World Requirement Model: 타입화된 아티팩트 그래프로부터 요구사항 변경의 파급 효과 학습

요구사항 변경은 연결된 이해관계자(stakeholders), 제약 조건(constraints), 구성 요소(components), 그리고 테스트에 영향을 미칠 수 있습니다. 본 논문에서는 이러한 공학적 맥락을 타입화된 아티팩트 그래프로 인코딩하고 공유 아티팩트 식별자에서 파급 효과를 예측하는 World Requirement Model (WRM)을 제시합니다. 관계 인식 어텐션(Relation-aware attention)과 타입 전파(typed propagation)가 노드에 맥락을 부여하며, 월드 표현(world representation) 및 결정 표현(decision representation)이 학습된 동역학(learned dynamics)을 지원합니다. 공유 리아웃(Shared readouts)은 영향도(impact), 충돌(conflict), 위반(violation), 그리고 결함 위험(defect risk) 점수를 매기고; 보조 목표(auxiliary objectives)는 후속 연결성(successor adjacency)과 잠재적 예측(latent prediction)을 지도합니다. 6개 도메인에서 282개의 합성 사례 중 28개 점수화된 사례를 대상으로 WRM은 해시 텍스트 다층 퍼셉트론(MLP) 대비 영향도 평균 정밀도(MAP) 0.724 대 0.623을 달성하여, 상대적 이득률 16.2%와 쌍별 차이 0.101 (조건부 95% 구간 [0.044, 0.159])를 보였습니다. 최하위 사분위 평균 AP는 32.4% 향상되었고, 동일 도메인 MAP은 13.3% 향상되었습니다. 확장된 코퍼스에서 수행한 4건의 47개 사례 비교에서는 MAP이 15.6~29.1% 증가했으며, 보고된 모든 다섯 가지 지표에서 더 높은 평균값을 보였습니다. 따라서 기록된 이점은 점수 요약 및 주석/학습 설정 전반에 걸쳐 확장됩니다. 체크포인트는 점수화된 사례를 기반으로 선택되었으며 백본(backbones)은 일치하지 않으므로, 이러한 결과는 선택된 시스템을 특징짓습니다. 본 분석은 후보 커버리지 경계(candidate-coverage bounds)를 확립하고 현재의 선형 영향도 헤드(linear impact head)가 결정에 걸쳐 고정된 월드의 아티팩트를 재순위화할 수 없음을 보여줍니다. WRM은 아티팩트 기반의 월드 모델 공식화, 맥락적 파급 효과 점수화에 대한 비교 증거, 그리고 요구사항-월드 예측 평가를 위한 명시적인 조건을 기여합니다.