Sprache systematisch verbessern

Transkript

1 Sprache systematisch verbessern Eugen Okon Fachgebiet Software Engineering, Leibniz Universität Hannover Abstract. Diese Ausarbeitung basiert auf der wissenschaftlichen Arbeit von Kimberly S. Wasson mit dem Titel A Case Study in Systematic Improvement og Language for Requirements [1] und bietet einen Überblick über CLEAR, einer Methode die sich Konzepten der Linguistik und der Graphenanalyse bedient, um Anforderungen aus unterschiedlichen Dokumenten zu extrahieren, diese systematisch zu verbessern und zugänglich zu organisieren.. 1. Einleitung Softwaresysteme, die anders funktionieren als sie es sollten gefährden Leben, beschränken den eigenen Funktionsumfang und wirken sich negativ auf das gesellschaftliche Wohlbefinden aus. Diese Ausarbeitung fasst eine Methode zusammen, die dabei helfen kann die Herausforderungen, die bei dem Unsetzen einer informellen Idee in ein funktionierendes Softwaresystem auftreten zu identifizieren und zu überwinden. Ein Großteil der Fehler in einem hoch-konsequenten Softwaresystem, kann auf Defizite in den Anforderungen zurückgeführt werden. Aus diesem Grund müssen kritische Informationen (kritisch in sofern, als dass sich ein falsches Verständnis dieser Informationen fatal auf das System auswirken würde) mit größter Genauigkeit zwischen mindestens zwei Parteien ausgetauscht werden. Bei den Parteien handelt es sich dabei einerseits um die Personen, die die Anforderungen formulieren und andererseits um diejenigen, die diese dann umsetzen. Fehlt diese Genauigkeit ist die Gültigkeit des gesamten Systems gefährdet. Diese Ausarbeitung beschreibt die Cognitive Liguistic Elicitation and Rerpresetntation (CLEAR) Methode, sowie ihre Evaluierung. Der Ansatz der CLEAR Methode basiert darauf den kognitiven Verhaltensweisen und Grenzen des Menschen, die Missverständnisse gerade erst möglich machen systematisch entgegen zu wirken. Die Methoden sind dabei in ein prozedurales Verfahren eingebetet, dass Unterstützung bei der Erstellung von qualitativ hochwertigen Repräsentationen der Anforderungen frei von spezifischen Fehlern bietet. Die Evaluierung des Verfahrens wird anhand einer Fallstudie durchgeführt. Die Autoren der Arbeit, die dieser Ausarbeitung zu Grunde liegt stellen bezogen auf die Studie eine Hypothese auf. Diese besagt, dass die Repräsentation von Anforderungen unter Anwendung der CLEAR Methode soweit verbessert werden kann, dass die für

2 2 Eugen Okon die fehlerfreie Kommunikation notwendige Genauigkeit erreicht wird. Des Weiteren schlägt die Autorin vor, die Struktur der Repräsentation so zu wählen, dass diese die Möglichkeit bietet sowohl die vorhandenen Informationen zu untersuchen als auch neue abzuleiten. Im Ergebnis Abschnitt dieser Ausarbeitung wird sowohl auf den Vergleich der Ausgangsdaten mit der Repräsentation nach Anwendung der CLEAR Methode (am Beispiel der Studie), als auch auf neu entstandenen Informationen eingegangen. Des Weiteren wird ein rationales, quantitatives Maß des Risikos von Fehlkommuniktaion eingeführt. Der Risikoindex stellt eine Richtlinie für den konzeptionellen Anteil der Ressourcenverteilung während der ganzen Projektphase dar. Zunächst soll jedoch in dem nächsten Abschnitt ein grober Überblick über den derzeitigen Stand der Forschung auf dem Gebiet der Kommunikation im Bezug auf Anforderungserhebung geschaffen werden. 2. Derzeitige Situation in diesem Forschungsgebiet In diesem Abschnitt werden aktuelle Ansätze zur Verbesserung der Kommunikation während der Anforderungserhebung beschrieben. Das Spektrum der vorhandenen Ansätze ist sehr breit und kann nach sehr vielen verschiedenen Ansätzen Kategorisiert werden. An dieser Stelle werden die Ansätze grob auf zwei Kategorien aufgeteilt. Zum einen handelt es sich dabei Form-Orientierte Ansätze, welche sich hauptsächlich mit der Art der Repräsentation der Anforderungen, sowie der Sprachverarbeitung befassen. Zum anderen sind es Bedeutungs-Orientierte Ansätze, die sich mit der Bedeutung hinter der Repräsentation befassen. Nachfolgend wird konkreter auf diese beiden Bereiche eingegangen. Form-Orientierte Ansätze Innerhalb dieser Kategorie werden ferner formale und natürlich-sprachliche Ansätze unterschieden Die formalen Ansätze, formalisieren Sprachen und damit auch die darauf ausgerichteten Methoden insofern, als dass ein mathematischen Modell und eine Menge von logischen Regeln konstruiert werden kann. Anforderungen bzw. ihre Repräsentationen werden nur dann als korrekt und gültig eingestuft, wenn sie diese Regeln erfüllen. Dabei geht es darum die allgemein verwendete Sprache einzuschränken, mit dem Ziel höhere Präzision zu erreichen. Dafür wird wie bereits erwähnt die Sprache auf eine formale Sprache abgebildet und diese Formale Sprache zur Darstellung der Anforderungen und allgemein in der Kommunikationsphase verwendet. Ein Beispiel dafür ist das Attempo Controlled English (ACE) [2]. Der Vorteil bei der Verwendung von formalen Sprachen und Modellen besteht sicherlich darin, dass es sich dabei um präzise automatisierbare Methoden handelt, die allerdings und dies ist einer der größten Nachteile lediglich Fehler aufdecken, die innerhalb der abgeschlossenen Welt des Modells auftreten. Als weiteres Problem wurde festgestellt, dass aufgrund der Formalisierung der Sprache, domänenspezifische Aussagen nur sehr schwer bzw. garn nicht formal richtig und ohne Verzerrung der Bedeutung formuliert werden können. [3][4]

3 Sprache systematisch verbessern 3 Die natürlich-sprachlichen Ansätze messen, im Gegensatz zu den formalen Ansätzen, der Präsens von natürlicher Sprache eine große Bedeutung zu. Dabei wird der Text nicht auf eine formale Sprache abgebildet, sondern mechanisch analysiert. Als Beispiel kann an dieser Stelle auf das Automated Requirements Measurement (ARM) Tool verweisen, welches bei dem auffinden einiger Kommunikationsdefizite innerhalb von Texten im Anforderungskontext unterstützend eingreift. [5] Darüberhinaus existieren auch kombinierte Ansätze wie z.b. COLOR-X [6], welche die natürlich-sprachlichen und die formalisierenden Methoden vereinigen. Bedeutungs-Orientierte Ansätze Bei einer Reihe weiterer Ansätze wird eher die semantische Bedeutung der Aussagen betrachtet. Das Ziel ist es dabei die Repräsentation mit der Semantik zu verbinden. Diverse Autoren wissenschaftlicher Arbeiten auf diesem Gebiet stellten fest, dass die Verknüpfung zwischen einem System und der Anwendungsdomäne, der dieses System angehört, eine entscheidende Rolle bei der Entstehung bzw. Vermeidung von Fehlern während der Kommunikation spielt [7]. In Folge dieser Erkenntnis wurden ganze Klassen von Beschreibungsmechanismen eingeführt die dazu verhelfen, die Repräsentation, die rein syntaktischer Natur ist mit domänenbezogener Semantik anzureichern. Weitere Arbeiten beschäftigten sich mit dem Einfluss der menschlichen Physiologie und des soziale Verhaltens auf die Kommunikation und die Art wie Informationen aufgenommen werden. In diesem Zusammenhang wurden viele unterschiedliche Ansätze diskutiert, die größtenteils der Psychologie entsprangen, auf die jedoch an dieser Stelle nicht näher eingegangen werden soll. Nähere Informationen können allerdings den Quellen [7] entnommen werden. In den nachfolgenden Abschnitten wird eine Methode Namens CLEAR vorgestellt, die gewisser Maßen als Kombination einiger oben erwähnter Ansätze zu verstehen ist. 3. Die CLEAR Methode In diesem Abschnitt soll konkreter auf die CLEAR Methode eingegangen werden und die Prozesse bzw. Phasen, die dahinter stehen kurz erläutert werden. Die Cognitive Linguistic Elicitation and Representation (CLEAR) Methode wurde mit dem Ziel entwickelt Probleme, die während der Kommunikation von Anforderungsproduzenten (meist Auftraggeber) und Anforderungskonsumenten (für die Entwicklung Verantwortliche wie z.b. SW-Architekt) auftreten, zu minimieren. Ein wichtiges Merkmal der Methode ist es, dass Ergebnisse aus den Forschungsbereichen Linguistik und kognitive Psychologie verwendet werden. Diese werden genutzt um für die Produzenten von Anforderungen eine prozedurale Unterstützung für das Erfassen, das Speichern und das Präsentieren von Anforderungen zu bieten. Dies soll in der Form geschehen, dass auch die Konsumenten der Anforderungen leichten Zugang zu den Informationen haben.

4 4 Eugen Okon CLEAR erlaubt des Weiteren den Aufbau eines organisierten Repositories, welches die Domain-spezifische, für die Entwicklung kritische Semantik umfasst. Die CLEAR Methode untergliedert sich in vier Phasen: Selection, Elicitation, Representation und Integration. Nachfolgend wird auf die einzelnen Phasen näher eingegangen: Selection Phase: In dieser Phase findet die Selektion der Phrasen statt, die in das Repository aufgenommen werden sollen. Diese Phase bezieht sowohl eine manuelle Untersuchung der zur Verfügung stehenden Materialien (Schriftstücke etc.) als auch eine Untersuchung basierend auf den Prinzipien des Information Retrieval ein. Bei der manuellen Selektion beschäftig sich ein Analytiker mit den Anforderungsdokumenten und selektiert Phrasen, die ihm intuitiv als zentral für die Funktionsfähigkeit des Systems erscheinen. Bei dem Information Retrieval werden hingegen konkrete Metriken verwendet, um Begriffe zu selektieren. Dabei spielen Auftrittshäufigkeiten mit unterschiedlichsten Normierungsvarianten sowie die konkrete abschnittsbezogene Verteilung der Phrasen eine große Rolle. Hohe relative Auftrittshäufigkeit einer Phrase in einem Abschnitt bzw. in der Beschreibung einer Komponente kann auf viele Möglichkeiten des Missverstehens hindeuten. Eine hohe Verteilung einer Phrase über verschiedene Abschnitte bzw. Komponenten bedeutet, dass diese von großer Bedeutung für das System sein kann, jedoch dass Missverständnisse unter Umständen aufgrund der Verteilung übersehen werden könnten. Dies kann sich fatal auf das Endprodukt auswirken. In beiden Fällen ist es sicherlich das Ziel das Risiko einer Fehlkommunikation, was konkret diese Phrasen angeht, zu minimieren. Die Listen mit den Phrasen, den dazugehörigen Auftrittshäufigkeiten sowie ihren Verteilungen werden mit grammatikalischen und einigen weiteren Filtern gefiltert. Das Ziel ist es dabei nur noch für die Anwendung spezifische Phrasen dieser Domain in der Liste zu lassen. Die Liste der Phrasen, die nach diesem Schritt weggefallen ist, wird mit der Liste geschnitten (damit ist die mathematische Funktion auf Mengen gemeint), die durch die manuelle Untersuchung der Dokumente zustande gekommen ist. Das Ergebnis wird wieder der gültigen Liste hinzugefügt. Diese so resultierende Liste wird anschließend gemäß den zur Verfügung stehenden Ressourcen (z.b. Geld, Zeit) reduziert. Elicitation Phase: Während der Elicitation Phase wird eine Kollektion erstellt, welche den durch Produzenten erwünschten fachlichen Zusammenhang also die Semantik, den in Selection Phase ermittelten Phrasen zuordnet. Diese Zuordnung findet mit Hilfe von Formularen statt, die durch die Stakeholder - also die Produzenten der Anforderungen ausgefüllt werden. Diese Formulare sind so konzipiert, dass ein Analytiker einen Einblick in die so genannte kognitive Kategorie der in dem Formular behandelten Phrase bekommt und damit ein Verständnis für die Intention des Produzenten erhält. Unter einer kognitiven Kategorie ist das Verständnis eines Sachgebietes durch eine einzelne Person oder eine beschränkte Gruppe von Personen gemeint. Eine Person kann Gegenstände oder auch Begriffe aufgrund ihrer Erfahrungen einer bestimmten Kategorie zuordnen und innerhalb dieser Kategorie Begriffe deuten. Eine andere Person, die diese Erfahrungen jedoch nicht gesammelt und damit die Begriffe und Gegenstände in einem anderen kausalen und semantischen Zusammenhang sieht

5 Sprache systematisch verbessern 5 definiert eine ganz andere kognitive Kategorie (und dies obwohl die Begriffe identisch sind). Representation Phase: Während der Repräsentation Phase geht es darum die gesammelten Informationen zu organisieren und zu präsentieren. Dabei ist es wichtig die Phrasen auf eine Art darzustellen, die es dem Konsumenten der Anforderungen ermöglicht, den durch die Produzenten erwünschten Effekt zu erkennen und umzusetzen. Das Ziel ist es den in der Elicitation Phase gesammelten Inhalt, mit strukturierter Führung durch den Prozess, zu integrieren und dabei die Verknüpfung zwischen Ausdruck und Bedeutung zu erhalten. Die Representation Phase wird dabei durch einen Unterprozess namens Partial Reductive Paraphrase (PRP) initiiert, welcher auf Reductive Paraphrase (RP) basiert. RP produziert Erläuterungen einer besonderen Form. Die Erläuterungen, die eine Phrase definieren, dürfen nur aus Termen bestehen, die einfacher als die Phrase selbst ist. Das Verfahren wird anschließend solange rekursiv auf alle Terme angewendet bis diese nur noch semantische Grundprimitive darstellen, die für alle menschlichen Wesen verständlich sind. Bei PRP wird die Forderung eine die Eben der Grundprimitiven zu erreich aufgehoben und durch eine Ebene der relativen Primitiven ersetzt. Diese Ebene ist variabel und entsteht aus dem gemeinsamen Grundverständnis der Produzenten und Konsumenten. Die so entstandenen Erläuterungen können in eine Baumstruktur abgelegt werden, deren Wurzel der zu erläuternde Begriff ist. Aufgrund des bereits erläuterten formalen Regelwerkes des PRP Verfahrens treten Mängel wie unklare, spezielle, zirkuläre und anderweitig unvorhersagbare Erläuterung im Gegensatz zu vielen anderen Methoden nicht auf. Eine Definition ist unklar, falls sie aus Ausdrücken besteht, die dem Konsumenten genauso unklar sind, wie der zu erläuternde Begriff selbst. Ein solcher Fall kann bei Anwendung der PRP Methode, durch die rekursive Zerlegung dieser Ausdrücke nicht auftreten. Eine Zirkularität tritt auf, falls in einer der Erläuterung eines Begriffes der selbige auftritt. Dies kann jedoch in einer Baumstruktur mit einfachen Mitteln erkannt und geändert werden. Unter unvorhersagbaren Erläuterungen versteht man Definitionen, in denen Ausdrücke verwendetet werden, die nicht eindeutig sind und implizite Annahmen voraussetzen. Solche Ausdrücke sind kann, könnte, usw., normaler Weise und generell. Diese Ausdrücke sind bei der Erzeugung der Erläuterungen ausgeschlossen. Integration Phase: Die Integration ist die letzte Phase der CLEAR Methode. Dabei werden alle Erläuterungen und ihre Beziehungen zu einander in ein einzelnes Objekt zusammengeführt. Neben den Beziehungen der Erläuterungen bietet dieses Objekt, dass als CLEAR Knowledge Base (CKB) bezeichnet wird, eine Benutzerschnittstelle für einen Zugriff auf diese Informationen. Die CKB ist nun nichts anderes als ein gerichteter azyklischer Graph (GAG). Unter Zuhilfenahme von Methoden aus der Graphenanalyse und der Graphentheorie können durch die Betrachtung von Knoten und Kanten, sowie ihrer Relation Informationen über die Domain der Anwendung abgeleitet werden, die sonst nicht zur Verfügung stehen würden.

6 6 Eugen Okon 4. Fallstudie Kontext der Studie Die Zielanwendung dieser Fallstudie war ein durch Software kontrolliertes, sicherheitskritisches, medizinisches Gerät. Das Gerät soll ältere in der Bewegungsfähigkeit eingeschränkte Menschen physisch und richtungs-leitend unterstützen. Das Entscheidende für die Evaluation der in Abschnitt 3 eingeführten CLEAR Methode ist die Tatsache, dass alle in die Entwicklung involvierten Individuen aus unterschiedlichen Wissensbereichen und damit Domänen kommen. Die Anforderungen und das Produkt sind zu einem Teil informell über verschiedene Dokumente verstreut zum anderen befinden sie sich noch in den Köpfen des Projektpersonals. Für die Durchführung der Studie wurden alle Dokumente zugänglich gemacht und die Möglichkeit der Befragung aller am Projekt beteiligten Personen bereitgestellt. Struktur der Studie Zur Evaluation der CLEAR Methode wird eine Fallstudie durchgeführt, um empirisch zu untersuchen in wie fern der Ansatz in einer realistischen Anwendung, in der eine strikte Kontrolle nicht möglich ist zum Erfolg führen kann. Die Fallstudie beginnt mit einer Menge von Fragen und Annahmen. Die Fragen charakterisieren das zu untersuchende Phänomen, die Annahmen stellen hingegen einer Art Richtlinie der vorzunehmenden Untersuchungen dar. Die Frage und die Annahmen, welche die Struktur dieser Fallstudie vorgeben sind nachstehend zusammengefasst. Frage: In wie fern beeinflusst die Anwendung der CLEAR Methode die Qualität und die Organisation der für diese Domain kritischen Konzepte und reduziert damit die möglichen Fehler auf kommunikativer Ebene? Annahme 1: Die Anwendung der CLEAR Methode wird sowohl Qualität der Darstellung als auch den Inhalt der kritischen Konzepte verbessern und die Anzahl möglicher Fehler auf kommunikativer Ebene reduzieren. Annahme 2: Das Resultat, dass bei der Anwendung der CLEAR Methode entsteht, kann genutzt werden, um Einblicke in vorher nicht vorliegende semantische Zusammenhänge innerhalb der Domain zu gewinnen. Die Annahmen zeigen zwei Mengen an Fragen auf. Zum einen geht es darum die verfügbare Repräsentation mit der Repräsentation nach der Anwendung von CLEAR zu vergleichen. Zum anderen geht es, um mögliche Metriken und Rückschlüsse, die auf der Basis der CLEAR Knowledge Base hergeleitet werden können. Für den Vergleich der originalen Quellen mit den Resultaten von CLEAR werden für jede Phrase folgende Vergleichskriterien hinzugezogen: Gibt es eine Repräsentation für diese Phrase? Enthält sie Unklarheiten? Enthält sie Zirkularitäten?

7 Sprache systematisch verbessern 7 Die zweite Menge an Fragen definiert Maße / Metriken für die CKB (bezogen auf den Graphen zu verstehen): Wie ist die Verteilung der Erklärungstiefen? Wie ist die Verteilung der Erklärungbreiten? Durchführung der Studie In diesem Abschnitt wird auf die Anwendung der CLEAR Methode innerhalb dieser Studie bezogen auf die kritischen Konzepte eingegangen. Die Beschreibung richtet sich dabei nach den einzelnen Phasen des Prozesses: Selection: Das Verfahren hat den Vorteil Anforderungen unterschiedlichster Form einbeziehen zu können. Im Fall dieser Studie liegen keine konkret ausformulierten Anforderungen, sondern vielmehr unterschiedlich unstrukturierte Dokumente vor. Somit bestand die erste Aufgabe darin alle zur Verfügung stehenden Materialien zu sammeln. Die Menge aller gesammelten Materialien bestand unter Andrem aus fünf separaten Dokumenten und vier wissenschaftlichen Veröffentlichungen. Diese Menge bildete die Quelle für die Extraktion aller expliziten, sowie impliziten Anforderungen und somit den Ausgangspunkt für die CLEAR Methode. Im ersten Schritt ging es nun darum zu entscheiden welche Informationen aus den Quellmaterialien verwendet - und welche ausgesiebt werden sollen. Zur Verwendung kamen alle Textstellen, die auf Anforderungen eingingen. Diese ausgewählten Textstellen wurden als nächstes einer manuellen Verarbeitung unterzogen. Dabei wurden die Ausdrücke hinsichtlich zweier Kriterien geprüft. Zum einen wurden Ausdrücke selektiert, die sich direkt oder indirekt auf Anforderungen bezogen und zum anderen außenstehenden Analytikern nicht sofort verständlich sind. Nach dieser manuellen Selektion wurden dieselben Textstellen automatisiert, wie bereits in Abschnitt 3 erläutert auf Auftrittshäufigkeit und Verteilung (über alle Dokumente) untersucht. Eine Auswertung dieser Maße machte es möglich die Phrasen ihrer Relevanz nach zu bewerten und eine geordnete Liste dieser Ausdrücke zu erstellen. Diese geordnete Liste wurde mit der manuell erzeugten Liste geschnitten und die ersten 75 Phrasen in die Nächste Phase von CLEAR übergeben. Elicitation: In dieser Phase der Studie füllten fünf Informanten Fragebögen aus, in denen sich jeder zu allen in der vorherigen Phase gesammelten Phrasen äußerte. Unter den fünf Informanten waren drei Elektrotechniker, ein Computerwissenschaftler und ein medizinischer Forscher. Die ausgefüllten Fragenbögen wurden anschließend von einem Analytiker in eine Zwischenform transformiert. Diese Zwischenform organisierte die gesammelten Informationen zu jeder Phrase in Klassen. So wurden zum Beispiel Aussagen, die kritisch bzw. entscheidend für die Identifizierung des Konzeptes waren zu einer Klasse hinzugefügt. Andere Aussagen, die zwar wahr und sogar nützlich, jedoch überflüssig für das Ziel der Erläuterung waren, wurden bei Seite gelegt. Diese gesammelten Klassen bildeten zusammen eine Kollektion und damit den Ausgangspunkt für die nächste Phase. Representation: Nun entwickelte der Analyst, nach der im Abschnitt 3 erläuterten PRP Methode, Erläuterungen zu allen Phrasen. Dies führte in vielen Fällen dazu, dass weitere Konzepte als kritisch eingestuft und hinzugefügt werden mussten, da andere kritische Konzepte direkt von diesen abhingen.

8 8 Eugen Okon Integration: In dieser letzten Phase des Prozesses wurden alle Erläuterungen in eine Struktur eingebetet, die zusammenhängende und verwandte Phrasen mit links verband. Von jeder Erläuterung führte links zu den Erläuterten und benutzten Phrasen. Somit entstand ein für die Analyse leicht zugänglicher, gerichteter, azyklischer Graph. 5. Ergebnisse der Fallstudie und Diskussion Die Ergebnisse der Studie können unter anderem aufgrund ihrer Konzeption in drei Bereiche unterteilt werden. Auf diese soll nachfolgend eingegangen werden. Vergleich mit der Ausgangssituation Die durch Anwendung der CLEAR Methode entstandenen Ergebnisse unterscheiden sich in zahlreichen Merkmalen. So wurden Mängel in den Originalquellen aufgedeckt und behoben. Dabei ist eine Repräsentation der Daten entstanden, die aufgrund ihres Designs frei von spezifischen Fehlern war. Zunächst muss erwähnt werden, dass von 125 beschriebenen kritischen Prozessen nur 11 in den originalen Quellen als solche auftauchten. Dies ist sicherlich auch eine Aussage über die Qualität der Dokumentationstechnik der Organisation, wobei solche Fälle in vielen Unternehmen nicht selten sind. Alleine in den 11 Konzepten, die in den Quelldokumenten beschrieben wurden, sind während der Durchführung von CLEAR 33 Fehler entdeckt und korrigiert worden. Bemerkenswert ist, dass diese Fehlerhaften Informationen durch Fachpersonal entstanden sind und jede dieser Personen im Durchschnitt 3 Fehler gemacht hat. Die meisten Fehler waren durch Unklarheiten, sowie zu viele bzw. zu wenige Informationen hervorgerufen worden. Ebenfalls zu bemerken ist, dass von den 114 fehlenden Konzepten, 105 nach einer Analyse der gesammelten Daten als verstärkt risikohaft bezüglich möglicher Fehlkommunikation eingestuft wurden. Somit konnte aus der Studie geschlossen werden, dass die mit CLEAR erzeugten Informationen entscheidende Vorteile gegenüber den vorhandenen Quellen aufweisen. Analyse der CLEAR Knowledge Base (CKB) Die Vereinigung der Repräsentationen in eine einzige, gerichtete, azyklische Baumstruktur ermöglichte eine Analyse konzeptioneller Zusammenhänge, die sonst nicht hätten aufgedeckt werden können. Auf Basis der CKB können Breiten und Tiefen von Erläuterungen ermittelt werden. Die Tiefe kann als einer Art semantische Distanz angesehen werden. In diesem Zusammenhang würde dies bedeuten, dass die Tiefe eine Entfernung von der allgemeingültigen Verständnisebene darstellt. Die Breite symbolisiert die Variation an Notationen, die zusammengefügt werden müssen, um ein Konzept bzw. eine Phrase zu verstehen. Zusätzlich können zwei weitere Aussagentypen aus dem Graphen abgeleitet werden. Die Anzahl der eindeutigen

9 Sprache systematisch verbessern 9 (unique) Knoten pro Erläuterung zeigen die Anzahl kritischer Konzepte, die Teil des erläuterten Konzeptes sind. Die Anzahl der Wege über die ein Konzept im Baum erreicht werden kann, deutet auf die Anzahl der Konzepte hin, die ebenfalls ein kritisches Konzept beinhalten. Die Auswirkungen dieser beiden Metriken wurden als signifikant erwiesen. Insbesondere ist die Anzahl eindeutiger Knoten eines Konzeptes ein Indikator für die Anzahl der Möglichkeiten dieses Konzept fehl zu interpretieren. Des Weiteren ist die Anzahl der möglichen Wege zu einem Konzept in der CKB ein Indikator für die Verbreitung in dem kritischen Teil der Domain der Anwendung. Diese Metriken zeigen eine Analogie zu der Standartformel für die Berechnung eines Risikoindexes, der sich aus der Stärke des Schadens im Falle des Eintretens eines Ereignisses ergibt. Die Wahrscheinlichkeit der Fehlinterpretation eines Konzeptes kann als die Anzahl der Möglichkeiten der Fehlinterpretation und die Stärke des Schadens als die Verbreitung des Konzeptes und somit der Einfluss auf die Gesamtanwendung aufgefasst werden. Aufgrund dieser Annahmen kann eine quantitative Metrik zur Berechnung des Risikos einer Fehlkommunikation bzw. einer Fehlinterpretationen definiert werden: Risiko der Fehlinterpretation eines Konzeptes = Anzahl eindeutiger Knoten in der Erläuterung des Konzeptes Anzahl der Erläuterungen in denen das Konzept auftritt Das Ergebnis ist eine natürliche Zahl, die als Risikoindex eines Konzeptes definiert wird. Dieser Index erlaubt es Ressourcen wie Zeit, Geld und Personalverteilung zielgerichtet und gewichtet einzusetzen. (1) Zusätzliche Aufschlüsse Außer der bereits präsentierten Ergebnisse entstanden auch weitere zusätzliche Aufschlüsse als Nebenprodukte der Studie. Auf die wichtigsten dieser zusätzlichen Erkenntnisse soll in diesem Kapitel kurz eingegangen werden. Inkonsistenzen: Der Prozess deckte einige Inkonsistenzen auf die jedoch außerhalb der technischen Relevanz für die Fallstudie lagen. So wurden z.b. unabsichtlich unterschiedliche Beschreibungen für die gleichen Konzepte, gleiche Ausdrücke für verschiedene Vorgänge seitens der jeweiligen Informanten oder eine Kombination aus beiden aufgedeckt. So bezog der Ausdruck Umgebung teilweise den Benutzer mit ein und teilweise nicht. Diese und weitere Befunde wurden am Ende der Studie in einem Bericht an die Organisation weitergeleitet. Allgemeines Rauschen in den gesammelten Informationen: Der Prozess vermittelte letztendlich auch einige Informationen über die Natur des Menschen und der Art wie Informanten, mit den ihnen zugestellten Formularen, umgingen. So wurde zum Teil die vorgegeben Struktur der Formulare missachtet, und die Informanten zogen es vor alles was sie wussten an einer Stelle zu schreiben. Zusätzlich neigten die Informanten dazu gleiche Fragen, die unterschiedlich formuliert waren unterschiedlich zu beantworten. Ein zusätzliches Problem stellte die Tatsache dar, dass unterschiedliche Informanten die Antworten in unterschiedlichen Abstraktionsebenen und unterschiedlich komplexen Sprachkonstrukten formulierten.

10 10 Eugen Okon Um diesen Effekten vorzubeugen soll die Art der Konstruktion der Fragen in den nächsten Versionen der CLEAR Methode angepasst werden. 6. Zusammenfassung In dieser Ausarbeitung wurden einige Ansätze der systematischen Verbesserung von Sprache, insbesondere im Bereich der Anforderungen kurz vorgestellt und eine Methode zur Prozessunterstützen Verbesserung der Anforderungskollektion ausführlich eingeführt. Dabei wurde die Methode im Einzelnen sowie ihre Anwendung in einer Fallstudie vorgestellt. Gesondert wurden die Ergebnisse dieser Fallstudie präsentiert und die Aufschlüsse die dadurch entstanden sind dargelegt. Es hat sich gezeigt, dass das Ergebnis von CLEAR der ursprünglichen Quellen klar vorzuziehen ist und darüber hinaus neue Informationen bzw. Aussagen, die nicht direkt in den Quellen vorhanden sind abgeleitet werden können. Zusätzlich bieten die Eigenschaften des Produktes der CLEAR Methode die Möglichkeit eine Metrik einzuführen welche eine Aussage über das Risiko einer Fehlinterpretation eines Konzeptes trifft. Trotz der guten Ergebnisse nach Auswertung der Fallstudie gibt es gewissen Schwierigkeiten und Probleme, die diese Methode mit sich bringt. So wurde beispielsweise ein Rauschen in den eingesammelten Fragebögen festgestellt. Dies hat die Konsequenz, dass eine der Hauptinformationsquellen die bei der Methode verwendet werden nicht fehlerfrei ist und somit die gesamte Semantik verfälschen kann. Ein weiteres Problem besteht darin, dass kein absolutes Maß existiert, nach dem die tatsächliche Güte des Verfahrens gemessen werden kann, da man keine optimale Anforderungsdefinition als Bezugspunkt finden kann. Dieses Problem ist jedoch nicht auf die in dieser Arbeit vorgestellte Methode beschränkt und bildet viel mehr ein allgemeines Problem bei der Beurteilung von Verfahren zur systematischen Verbesserung der Sprache im Kontext der Anforderungserhebung. References 1. Kimberly S. Wasson, A Case Study in Systematic Improvement of Language for Requirements, Department of Computer Science University of Virginia, Fuchs, N. Attempto Controlled English (ACE). Internet WWW page, at URL: < (version current as of March 17, 2006). 3. Lyons, J. Semantics. Cambridge University Press, Cambridge, Wing, J. A Study of 12 Specifications of the Library Problem. IEEE Software, 5(4):66--76, July Automated requirement measurement (ARM) tool, Software Assurance Technology Center (SATC), NASA Goddard Space Flight Center COLOR-X: Object Modeling profits from Linguistics - Burg, Riet (1995) 7. Kimberly S. Wasson, CLEAR Requirements: Improving Validity Using Cognitive LinguisticElicitation and Representation, Faculty of the School of Engineering and Applied Science University of Virginia, 2006