VALIDAZIONE SPERIMENTALE E ANALISI DI ROBUSTEZZA DI UN FRAMEWORK BASATO SU INTELLIGENZA ARTIFICIALE PER IL REQUIREMENT CHANGE MANAGEMENT

Nel moderno sviluppo del software, la gestione e la prioritizzazione dei requisiti in contesti agile rappresentano attività critiche per il successo dei progetti, spesso rallentate dalla necessità di un costante intervento umano. Per ovviare a questo problema, la ricerca recente ha introdotto framework predittivi a cascata che integrano algoritmi di Clustering, Graph Neural Networks (GNN) e Large Language Models (LLM) per automatizzare l'analisi e la prioritizzazione dei requisiti software. Tuttavia, prima di una reale adozione in ambito industriale, tali sistemi richiedono una validazione rigorosa che ne attesti l'affidabilità e la stabilità al di fuori degli ambienti controllati di laboratorio. Questo lavoro di tesi si propone di eseguire una campagna di validazione sperimentale e un'analisi di robustezza approfondita sul framework esistente, mettendone sotto sforzo l'architettura attraverso tre direttrici principali. In primo luogo, viene condotto un esperimento di propagazione dell'errore (Error Propagation) volto a quantificare la resilienza del sistema e a verificare se eventuali imprecisioni del modulo iniziale di clustering generino un effetto domino distruttivo sulle predizioni della GNN e dell'LLM. In secondo luogo, viene applicato il test statistico di McNemar per valutare la significatività e l'accuratezza delle etichette predette rispetto a un Ground Truth validato. Infine, l'intero sistema viene sottoposto a una fase di benchmarking esterno, testandone le capacità di generalizzazione su dataset commerciali indipendenti mai visti in fase di addestramento. I risultati empirici raccolti permettono di mappare i confini operativi dell'architettura a cascata, evidenziandone i punti di forza in termini di tolleranza al rumore e identificando eventuali colli di bottiglia strutturali. Lo studio fornisce così un contributo ingegneristico concreto, definendo linee guida essenziali per ottimizzare l'affidabilità e la robustezza dei sistemi basati su Intelligenza Artificiale applicati al Software Engineering.