基于 GPT 的需求工程培训引导面试脚本生成器
内容提要
本文探讨了ChatGPT在需求分析和软件工程中的应用，强调其在多语言需求文档检索、自动化软件活动及法律问题解答方面的潜力。研究表明，生成式大语言模型能够有效提升儿童好奇心问题的生成能力，并改善需求概述和代码质量。
延伸解读
需求工程中的多语言检索能力
文章指出，ChatGPT在多语言多类型需求文档检索上表现出令人惊叹的能力。这意味着在跨国项目或涉及多语言文档的软件需求分析中，生成式大语言模型可能帮助团队快速定位和提取关键需求信息，减少人工检索成本。但文章未提及具体准确率或适用边界，实际应用时仍需结合人工验证。
提示工程对任务效果的影响
文章多次强调提示（prompting）方法对任务质量有重要影响。例如在Entity Resolution中，提示方法显著影响结果，且受数据集影响；在法律问答中，模板提示经过调整和上下文学习后性能提升。这表明使用ChatGPT时，提示的设计和优化是决定输出质量的关键因素，而非简单调用即可。
ChatGPT在软件工程中的自动化潜力与局限
文章提到ChatGPT可自动化部分软件工程活动，如确保代码与第三方库解耦、快速设计Web应用程序API，并提供了解决常见问题的模式目录。但同时，评估显示它在计算机工程学科中能回答概念问题，却无法处理需要图表和手工实验的问题。这提示其更适合辅助文本和概念性任务，而非替代需要视觉或动手实验的环节。
Q&A
ChatGPT在需求工程中的应用有哪些？
ChatGPT在需求工程中可用于多语言需求文档检索、自动化软件活动及法律问题解答。
如何提高儿童好奇心问题的生成能力？
使用自然文本提示和开放式训练内容可以有效提高儿童好奇心问题的生成能力。
ChatGPT如何自动化软件工程活动？
ChatGPT能够确保代码与第三方库解耦，并快速设计Web应用程序API。
基于模板的法律问题回答方法的准确性如何？
该方法的准确性较低，但经过调整后，模板提示的准确性得到了提升。
提示质量对EFL学生写作任务的影响是什么？
提示质量和数量对EFL学生使用ChatGPT完成写作任务的效果有重要影响。
ChatGPT在计算机工程学科中的表现如何？
ChatGPT在概念问题上表现良好，但无法处理需要图表和手工实验的问题。
