Automating Feedback Analysis to Support Requirements Relation and Usage Understanding

Bei der Softwareentwicklung klafft oft eine Lücke zwischen den Annahmen der Entwickler und den tatsächlichen Bedürfnissen der Benutzer. Die direkte Einbindung der Nutzer ist wertvoll, aber oft unpraktisch, so dass Online-Nutzerfeedback aufgrund seiner unstrukturierten Natur eine wichtige, aber schwierige Ressource darstellt. Diese Dissertation befasst sich mit zwei Hauptproblemen: der Identifizierung der Funktionen, die Benutzer in ihrem Feedback diskutieren, und dem Verständnis, wie Benutzer mit ihnen interagieren. Um diese Herausforderungen zu meistern, werden zwei auf maschinellem Lernen basierende Ansätze vorgeschlagen: Einer setzt das Nutzerfeedback mit bestehenden Softwareanforderungen in Beziehung, der andere extrahiert detaillierte Nutzungsinformationen mit Hilfe des TORE-Frameworks. Die Arbeit folgt einer Design-Science-Methodik und umfasst systematische Mapping-Studien, den Entwurf und die Evaluierung automatischer Klassifikatoren sowie die Entwicklung eines unterstüt zenden Software-Prototyps, Feed.UVL, zusammen mit einem Jira-Plugin zur Integration in bestehende Arbeitsabläufe. Die Beiträge umfassen neue Methoden zur Feedback-Analyse, evaluierte Klassifikatoren, kommentierte Datensätze und Einblicke in die aktuelle Forschung auf diesem Gebiet.