[论文阅读] 软件工程 - 需求工程 | 2012-2019年移动应用需求工程研究趋势：需求分析成焦点，数据源却藏着大问题？
2012-2019年移动应用需求工程研究趋势：需求分析成焦点，数据源却藏着大问题？
论文信息
- 论文原标题：A Systematic Mapping Study on Datasets Used in Mobile Application Requirements Engineering Research
- 主要作者及研究机构：（根据论文信息整理）研究团队聚焦移动应用需求工程领域，核心研究者来自软件工程相关学术机构（注：因原论文链接未完全展示所有作者机构细节，基于系统性映射研究常见背景，推测为专注于软件需求工程或移动应用研究的高校/科研团队）
- APA引文格式：[作者团队]. (202X). A Systematic Mapping Study on Datasets Used in Mobile Application Requirements Engineering Research. arXiv Preprint arXiv:2509.03541.
- 核心链接：论文全文下载 https://arxiv.org/pdf/2509.03541；43篇实证研究获取 https://tinyurl.com/yysyzf5c
一段话总结
为解决移动应用需求工程（RE）研究中“数据集来源、类型及支持的RE活动缺乏结构化梳理”的问题，研究者采用Kitchenham指南下的系统性映射研究（SMS），从IEEE数字图书馆筛选2008-2019年的论文，最终分析43篇实证研究；结果显示，超90%研究数据来自Google Play和Apple App Store，需求分析（100%覆盖）和需求获取（93%覆盖）是最受关注的RE活动，2012年起相关研究持续增长；研究指出当前RE知识可能因过度依赖两大应用商店存在偏差，需扩展数据源并关注需求管理、验证等冷门RE活动，为后续移动应用RE研究提供了清晰的方向和参考。
思维导图
研究背景
咱们先搞懂“移动应用需求工程（RE）”到底是啥——简单说，就是帮开发者搞清楚“用户想要什么功能”“App需要满足什么要求”的过程，比如从用户评论里挖“希望加夜间模式”，从应用描述里拆“必须支持离线缓存”，这都是RE要干的活。
随着移动应用爆发（比如你手机里的社交、购物、工具App），能用来做RE的数据越来越多：用户在应用商店写的评论、开发者填的应用描述、甚至社交媒体上的吐槽……但问题来了：大家用这些数据做RE研究时，没人系统整理过“数据从哪来”“能用的数据有哪些类型”“这些数据到底能支持RE的哪些环节”。
举个生动的例子：就像一群厨师都在做“移动应用RE大餐”，每个人都用了不同的“食材（数据集）”，但没人记录“食材是从菜市场还是超市买的（数据源）”“是新鲜蔬菜还是冷冻肉（数据类型）”“这些食材适合炒还是炖（支持的RE活动）”——结果就是后来的厨师想跟着做，不知道该选什么食材，也不知道之前的做法有没有遗漏。
再比如，有个开发者想研究“如何从用户反馈里提需求”，他搜了几篇论文，发现有的用Google Play评论，有的用Twitter数据，还有的用问卷结果，但没人告诉他“哪种数据更适合提需求”“除了这些还有没有其他数据可用”——这就是当前领域存在的“未被满足的需求”：需要一份清晰的“数据集使用说明书”，帮研究者和开发者理清思路。
创新点
这篇论文的“独特亮点”主要有3个，看完你就知道它为啥有价值：
-
聚焦“移动应用专属数据集”，不搞“大杂烩”：之前很多RE研究要么混着开源软件的数据，要么覆盖所有软件类型，这篇论文专门盯着“移动应用”的数据集，比如应用商店评论、移动社交平台数据，针对性极强，对做移动App研究的人来说更实用。
-
用“系统性映射研究（SMS）”搞分析，严谨不随意：不是随便找几篇论文凑数，而是严格遵循Kitchenham（软件工程领域权威的系统性研究指南）的步骤，从搜索、筛选到数据提取都有明确规则，还做了“试点验证”（先试筛50篇达成100%一致）和“交叉验证”（再查20%论文确保没错），避免主观偏差，结果更可信。
-
把“数据集”和“RE活动”强绑定，填补空白：之前的研究要么只说数据来源，要么只讲RE方法，这篇论文直接把“用什么数据”和“做RE的哪个环节（比如获取需求、分析需求）”对应起来，比如“应用评论最适合做需求获取和分析”，相当于给研究者画了一张“数据-任务”对应表，拿来就能用。
研究方法和思路
步骤1：明确要解决的问题（研究问题RQ）
研究者先定了两个核心问题，所有工作都围绕这两个问题展开：
- RQ1：大家做移动应用RE研究时，用的数据集“从哪来（数据源）”、“是什么类型（数据类型）”？
- RQ2：这些数据集是用来做RE的哪个环节（比如获取需求、分析需求）？（参考SWEBOK定义的5类RE活动：获取、分析、管理、规格说明、验证）
步骤2：找论文——确定搜索范围和关键词
- 平台：只选IEEE数字图书馆（软件工程领域权威数据库，论文质量有保障）
- 时间：2008-2019年（因为Apple App Store和Google Play都是2008年上线，2020年数据还不全）
- 关键词：标题里含“app”或“mobile application”，摘要里含“requirement”“feature”或“RE”，确保找的是“移动应用+RE”相关论文
- 结果：初步找到639篇论文
步骤3：筛论文——三轮筛选，留下“真有用”的
研究者定了“纳入标准”和“排除标准”，像“选秀”一样一轮轮淘汰：
- 第一轮（看标题）：排除明显不相关的，比如只讲App设计、不讲RE的
- 第二轮（看摘要）：排除不符合“有数据集、聚焦移动应用RE”的，比如纯理论研究、没有实证数据的
- 第三轮（看全文）：仔细核对每篇论文，确保满足“有明确数据源、覆盖RQ1/RQ2”，最终留下43篇
步骤4：提信息——按规则提取关键数据
研究者设计了3类提取规则（EL1-EL3），从43篇论文里挖关键信息：
- EL1：论文类型（会议/期刊/研讨会）、发表年份（看时间趋势）
- EL2：数据源（比如Google Play）、数据类型（比如应用评论）（回答RQ1）
- EL3：涉及的RE活动（比如需求分析）（回答RQ2）
主要成果和贡献
1. 核心成果（用表格更清晰）
| 类别 | 具体内容 |
|---|---|
| 论文特征（EL1） | - 类型：72.1%是会议论文，18.6%是研讨会论文，9.3%是期刊论文 - 时间：2012年首篇，2017-2019年快速增长（占比超60%） |
| 数据源与数据类型（RQ1） | - 数据源：88.37%来自应用商店（Google Play 29篇、Apple App Store 18篇），少数用Twitter、Stack Overflow - 数据类型：76.7%用应用评论（33篇），仅5篇用多种数据类型 |
| RE活动覆盖（RQ2） | - 100%覆盖需求分析（43篇），93%覆盖需求获取（40篇） - 仅14%覆盖需求管理（6篇），需求规格说明、验证0覆盖 - 95.3%研究至少覆盖2类活动 |
2. 实实在在的贡献（大白话解读）
- 对研究者：给了一份“数据集使用指南”——想做移动应用RE研究？先看这篇，知道主流数据源是应用商店，核心数据是评论，重点可做需求获取/分析，不用再瞎找方向。
- 对领域：指出了“研究缺口”——现在大家都盯着应用商店，数据来源太单一，可能导致结论有偏差；而且没人做需求验证、规格说明，这些方向等着人填坑。
- 可复用资源：公开了43篇核心论文的链接（https://tinyurl.com/yysyzf5c），后续研究者直接拿这些论文当基础，不用再从头筛600多篇。
3. 开源/公开资源
- 43篇实证研究获取链接：https://tinyurl.com/yysyzf5c
- 论文全文：https://arxiv.org/pdf/2509.03541
相关工作（4篇核心综述对比）
| 研究者（年份） | 研究焦点 | 与本研究的差异 |
|---|---|---|
| Wang等（2019） | 众包用户反馈用于RE | 数据来源含开源软件，未聚焦移动应用专属数据集 |
| Kotti等（2020） | MSR会议数据论文使用情况 | 范围覆盖所有软件类型，且局限于单一会议 |
| Santos等（2019） | 众包RE的分类技术 | 未聚焦移动应用数据，也未关联具体RE活动 |
| Laura等（2020） | Hall of Apps数据集（Google PlayTop100应用元数据） | 未探索该数据集在移动应用RE中的实际应用 |
核心研究结果
4.1 论文人口统计学特征
- 类型分布：
论文类型 数量（共43篇） 占比 会议论文 31篇 72.1% 研讨会论文 8篇 18.6% 期刊论文 4篇 9.3% - 时间分布：2012年出现首篇相关研究，2017-2019年论文数量快速增长（占比超60%）。
4.2 数据源与数据类型（RQ1）
- 数据源分布（共6类，核心为应用商店）：
数据源类别 包含具体来源 使用研究数量 占比（共43篇） 应用商店 Google Play、Apple App Store、BlackBerry App World等 38篇 88.37% 网站 Stack Overflow（S10）、Amazon（S42） 2篇 4.7% 社交媒体 Twitter（S6、S12、S40） 3篇 7.0% 问卷 自定义问卷（S14、S22） 2篇 4.7% 应用供应商 MyTracks（S1） 1篇 2.3% - 注：应用商店中，Google Play（29篇）和Apple App Store（18篇）是绝对核心，部分研究同时使用两者。
- 数据类型分布（共9类，核心为应用评论）：
数据类型 使用研究数量 关键研究案例 应用评论 33篇 S1（需求优先级）、S43（NFR分类） 应用源代码 4篇 S5、S13 Twitter数据 3篇 S6（补充评论分析）、S12（提取需求） 应用描述 2篇 S21、S34 问卷数据 2篇 S14、S22 其他（Stack Overflow帖子、更新日志等） 各1篇 S10（Stack Overflow）、S15（更新日志） - 注：仅5篇研究使用两种及以上数据类型，38篇（88.4%）使用单一数据类型。
4.3 RE活动分布（RQ2，基于SWEBOK分类）
| RE活动 | 涉及研究数量 | 占比（共43篇） | 核心应用场景 |
|---|---|---|---|
| 需求分析（RA） | 43篇 | 100% | 需求优先级排序、非功能需求（NFR）分类、反馈主题挖掘 |
| 需求获取（RElic） | 40篇 | 93.0% | 从应用评论/推文提取用户需求、关键词标注需求类型 |
| 需求管理（RMgt） | 6篇 | 14.0% | 从评论提取维护反馈、定位代码修改位置（如S31） |
| 需求规格说明（RSp） | 0篇 | 0% | 无研究涉及 |
| 需求验证（RV） | 0篇 | 0% | 无研究涉及 |
- 活动覆盖情况：仅2篇（S29、S43）仅涉及需求分析；95.3%（41篇）至少覆盖2类活动，其中35篇同时覆盖需求获取和分析，5篇覆盖3类（需求获取、分析、管理），1篇（S3）覆盖需求分析和管理。
讨论
- 研究领域特征：移动应用RE是新兴活跃领域，证据包括：2012年起研究持续增长，90%论文发表于会议/研讨会（审稿周期短，适合快速分享新成果）；首篇研究延迟至2012年，因两大应用商店2008年上线后需时间积累足量数据。
- 数据源选择逻辑：
- 应用商店成主流：因数据“双向丰富”（开发者提供描述/更新，用户提供反馈）且“获取便捷”（专用API支持）。
- 替代数据源探索：虽仅8篇研究使用Twitter、Stack Overflow等，但体现“缓解应用商店依赖”的积极趋势。
- RE活动差异原因：
- 需求获取/分析受关注：数据处理流程（提取→分析）直接对应这两类活动，技术门槛低。
- 需求规格说明/验证无人研究：依赖结构化文档（如规格说明书）或实际测试流程，现有非结构化数据集（评论、推文）难以支撑，技术实现难度高。
研究局限
- 论文来源单一：仅从IEEE数字图书馆筛选，未覆盖Scopus、Web of Science等数据库，可能遗漏部分相关研究；研究者推测补充后结果差异较小。
- 主观偏差风险：筛选和数据提取依赖研究者的RE知识，通过以下措施缓解：①制定明确的筛选/提取协议；②试点验证确保标准统一；③交叉验证20%论文，达成100%一致。
关键问题
问题1：该研究中移动应用RE数据集的核心来源是什么？为何这些来源能成为主流？
答案：核心来源是应用商店（38篇研究使用，占88.37%），其中Google Play（29篇）和Apple App Store（18篇）是绝对核心。成为主流的原因有两点：①数据丰富性：开发者会主动上传应用描述、版本更新说明等结构化信息，用户会便捷提交使用反馈（如评论），二者形成“供需双向”的全面数据集，覆盖RE所需的功能/质量需求信息；②获取便捷性：部分应用商店提供专用API，研究者无需手动爬取即可高效收集数据，降低数据获取的技术成本和时间成本。
问题2：该研究发现移动应用RE活动的研究存在明显不均衡，具体表现是什么？背后的核心原因是什么？
答案：不均衡表现为“两极分化”：①高关注活动：需求分析（43篇，100%覆盖）和需求获取（40篇，93%覆盖），95.3%的研究至少覆盖这两类；②零关注活动：需求规格说明和需求验证（0篇），需求管理仅6篇（14%）。核心原因是数据适配性差异：需求获取和分析依赖“从非结构化文本中提取/分析信息”（如从评论中挖需求、分主题），而当前主流数据集（应用评论、推文）恰好是此类文本，且文本挖掘技术成熟，适配性高；需求规格说明需结构化文档（如需求说明书）、需求验证需实际测试流程，现有数据集无法提供此类信息，技术实现难度极高，导致研究者难以开展相关研究。
问题3：为确保系统性映射研究的可靠性，该研究采取了哪些措施来控制主观偏差？
答案：主要采取4项措施：①制定明确协议：定义详细的纳入（IC1-IC4）和排除（EC1-EC6）标准，以及数据提取规则（EL1-EL3），避免筛选/提取的随意性；②试点验证：随机选取50篇论文，由两位研究者独立评审，最终达成100%一致（纳入7篇），确保筛选标准可理解、可执行；③多轮筛选+交叉验证：正式筛选分“标题→摘要→全文”三轮，第三轮后由第一位研究者对20%的入选论文进行交叉验证，与第二位研究者的结果完全一致，确保筛选结果可靠；④明确文档记录：公开43篇核心论文的获取链接（https://tinyurl.com/yysyzf5c），详细记录筛选流程和结果，确保研究可复现，便于其他研究者验证或扩展。
十、总结
这篇论文用严谨的系统性映射研究，把2008-2019年移动应用RE的数据集现状拆得明明白白：既指出了“应用商店是核心数据源、需求获取/分析是研究重点”的现状，也点出了“数据源单一、冷门RE活动没人做”的问题。对刚入门的研究者来说，它是“避坑指南”；对领域来说，它是“填坑方向”，整体价值很实在，想搞移动应用RE研究的人一定要看看。