Due to the pervasive use of online forums and social media, users' feedback are more accessible today and can be used within a requirements engineering context. However, such information is often fragmented, with multiple perspectives from multiple parties involved during on‐going interactions. In this paper, the authors propose a Crowd‐based Requirements Engineering approach by Argumentation (CrowdRE‐Arg). The framework is based on the analysis of the textual conversations found in user forums, identification of features, issues and the arguments that are in favour or opposing a given requirements statement. The analysis is to generate an argumentation model of the involved user statements, retrieve the conflicting‐viewpoints, reason about the winning‐arguments and present that to systems analysts to make informed‐requirements decisions. For this purpose, the authors adopted a bipolar argumentation framework and a coalition‐based meta‐argumentation framework as well as user voting techniques. The CrowdRE‐Arg approach and its algorithms are illustrated through two sample conversations threads taken from the Reddit forum. Additionally, the authors devised algorithms that can identify conflict‐free features or issues based on their supporting and attacking arguments. The authors tested these machine learning algorithms on a set of 3,051 user comments, preprocessed using the content analysis technique. The results show that the proposed algorithms correctly and efficiently identify conflict‐free features and issues along with their winning arguments.

中文翻译：

---

在用户论坛中对需求参数进行概念化、提取和分析：CrowdRE-Arg 框架

由于在线论坛和社交媒体的普遍使用，如今用户的反馈更易于访问，并可在需求工程环境中使用。然而，这些信息通常是零散的，在持续的交互过程中涉及多方的多种观点。在本文中，作者提出了一种通过论证 (CrowdRE-Arg) 的基于人群的需求工程方法。该框架基于对用户论坛中的文本对话的分析、特征、问题的识别以及支持或反对给定需求声明的论点。分析是生成所涉及的用户陈述的论证模型，检索相互冲突的观点，对获胜论证进行推理，并将其呈现给系统分析师以做出明智的需求决策。为此，作者采用了双极论证框架和基于联盟的元论证框架以及用户投票技术。CrowdRE-Arg 方法及其算法通过来自 Reddit 论坛的两个示例对话线程进行说明。此外，作者设计了可以根据支持和攻击论点识别无冲突特征或问题的算法。作者在一组 3,051 条用户评论上测试了这些机器学习算法，这些评论使用内容分析技术进行了预处理。结果表明，所提出的算法正确有效地识别了无冲突的特征和问题及其获胜的论点。作者采用了双极论证框架和基于联盟的元论证框架以及用户投票技术。CrowdRE-Arg 方法及其算法通过来自 Reddit 论坛的两个示例对话线程进行说明。此外，作者设计了可以根据支持和攻击论点识别无冲突特征或问题的算法。作者在一组 3,051 条用户评论上测试了这些机器学习算法，这些评论使用内容分析技术进行了预处理。结果表明，所提出的算法正确有效地识别了无冲突的特征和问题及其获胜的论点。作者采用了双极论证框架和基于联盟的元论证框架以及用户投票技术。CrowdRE-Arg 方法及其算法通过来自 Reddit 论坛的两个示例对话线程进行说明。此外，作者设计了可以根据支持和攻击论点识别无冲突特征或问题的算法。作者在一组 3,051 条用户评论上测试了这些机器学习算法，这些评论使用内容分析技术进行了预处理。结果表明，所提出的算法正确有效地识别了无冲突的特征和问题及其获胜的论点。此外，作者设计了可以根据支持和攻击论点识别无冲突特征或问题的算法。作者在一组 3,051 条用户评论上测试了这些机器学习算法，这些评论使用内容分析技术进行了预处理。结果表明，所提出的算法正确有效地识别了无冲突的特征和问题及其获胜的论点。此外，作者设计了可以根据支持和攻击论点识别无冲突特征或问题的算法。作者在一组 3,051 条用户评论上测试了这些机器学习算法，这些评论使用内容分析技术进行了预处理。结果表明，所提出的算法正确有效地识别了无冲突的特征和问题及其获胜的论点。