요구사항 추적을 위한 통계적 용어 추출 기법

초록

본 논문은 통계적 용어 추출 지표 10가지를 활용해 요구사항 간 후보 링크를 생성하고, MODIS와 CM1 두 데이터셋에서 기존 TF‑IDF 대비 우수한 추적 매트릭스를 구축함을 실험적으로 입증한다.

상세 요약

이 연구는 요구사항 추적 과정에서 가장 핵심적인 “용어 매칭” 단계에 초점을 맞추었다. 전통적으로는 TF‑IDF와 같은 가중치 기반 방법이 널리 사용되어 왔지만, TF‑IDF는 문서 전체의 빈도와 역문서 빈도만을 고려해 용어의 의미적 중요성을 충분히 반영하지 못한다는 한계가 있다. 논문은 이를 보완하기 위해 10개의 통계적 용어 추출 지표를 설계했으며, 이 지표들은 크게 세 그룹으로 나뉜다. 첫 번째 그룹은 순수 빈도 기반(단어 등장 횟수, 문서 내 등장 비율 등)이며, 두 번째 그룹은 정규화된 빈도(문서 길이 보정, 로그 스케일 변환 등)이다. 세 번째 그룹은 상호 보완적인 보정값(예: 상위 n% 빈도 용어 필터링, 최소 빈도 임계값 적용)으로 구성된다. 이러한 다중 지표를 결합함으로써 단순 빈도에 의존하는 TF‑IDF보다 더 정교한 용어 중요도 평가가 가능해진다.

실험 설계는 두 개의 공개 데이터셋, MODIS(대형 항공우주 시스템 요구사항)와 CM1(소프트웨어 개발 프로젝트 요구사항)에서 각각 두 가지 필터링 조건을 적용하였다(예: MODIS에서는 0.2와 0.25, CM1에서는 0과 0.05). 필터링은 후보 링크 생성 단계에서 불필요한 저빈도 용어를 제거해 노이즈를 감소시키는 역할을 한다. 결과는 정밀도·재현율·F‑measure 등 표준 추적 성능 지표에서 TF‑IDF 대비 평균 5~8% 향상을 보였으며, 특히 재현율에서 큰 폭의 개선이 관찰되었다. 이는 통계적 용어 추출이 요구사항 간 숨겨진 연관성을 더 잘 포착한다는 것을 의미한다.

또한 논문은 각 지표가 개별적으로 기여하는 효과를 ablation study 형태로 분석하였다. 예를 들어, 로그 변환을 적용한 경우 고빈도 용어가 과도하게 지배하는 현상이 완화되어 중간 빈도 용어가 추적에 기여하는 비중이 증가한다. 반면, 최소 빈도 임계값을 너무 높게 설정하면 실제로 중요한 희귀 용어가 사라져 성능이 급격히 저하되는 것을 확인했다. 이러한 실험 결과는 실제 프로젝트에 적용할 때 파라미터 튜닝이 필수적임을 시사한다.

전체적으로 이 연구는 기존 TF‑IDF 기반 방법에 비해 더 풍부한 통계 정보를 활용함으로써 요구사항 추적의 정확성을 높였으며, 특히 대규모 복합 시스템에서 효과적인 후보 링크 생성 전략으로 활용될 가능성을 제시한다. 다만, 현재는 정형 텍스트에 한정된 실험이며, 비정형 로그나 코드 주석 등 다양한 아티팩트에 대한 확장 연구가 필요하다.