Newest papers

HiddenLens: A Multi-Layer LLM Framework for Detecting and Resolving Hidden Assumptions in Software Requirements

Tanu Singh, aashna suman, Vinod Patidar · 2026 · arXiv (Cornell University)

DOI: 10.48550/arxiv.2610.29996 · cited by 0 works (OpenAlex) · open-access PDF

Vietnamese

Các yêu cầu phần mềm dựa trên ngôn ngữ tự nhiên này thường bỏ qua các giả định về hiệu suất, điều kiện hoạt động, hành vi người dùng và hạn chế miền, ảnh hưởng đến kiến trúc, thử nghiệm và triển khai. Nếu không được phát hiện cho đến khi thực hiện, giải quyết chúng tốn kém hơn nhiều so với việc giải quyết chúng sớm. Mặc dù sự mơ hồ và mơ hồ được nghiên cứu rộng rãi, ít sự chú ý đã được dành cho các giả định nhúng trong các yêu cầu có vẻ rõ ràng và hợp lý. Chúng tôi đề xuất LaydenLens, một đường ống Bert-LLM sáu lớp mới và, theo kiến thức của chúng tôi, khuôn khổ đầu tiên được thiết kế để phát hiện, phân loại, đặt câu hỏi và giải quyết các giả định ẩn thay vì chỉ đơn giản là biểu thị sự mơ hồ. Layer 1 sử dụng BERT chú ý để thực hiện các quy

Machine translation (Meta M2M100); the English original follows.

Abstract

Natural-language software requirements often omit assumptions about performance, operating conditions, user behaviour, and domain constraints, affecting architecture, testing, and deployment. If undiscovered until implementation, resolving them is far more costly than addressing them early. Although ambiguity and vagueness are widely studied, less attention has been given to assumptions embedded in requirements that appear clear and reasonable. We propose HiddenLens, a novel six-layer BERT-LLM pipeline and, to our knowledge, the first framework engineered to detect, classify, question, and resolve hidden assumptions rather than merely flag ambiguity. Layer 1 uses BERT attention entropy to localise unresolved spans; Layer 2 uses CoT-prompted LLM reasoning to articulate each assumption and its failure risk; Layer 3 uses fine-tuned BERT to classify assumptions into six non-functional requirement categories: performance, security, scalability, usability, reliability, and domain; Layer 4 generates ranked clarification options using FS LLM prompting; Layer 5 enables human validation through confirmation, editing, or rephrasing; and Layer 6 rewrites the requirement using the confirmed resolution, producing an explicit, testable, and traceable requirement. We also introduce the HiddenLens Corpus (HLC), comprising 312 requirements annotated with 847 hidden assumptions across six NFR categories. Inspired by PROMISE and PURE, HLC addresses the lack of annotated data for this task and is, to our knowledge, the first dataset developed specifically for it. HiddenLens outperforms keyword-based and QuARS-Adapted baselines by 71% and 61%, respectively, achieving an end-to-end F1-score of 0.79; its BERT-based NFR classifier achieves an F1-score of 0.847. These results indicate that HiddenLens can help analysts resolve hidden assumptions before they propagate through software development.

Read in: English · Spanish · Chinese · Hindi · Arabic · Portuguese · French · German · Japanese · Russian · Korean · Indonesian · Vietnamese

Topics: Computer science, Vagueness, Ambiguity, Software, Layer (electronics), Classifier (UML)

Sources: OpenAlex (CC0), arXiv, Crossref. Agent Exchange