AI 如何改变软件功能规模度量——文献综述概括

人工智能（AI）正在逐步应用于软件工程领域，软件功能规模度量（Functional Size Measurement, FSM）也是其中一个重要方向。传统的软件功能规模度量通常需要分析功能需求，并依据既定度量规则识别和计算软件功能规模。这一过程可能耗费较多时间，也可能受到需求描述质量和度量人员判断的影响。随着机器学习、自然语言处理和大型语言模型的发展，研究人员开始探索利用 AI 辅助甚至自动化软件功能规模测量。

2026 年，Beata Czarnacka-Chrobot 在《Journal of Systems and Software》发表了一项关于 AI 在软件功能规模度量中应用的系统性文献综述。

该综述分析了 2010 年至 2025 年 2 月期间发表的 39 篇同行评审研究论文。其中，22 篇直接关注软件功能规模度量过程，另外 17 篇与该领域存在间接联系。

研究结果显示，传统机器学习和自然语言处理技术已逐渐应用于软件功能规模估算，相关研究尤其涉及 COSMIC 度量方法。研究人员尝试利用 AI 处理文本需求、识别功能信息，并辅助完成规模度量中的部分任务。混合模型和深度学习方法也开始出现在相关研究中。

综述发现，已有研究将 AI 应用于软件功能规模度量，也有许多研究利用功能规模预测软件开发工作量或成本。相较于基于功能规模进行工作量或成本预测的研究，直接利用 AI 支持或自动化功能规模度量过程的研究仍相对有限。

功能规模度量与工作量估算是相互关联但不同的活动。前者旨在依据软件功能用户需求确定软件的功能规模；后者则以功能规模等信息为基础，结合非功能需求、项目约束及风险等因素，估算软件开发所需的工作量。

COSMIC 是一种基于软件功能用户需求进行度量的功能规模度量方法。AI 在这一领域的应用，主要涉及从文本需求中提取功能信息、辅助识别度量元素，以及支持功能规模度量等任务。

自然语言处理技术能够帮助分析需求文本，为识别功能信息提供支持；机器学习方法则可以利用已有数据建立模型，以辅助规模估算。近年来，大型语言模型也被用于探索基于自然语言需求开展 COSMIC 功能规模度量的可行性。

不过，自动化并不意味着度量结果必然准确或一致。需求文本可能存在歧义、信息缺失或描述不完整等问题，AI 对需求的理解和对度量规则的应用也可能存在偏差。因此，度量结果的准确性、可重复性以及与 COSMIC 度量规则的一致性，仍然是需要持续研究的问题。

现有研究的局限

现有研究展示了 AI 辅助功能规模度量的潜力，但该领域仍处于持续发展阶段。不同研究使用的数据、技术和实验设计存在差异，因此，相关方法的适用条件和实际效果需要结合具体研究背景进行评价。

此外，软件项目的功能需求通常会随着项目推进而逐渐完善。项目早期可获得的信息往往不足以支持完整的功能规模度量，而后续需求变化又可能影响原有度量结果。如何在不同需求成熟度下合理运用 AI，以及如何评价自动化度量结果的可靠性，都是值得进一步探索的方向。

对 COSMIC 实践与未来研究的启示

这项系统性文献综述表明，AI 为软件功能规模度量提供了新的技术路径，但现有研究在直接支持度量过程方面仍有进一步发展的空间。

未来研究可以围绕需求信息提取、度量规则应用、度量结果验证和需求变化下的规模更新等方面展开。同时，将 AI 与 COSMIC 的度量原则相结合，有助于探索更加系统、可解释和可验证的度量辅助机制。

综上所述，

AI 正在拓展软件功能规模度量的研究方法，机器学习、自然语言处理和大型语言模型为需求分析与度量自动化提供了新的可能性。与此同时，度量准确性、结果一致性以及不完整需求带来的不确定性仍然需要得到充分关注。

将 AI 的技术能力与 COSMIC 的规范化度量原则相结合，并通过系统实验验证相关方法的适用性，将有助于推动软件功能规模度量研究的进一步发展。