Engineering Stakeholders' Viewpoint-concerns for Architecting a Modern Enterprise
Notice bibliographique
Résumé
Stakeholders in an enterprise have diverse concerns from a variety of viewpoints. Designers of the enterprise and its systems elicit, analyze, and engineer stakeholders' viewpoint concerns. Most, if not all, of the stakeholders' concerns, are written in natural language. Ambiguity is omnipresent when it comes to describing viewpoint concerns in natural language. This ambiguity may lead to sub-par requirements for systems design and documenting enterprise blueprints. Many requirements elicitation methods and enterprise architecture frameworks emerged in past decades and gained popularity. None of these linked the viewpoint concerns to natural language lexical and semantic constructs. In this dissertation, we describe English language interrogative investigations and their semantic and lexical relationships to formulate better viewpoint concerns for stakeholders. We included two publications, primarily for waterfall software development lifecycles and monolith applications, one on requirements engineering and the other on enterprise architecture. In the past decade, widespread adoption of agile project management, independent delivery with microservices, and automated deployment with DevOps has tremendously sped up systems development. Microservices are provisioned and accessed via application programming interfaces (APIs). APIs carry business value and have created an API economy for enterprises. The link between stakeholders’ concerns and microservices/APIs is not well captured nor adequately defined. We included a third publication in this dissertation that addresses these issues.Based on the publications included in the dissertation, we created a tool that uses a natural language generation system to auto formulate stakeholder viewpoint concerns for a system.
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 | 0,001 | 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 | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».