知识卡片：可解释性需求工程实践评估——戴姆勒卡车案例

英文标题：Evaluating RE Practices for Explainability: Synthesizing Insights from Daimler Truck into an Explainable RE Framework Proposal
英文关键词：Requirements Engineering, Explainability, AI-based Systems, Empirical Study, Daimler Truck

一句话结论

当前需求工程（RE）实践在获取、规约和验证AI系统的可解释性需求时，存在概念模糊、可测试性差、标准碎片化等跨阶段挑战，系统化支持不足。

事件概述或研究问题

可解释性是AI系统（尤其是安全关键和受监管领域）的关键需求。尽管已有框架、模式和用户中心方法，但缺乏对工业环境中现有RE实践如何支持可解释性需求的经验理解。本研究通过戴姆勒卡车公司（Daimler Truck）的案例，探索在需求工程生命周期中如何用已有技术获取、规约和验证可解释性需求。

方法/产品要点

• 多阶段定性研究，涉及8名从业者
• 采用出声思维（think-aloud protocols）和主持小组讨论，覆盖需求获取、规约和验证三个步骤
• 初步分析聚焦于各步骤中的具体挑战以及跨步骤的共性问题

主要结果或产业意义

• 获取阶段：概念歧义（conceptual ambiguity），即从业者对“可解释性”的理解不统一
• 规约阶段：可测试性有限、表达力不足（limited testability and expressiveness）
• 验证阶段：标准模糊、监管不确定性导致验证碎片化（fragmented validation）
• 整体：当前RE实践无法系统性地支持可解释性需求
• 贡献：提供了步骤特定和跨步骤挑战的经验洞察，并提出了基于实证框架的研究愿景

为什么重要

这项研究填补了工业环境下“如何用现有RE技术处理可解释性需求”的经验空白。已有研究多关注理论框架或模式，而本工作揭示了实际执行中的障碍，为后续开发专门的可解释性RE框架提供了实证基础。同时，戴姆勒卡车作为安全关键领域的代表，其结果对汽车、自动驾驶等行业具有参考价值。

局限与不确定性

• 研究为早期发现，样本仅8名从业者，来自单一公司（待核实普适性）
• 研究仍在进行中，所提框架尚未完成验证（待核实后续进展）
• 定性分析受研究者解读影响，可能引入主观偏差（待核实三角验证措施）

可用于图书/PPT/简报的角度

• 可解释性需求工程中的“认知鸿沟”：从理论到实践的困境
• 安全关键AI系统开发中的RE挑战——以戴姆勒卡车为例
• 如何改进需求工程以支持AI可解释性：基于工业案例的建议
• 监管不确定性对AI系统验证的影响

原始材料

• 论文：Umm-e- Habiba, Lucas Mauser, Jonas Fritzsch, Justus Bogner, Stefan Wagner. Evaluating RE Practices for Explainability: Synthesizing Insights from Daimler Truck into an Explainable RE Framework Proposal. arXiv:2607.11771v1, 2026. https://arxiv.org/abs/2607.11771v1