Termin in Kalender importieren: iCal (Download)
Vorträge
Feinanpassung vs. Prompting: Der Fall der Wiederherstellung von Nachverfolgbarkeitsverbindungen
| Vortragende(r)
|
Markus Bodenberger
|
| Vortragstyp
|
Bachelorarbeit
|
| Betreuer(in)
|
Tobias Hey
|
| Vortragssprache
|
Deutsch
|
| Vortragsmodus
|
in Präsenz
|
| Kurzfassung
|
Bei der Softwareentwicklung entstehen verschiedene Anforderungen, die zueinander in Beziehung stehen können. Diese Beziehungen werden mit Nachverfolgbarkeitsverbindungen (engl.: trace links, TLs) repräsentiert, die verschiedene Vorteile bieten, jedoch häufig gar nicht oder inkonsistent erfasst werden. Deshalb beschäftigt sich die Forschung mit der Wiederherstellung von TLs zwischen Anforderungen, für die es verschiedenste Ansätze gibt. Neuere automatisierte Ansätze verwenden häufig Feinanpassung oder Prompting, da sich damit oft bessere Ergebnisse erzielen lassen. Aktuell ist jedoch unklar, welche Feinanpassungsund Prompting-Ansätze in welchen Anwendungsfällen die beste Performance liefern, da bislang kein umfassender Vergleich zwischen ihnen unternommen wurde.
In dieser Bachelorarbeit wird daher ein solcher Vergleich durchgeführt, um zu ermitteln, mit welcher Anzahl an verfügbaren Projekt-TLs welcher vollautomatisierte Feinanpassungsund Prompting-Ansatz in welcher Situation die beste Performance erzielt. Dazu werden vier Szenarien betrachtet, in denen die Generierung und Vervollständigung von TLs mit und ohne die Nutzung von TLs aus anderen Projekten durchgeführt wird.
|
On the Impact of Context on Automated Requirements-to-Code Traceability Link Recovery
| Vortragende(r)
|
Philip Klemens
|
| Vortragstyp
|
Masterarbeit
|
| Betreuer(in)
|
Dominik Fuchß
|
| Vortragssprache
|
Deutsch
|
| Vortragsmodus
|
in Präsenz
|
| Kurzfassung
|
Requirement Traceability kann Anwender in vielen Software-Engineering- und Wartungsaufgaben wirksam unterstützen. Das manuelle Erstellen und Pflegen von Traceability-Informationen ist jedoch aufwendig und fehleranfällig. Dieses Problem kann durch den Einsatz automatisierter Traceability Link Recovery-Methoden adressiert werden. Bestehende Methoden erfordern jedoch entweder projektspezifische Trainingsdaten oder liefern Ergebnisse, deren Qualität nicht ausreicht, um Anwender ausreichend zu unterstützen. In dieser Masterarbeit untersuchen wir die automatisierte Wiederherstellung von Traceability Links zwischen Anforderungen und dem Source Code eines Projekts. Dabei bauen wir direkt auf dem LiSSA-Framework und auf Forschung in verwandten Gebieten auf, indem wir Embedding-Modelle und LLMs nutzen, um zu untersuchen, wie diese es ermögichen Kontextinformationen einzusetzen, um die Qualität der wiederhergestellten Links zu verbessern. Unsere Evaluation zeigt, dass der Einsatz von Kontext zwar zu besseren Resultaten führen kann, diese Verbesserungen jedoch nur einen geringen Umfang haben und eine sorgfältige Auswahl von Vorverarbeitungsschritten und Retrieval-Strategien erfordern. Darüber hinaus implementieren wir eine agentische Herangehensweise für TLR. Unsere Evaluation zeigt, dass ein LLM-basierter Agent zwar TLs wiederherstellen kann, dass jedoch das initiale Prompting sowie Art und Umfang der verfügbaren Werkzeuge einen großen Einfluss auf die resultierenden TLs haben. Zudem zeigt sich, dass der von uns vorgestellte agentische Ansatz derzeit noch nicht die Qualität traditioneller IR-basierter Methoden erreicht.
|
Hinweise
