[论文阅读] 软件工程 | 如何挖掘可解释性需求？三种方法的深度对比研究

如何挖掘可解释性需求？三种方法的深度对比研究

研究背景：当软件变复杂，我们需要"说明书"

想象你买了一台智能家电，却发现它的运行逻辑完全看不懂，按钮按下后毫无反应，故障时也不提示原因------这就是现代软件系统面临的困境。随着AI、大数据技术的普及，软件功能越来越强大，但复杂度也呈指数级增长。用户看不懂系统如何运作，开发者说不清决策逻辑，监管机构更难判断是否合规，这种"黑箱化"问题催生了对可解释性需求的迫切需求

可解释性需求就像软件的"说明书"，它能告诉用户"系统为什么这样做""出错时如何解决"，甚至帮助开发者优化设计。但问题来了：如何高效收集这些需求？传统的访谈、焦点小组和问卷调查，哪个更适合？就像去医院看病，有的医生喜欢问详细病史（访谈），有的擅长组织病友讨论（焦点小组），还有的习惯用问卷做大规模筛查（调查），但哪种方法能更精准地找到"病因"？这正是本文要解决的核心问题。

主要贡献：给需求工程师的"工具箱"指南

本文就像一份"需求收集方法论地图"，为开发者提供了3大核心价值：

方法效率排行榜：告诉你"哪种方法最省时间""哪种方法能挖到最多需求"，比如访谈是"时间杀手"但精准度高，调查是"海量数据收割机"但重复率高。
分类工具的使用时机：发现"先让用户自由表达，再用分类框架引导"（延迟分类法）能收集到更丰富的需求，就像先让孩子自由画画，再教他们色彩理论，反而能激发更多创意。
混合方法的黄金组合：提出"调查+访谈"的组合拳，既能覆盖大规模用户，又能深入挖掘细节，好比先用CT做全身扫描，再用显微镜分析病灶。

创新点：打破"分类工具越早用越好"的迷思

以往研究总认为"分类框架能让需求收集更有条理"，但本文却发现：太早给用户分类表，反而会限制他们的想象力！就像你去餐厅点菜，如果服务员一开始就递上固定套餐菜单，你可能想不到尝试隐藏菜品；但如果先让你自由描述想吃的口味，再推荐对应的菜品分类，反而能点到更合心意的菜。

本文提出的**"两阶段需求收集法"**（先开放收集，再分类引导），就像给需求工程师一把"万能钥匙"，既保留了用户的原始创意，又能通过分类框架提升需求的结构化程度，堪称"鱼和熊掌兼得"的典范。

核心方法：一场真实企业里的"需求收集实验"

实验场景

选一家德国大型IT公司的人事管理软件作为研究对象，因为这类软件涉及员工考勤、绩效、薪资等敏感操作，用户对"系统如何运作"的解释需求格外强烈，就像员工每天都在问"为什么我的工资算错了？""为什么考勤记录消失了？"

实验方法

样本选择：
- 焦点小组：2组，每组6人，模拟"头脑风暴式讨论"
- 访谈：18人，一对一深入交流，像"心理咨询式提问"
- 问卷调查：188人，大规模收集数据，类似"全民普查"
关键变量：
- 分类工具的使用时机 ：
  - 直接法：一开始就给用户分类表（如"系统行为""隐私安全"等类别）
  - 延迟法：先让用户自由描述需求，再用分类表补充
数据指标：
- 效率：每人每小时收集的独特需求数（避免重复劳动）
- 效果：总需求数 和需求多样性（覆盖多少种不同类型的需求）

核心结果：用数据说话的"方法优缺点清单"

1. 效率对比：访谈是"时间管理大师"

访谈：每人每小时能收集12.42个独特需求，就像高效的"需求挖掘机"，适合时间有限但需要深度挖掘的场景。
调查：虽然总需求数最多（471条），但重复率高达22.7%，相当于10个人里有2个人说了同样的话，需要花大量时间去重。
焦点小组：效率最低，因为小组讨论容易"跟风发言"，独特需求数最少。

2. 效果对比：调查是"需求广度王者"

调查：覆盖了7个需求类别（如系统行为、用户界面等），尤其在"用户界面"需求上占比18%，说明大规模用户更关注"界面是否易懂"这类直观问题。
访谈：在"业务领域知识"需求上占比41%，比如员工更关心"绩效计算规则是否合理"，这类深层需求需要一对一交流才能挖掘。
焦点小组：意外发现"功能缺失"需求占比22%，比如用户集体吐槽"缺少假期审批进度提醒"，体现了群体讨论激发共性需求的优势。

3. 分类工具的魔法时刻：延迟使用更有效

延迟分类法 让访谈的独特需求数提升了26%，就像先让用户"自由联想"再"归类整理"，能同时收获创意和结构。
直接分类法会导致需求集中在"系统行为"等常见类别，而延迟法能挖掘出"隐私安全"等容易被忽视的需求，就像先让学生自由写作文，再教他们划分段落，反而能写出更有层次的文章。

论文引文格式

复制代码

Obaidi M, Droste J, Deters H, et al. How to Elicit Explainability Requirements? A Comparison of Interviews, Focus Groups, and Surveys[J]. arXiv preprint arXiv:2505.23684v1, 2025.