Model Generation from Requirements with LLMs: an Exploratory Study

本文探讨了ChatGPT这一大型语言生成模型能否自动生成UML序列图，以补充自然语言需求的图形化模型，提高利益相关者之间的沟通，并为系统设计提供指导。然而，从需求中创建模型需要手动劳动。随着生成式大型语言模型（LLMs）的出现，ChatGPT是其中一个著名的例子，为模型生成的自动化提供了有希望的途径。本文对ChatGPT从自然语言需求中生成UML序列图的能力进行了定性研究。我们研究了来自各种类型和不同领域的28个需求文档所生成的序列图。通过评估日志系统地捕获了对生成图的分析观察，并通过主题分析对其进行了分类。我们的研究结果表明，虽然这些模型通常符合标准并具有合理的可理解性，但它们与指定的需求相比在完整性和正确性方面经常存在挑战。特别是在存在歧义和不一致等需求问题时，这个问题尤其突出。从这项研究中得出的见解可以影响LLMs在RE过程中的实际利用，并为针对有效模型生成的新型RE特定提示策略打开大门。

本论文旨在探讨使用大型语言模型（LLMs）生成UML序列图的可行性，并研究ChatGPT在生成序列图时的表现。具体而言，作者试图解决从自然语言需求中生成模型的自动化问题。

本论文的关键思路是使用ChatGPT生成UML序列图，以自动化生成从自然语言需求到模型的转换过程。相比当前的研究，本论文的创新之处在于使用了大型语言模型，并进行了对模型生成结果的详细分析。

论文使用了28个不同领域的需求文档进行实验，并对生成的序列图进行了定性分析。结果表明，生成的序列图大体符合标准，但在完整性和正确性方面存在一定的挑战，尤其是在需求存在歧义和不一致性的情况下。此外，论文还探讨了大型语言模型在需求工程中的应用前景。

相关研究包括使用自然语言处理技术生成UML模型的研究，例如《Generating UML class diagrams from natural language requirements: A feasibility study》和《Automatic generation of UML activity diagrams from natural language text using a hypergraph model》等。此外，还有一些研究探讨了使用大型语言模型进行自然语言处理的应用，例如《BERT: Pre-training of Deep Bidirectional Transformers for Language Understanding》和《GPT-2: Language Models are Unsupervised Multitask Learners》等。