Konzeptionelle Modelle und Diagramme sind wesentliche Bestandteile des Model Engineerings und dienen der Darstellung, Analyse und Kommunikation komplexer Systeme. Aufgrund ihrer Größe und visuellen Komplexität sind sie jedoch oft schwer zugänglich, insbesondere für Nicht-Expert:innen sowie für Personen mit visuellen Einschränkungen. Ziel dieser Arbeit ist es, zu untersuchen, in wie weit Large Language Models (LLMs) zur Verbesserung der Zugänglichkeit und des Verständnisses von Modellen beitragen können.Auf Basis einer systematischen Literaturrecherche werden bestehende Ansätze zur Modellzusammenfassung, Modellverständnisunterstützung und zu konversationellen Agenten analysiert und deren Stärken sowie Limitationen identifiziert. Aufbauend darauf wird ein konzeptioneller Ansatz entwickelt und ein Prototyp in die GLSP-basierte bigUML-Umgebung integriert. Dieser ermöglicht die Generierung konfigurierbarer, rollenabhängiger textueller Erklärungen von UML-Modellen auf Basis strukturierter Modelltransformationen und gezielter Prompt-Engineering-Techniken.Die Evaluation erfolgt zweistufig. Zunächst wird der Prototyp hinsichtlich seiner technischen Umsetzung und seines Beitrags zur Modellverständnisunterstützung bewertet. Anschließend wird in einer unabhängigen Untersuchung analysiert, wie unterschiedliche Repräsentationsformate und Kontextlängen das Verständnis von Modellen durch LLMs beeinflussen. Die Ergebnisse zeigen sowohl das Potenzial als auch die aktuellen Grenzen von LLMs im Kontext des Modellverständnisses auf und liefern wertvolle Erkenntnisse für die Weiterentwicklung barrierefreier, KI-gestützter Werkzeuge im Model Engineering.
Manuel Mischak (Sun,) studied this question.