زبان طبیعی، به سمت خودکارسازی هوشمندانه و دقیق‌تر گام برخواهد داشت و این مقاله نقش مهمی در ترسیم این آینده ایفا می‌کند.