AIRE 2023: 10th International Workshop on Artificial Intelligence and Requirements Engineering
Notice bibliographique
Résumé
Requirements Engineering (RE) researchers have employed Artificial Intelligence (AI) techniques to tackle different notions of requirements quality, have applied the techniques to different case studies and domains, and have used different metrics to assess the performance of their techniques. Given the pervasiveness of AI-based systems in our daily life, recent years have also seen an increasing need for RE techniques to support sound and structured development of AI system, with particular interest in explainability of system behaviour. The primary purpose of the AIRE workshop is to explore synergies between AI and RE in order to identify complex RE problems that could benefit from the application of AI techniques and the other way round, thus addressing RE for AI challenges. The 2023 edition of the workshop received 14 submissions, which were independently reviewed by at least three program committee members. In the end, 9 papers were accepted. All the conflicts of interest were treated seriously and independently. The workshop takes place on September 5, 2023. We hope that you enjoy the AIRE'23 workshop and its proceedings. We believe that in the days when AI is gaining prominence in our daily lives, the RE community cannot neglect the benefits that AI techniques can deliver to the practice of requirements engineering. The workshop will feature a keynote by Dr. Alessio Ferrari from CNR-ISTI (Italy) on Artificial Intelligence in Engineering and Society: Blue Skies, Black Holes, and the Job of Requirements Engineers. We look forward to seeing you all at this workshop and the future editions. We are very grateful to the Program Committee members and authors of the submissions for their hard work and dedication in putting together this program. We would like to thank you all for your participation in AIRE'23.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».