자연어 기반의 소프트웨어 요구사항은 성능, 작동 조건, 사용자 행동, 도메인 제약 조건 등에 대한 가정(assumptions)을 종종 생략하며, 이는 아키텍처, 테스트 및 배포에 영향을 미칩니다. 만약 이러한 가정이 구현 단계에서 발견된다면, 이를 해결하는 비용은 초기에 다루는 것보다 훨씬 더 많이 듭니다. 모호성(ambiguity)과 불명확성(vagueness)은 광범위하게 연구되었지만, 명확하고 합리적으로 보이는 요구사항에 내재된 가정에는 상대적으로 적은 관심이 기울여졌습니다. 우리는 HiddenLens를 제안합니다. 이는 새로운 6개 레이어의 BERT-LLM 파이프라인이며, 단순히 모호성을 표시하는 것을 넘어 숨겨진 가정을 탐지하고, 분류하며, 질문하고, 해결하도록 설계된 최초의 프레임워크입니다. 레이어 1은 BERT 어텐션 엔트로피(attention entropy)를 사용하여 미해결 구간을 국소화합니다. 레이어 2는 CoT-프롬프팅된 LLM 추론을 사용하여 각 가정과 그 실패 위험을 명확히 합니다. 레이어 3은 파인튜닝된 BERT를 사용하여 가정을 성능, 보안, 확장성(scalability), 사용성(usability), 신뢰성(reliability), 도메인 등 여섯 가지 비기능 요구사항(non-functional requirement) 범주로 분류합니다. 레이어 4는 FS LLM 프롬프팅을 사용하여 순위가 매겨진 명확화 옵션을 생성합니다. 레이어 5는 확인(confirmation), 편집(editing), 또는 재작성(rephrasing)을 통해 인간의 검증을 가능하게 합니다. 그리고 레이어 6은 확인된 해결책을 사용하여 요구사항을 다시 작성하여, 명시적이고 테스트 가능하며 추적 가능한 요구사항을 생성합니다. 또한 우리는 HiddenLens Corpus (HLC)를 소개하는데, 여기에는 6가지 NFR 범주에 걸쳐 847개의 숨겨진 가정으로 주석이 달린 312개의 요구사항이 포함되어 있습니다. PROMISE 및 PURE에서 영감을 받은 HLC는 이 작업에 대한 주석 데이터 부족 문제를 해결하며, 저희가 아는 한 이를 위해 특별히 개발된 최초의 데이터셋입니다. HiddenLens는 키워드 기반 및 QuARS-Adapted 기준선 대비 각각 71%, 61% 성능 향상을 보이며, 최종 종단 간(end-to-end) F1 점수 0.79를 달성했습니다. 또한 BERT 기반 NFR 분류기는 F1 점수 0.847을 달성합니다. 이러한 결과는 HiddenLens가 분석가들이 숨겨진 가정이 소프트웨어 개발 전반에 퍼지기 전에 이를 해결하는 데 도움을 줄 수 있음을 시사합니다.