Winkler, Jonas Paul (2021). Klassifikation von Anforderungen und Informationen zur Unterstützung von Qualitätssicherungsprozessen. PhD thesis, Universität zu Köln.

[img]
Preview
PDF
dissertation-final-signed-pdfa.pdf
Bereitstellung unter der CC-Lizenz: Creative Commons Attribution Non-commercial No Derivatives.

Download (5MB) | Preview

Abstract

Anforderungsdokumente werden im Anforderungsmanagement verwendet, um Eigenschaften und Verhalten von Systemen zu dokumentieren. In der Automobilindustrie werden diese Dokumente verwendet, um die von Zulieferern zu fertigenden Komponenten zu beschreiben und um für die Kommunikation zwischen Zulieferer und Konzern eine rechtliche Grundlage zu schaffen. Daher müssen diese Dokumente diversen Qualitätsstandards und Qualitätsrichtlinien entsprechen. In manuellen Reviews werden Anforderungsdokumente gegen diese Richtlinien geprüft. Eine Richtlinie besagt, dass in Anforderungsdokumenten eine klare Trennung zwischen rechtlich verbindlichen Anforderungen und sogenannten Zusatzinformationen (Abbildungen, Erläuterungen, Beispiele, Verweise, etc.) existieren muss. Dazu wird jedes Objekt entsprechend dem Inhalt mit einem Objekttyp annotiert. Die Überprüfung der Korrektheit des Objekttyps ist ein zeitaufwändiger und fehleranfälliger Prozess, da Anforderungsdokumente in der Regel mehrere tausend Objekte umfassen. In dieser Arbeit wird am Beispiel des Reviews des Objekttyps untersucht, ob und in welcher Art und Weise der Reviewprozess durch den Einsatz von maschinellem Lernen unterstützt werden kann. Dazu wird zuerst ein Klassifikator trainiert, der in der Lage ist, zwischen Anforderungen und Zusatzinformationen zu unterscheiden. Ein darauf basierendes Werkzeug ist in der Lage, Anwender bei der Überprüfung des Objekttyps durch Hinweise und Warnungen zu unterstützten. In empirischen Studien wird untersucht, ob Anwender durch den Einsatz des Werkzeugs das Review von Anforderungsdokumenten besser durchführen können. Die Ergebnisse zeigen, dass Anwender nicht nur mehr falsch klassifizierte Objekte finden, sondern auch durchschnittlich 60% der für das Review verwendeten Zeit einsparen können. Durch die Übertragung des Ansatzes auf ein weiteres Klassifikationsproblem wird zudem gezeigt, dass der Einsatz von Werkzeugen nicht nur auf den Anwendungsfall Objekttypklassifikation beschränkt ist, sondern potenziell auf viele weitere zu überprüfende Richtlinien übertragbar ist.

Item Type: Thesis (PhD thesis)
Translated abstract:
AbstractLanguage
Requirements specifications are used in requirements management to document properties and behaviour of systems. In the automotive domain, these documents are used to describe the components that suppliers must manufacture and define the rights and liabilities of both the supplier and automotive company. Therefore, these documents must adhere to various quality standards and guidelines. Requirement specifications are verified against these quality standards in manual reviews. One specific guideline requires that within a requirements specification, requirements must be clearly separated from other content (additional information) such as figures, explanations, examples and references. To achieve this, each object in a specification is marked with an object type attribute. The review of this attribute is a time intensive and error prone process since requirements specifications usually contain more than 1.000 objects each. In this thesis, we examine the question if and how machine learning techniques can support requirements engineers during review. First, a classifier is trained on a dataset containing requirements and information objects. This classifier is able to distinguish between these two object types. A tool that incorporates this classifier is constructed with the goal to aid requirements engineers in performing the review by providing hints and warnings. We analyse the ability of the tool to support requirements engineers by performing several empirical studies. The results imply that requirements engineers may find more wrongly classified objects and save about 60% of the time used for manual reviews. The approach is applied to another classification task. This shows that the usage of tools to support manual reviews is not limited to the object type classification task but can be adapted to many more guidelines that need to be checked.English
Creators:
CreatorsEmailORCIDORCID Put Code
Winkler, Jonas Pauljonas.winkler@jpwinkler.deUNSPECIFIEDUNSPECIFIED
URN: urn:nbn:de:hbz:38-461658
Date: 2021
Language: German
Faculty: Faculty of Mathematics and Natural Sciences
Divisions: Faculty of Mathematics and Natural Sciences > Department of Mathematics and Computer Science > Institute of Computer Science
Subjects: Data processing Computer science
Uncontrolled Keywords:
KeywordsLanguage
Maschinelles LernenGerman
AnforderungsmanagementGerman
QualitätssicherungGerman
Neuronale NetzwerkeGerman
Convolutional Neural NetworksEnglish
Explainable AIEnglish
System EngineeringEnglish
Word EmbeddingsEnglish
Date of oral exam: 23 April 2021
Referee:
NameAcademic Title
Vogelsang, AndreasProf. Dr.
Schneider, KurtProf. Dr. rer. nat.
Refereed: Yes
URI: http://kups.ub.uni-koeln.de/id/eprint/46165

Downloads

Downloads per month over past year

Export

Actions (login required)

View Item View Item