ABSTRACT L'ingénierie des exigences est l'une des parties les plus cruciales du cycle de vie de l'ingénierie logicielle. De nombreux programmes échouent chaque année en raison de lacunes dans l'ingénierie des exigences. Les documents d'ingénierie des exigences sont rédigés dans des langues naturelles, ce qui peut entraîner des ambiguïtés. La présence d'ambiguïté dans le langage naturel provoque des malentendus. Une identification précise et rapide de ces exigences est essentielle pour le processus de développement. Cependant, la classification manuelle prend beaucoup de temps et nécessite de l'automatisation. Aujourd'hui, avec l'avancement rapide de la technologie, l'apprentissage automatique et l'apprentissage profond sont utilisés pour détecter ces ambiguïtés dans les documents de spécification des exigences. La technique d'embedding de mots BERT et l'algorithme Bi-LSTM ont été utilisés dans cette recherche. Nous avons utilisé des algorithmes méta-heuristiques pour choisir la meilleure valeur des hyperparamètres de notre algorithme d'apprentissage profond. Le jeu de données SRS susceptible de contenir des défauts, disponible publiquement, a été utilisé pour entraîner les modèles. Ce jeu de données a également été utilisé pour évaluer les performances de l'algorithme proposé en termes de score F1, d'exactitude et d'autres métriques statistiques. Le modèle BERT-BiLSTM a surpassé les autres modèles dans la classification et la détection des ambiguïtés dans les documents de spécification des exigences, atteignant un score F1 et une exactitude supérieure à 81%.
Abdeahad et al. (Mon,) ont étudié cette question.