Адаптивный шаблон технического задания: графовая модель, структурный анализ и алгоритм автоматизированной верификации

В условиях возрастающей неоднородности практик разработки программного обеспечения и применяемых стандартов подготовки документации, обеспечение полноты и структурной согласованности технического задания остается сложной и трудоемкой задачей. Существующие нормативные документы, включая ГОСТ 34, IEEE 830, ISO/IEC/IEEE 29148 и Volere, предлагают различные подходы к структурированию требований, однако их одновременное применение в реальных проектах приводит к дублированию разделов, несогласованности структуры и значительным затратам на ручную верификацию. В работе предлагается адаптивный шаблон технического задания, основанный на параметризованной графовой модели, позволяющей гибко структурировать требования в зависимости от типа программного обеспечения, применимых стандартов, отраслевых ограничений и уровня детализации. Разработан алгоритм структурного анализа и автоматизированной верификации документов в форматах DOCX и PDF на основе извлечения иерархии разделов и нечеткого сопоставления заголовков. Введена метрика адаптивности шаблона. Экспериментальная апробация на реальных технических заданиях показала достижение точности извлечения структуры до 92 % для документов DOCX. Предложенный подход может служить основой для интеллектуальных инструментов анализа технической документации.

1. Frattini J. Identifying Relevant Factors of Requirements Quality: An Industrial Case Study. In: Requirements Engineering: Foundation for Software Quality: 30th International Working Conference, REFSQ 2024, 08–11 April 2024, Winterthur, Switzerland. Cham: Springer; 2024. P. 20–36. https://doi.org/10.1007/978-3-031-57327-9_2

2. AbuSalim S.W.G., Ibrahim R., Mostafa S.A., Wahab J.A. Analyzing the Impact of Assessing Requirements Specifications on the Software Development Life Cycle. In: Computational Science and Its Applications – ICCSA 2020: 20th International Conference: Proceedings: Part VI, 01–04 July 2024, Cagliari, Italy. Cham: Springer; 2020. P. 632–648. https://doi.org/10.1007/978-3-030-58817-5_46

3. Wei X., Wang Zh., Yang Sh. An Automatic Generation and Verification Method of Software Requirements Specification. Electronics. 2023;12(12). https://doi.org/10.3390/electronics12122734

4. Umar M.A., Lano K., Abubakar A.K. Automated requirements engineering framework for agile model-driven development. Frontiers in Computer Science. 2025;7. https://doi.org/10.3389/fcomp.2025.1537100

5. Weitl F., Jakšić M., Freitag B. Towards the Automated Verification of Semi-Structured Documents. Data & Knowledge Engineering. 2009;68(3):292–317. https://doi.org/10.1016/j.datak.2008.10.003

6. Moon S., Lee G., Chi S. Automated system for construction specification review using natural language processing. Advanced Engineering Informatics. 2022;51. https://doi.org/10.1016/j.aei.2021.101495

7. Nasyrov N., Komarov M., Tartynskikh P., Gorlushkina N. Automated formatting verification technique of paperwork based on the gradient boosting on decision trees. Procedia Computer Science. 2020;178:365–374. https://doi.org/10.1016/j.procs.2020.11.038

8. Ghosh Sh., Elenius D., Li W., et al. ARSENAL: Automatic Requirements Specification Extraction from Natural Language. In: NASA Formal Methods: 8th International Symposium, 07–09 June 2016, Minneapolis, MN, USA. Cham: Springer; 2016. P. 41–46. https://doi.org/10.1007/978-3-319-40648-0_4

9. Rodrigues A., da Silva A.R. Validation of Rigorous Requirements Specifications and Document Automation with the ITLingo RSL Language. arXiv. URL: https://doi.org/10.48550/arXiv.2312.10822 [Accessed 19th December 2025].

10. Jiang Sh., Hu J., Magee Ch.L., Luo J. Deep Learning for Technical Document Classification. IEEE Transactions on Engineering Management. 2022;71:1163–1179. https://doi.org/10.1109/TEM.2022.3152216

11. Baratov D., Aripov N., Jumanov X., Muhiddinov O. Automated technology of control of technical documentation of automation and telemechanics. AIP Conference Proceedings. 2023;2612(1). https://doi.org/10.1063/5.0135326

12. Biswas Ch., Das S. ARIA-QA: AI-agent based requirements inspection and analysis through question answering. Innovations in Systems and Software Engineering. 2024;21:1009–1024. https://doi.org/10.1007/s11334-024-00589-8

13. Kolahdouz Rahimi Sh., Lano K., Tehrani S., et al. Comparative evaluation of NLP approaches for requirements formalisation. In: Proceedings of the 12th International Conference on Model-Based Software and Systems Engineering, 21–23 February 2024, Rome, Italy. SCITEPRESS; 2024. P. 125–132. https://doi.org/10.5220/0012318700003645

14. Sonbol R., Rebdawi Gh., Ghneim N. The Use of NLP-Based Text Representation Techniques to Support Requirement Engineering Tasks: A Systematic Mapping Review. IEEE Access. 2022;10:62811–62830. https://doi.org/10.1109/ACCESS.2022.3182372

15. Ferrari A., Zhao L., Alhoshan W. NLP for Requirements Engineering: Tasks, Techniques, Tools, and Technologies. In: 2021 IEEE/ACM 43rd International Conference on Software Engineering: Companion Proceedings (ICSE-Companion), 25–28 May 2021, Madrid, ES. IEEE; 2021. P. 322–323. https://doi.org/10.1109/ICSE-Companion52605.2021.00137

16. Xu D., Chen W., Peng W., et al. Large language models for generative information extraction: a survey. Frontiers of Computer Science. 2024;18(6). https://doi.org/10.1007/s11704-024-40555-y