Automatisierung von Erklärbarkeitsmanagement für Entwickler

"Warum macht die App das?" - Fragen wie diese finden sich täglich tausendfach in App-Reviews. Sie zeigen: Nutzer wollen Software nicht nur benutzen, sondern auch verstehen. Erklärbarkeit ist damit zu einem zentralen Qualitätsmerkmal moderner Software geworden. Doch wie lassen sich Erklärungsbedarfe in der Masse des Nutzerfeedbacks systematisch aufspüren - und wie wird daraus eine gute Erklärung? Martin Obaidis Dissertation beantwortet diese Frage mit einer durchgängigen, teilautomatisierten Prozesskette: Feinjustierte Sprachmodelle erkennen und kategorisieren Erklärungsbedarf in App-Reviews auf Basis eigens erstellter Goldstandard-Datensätze und einer mehrdimensionalen Taxonomie. Empirisch fundierte Leitlinien legen fest, was gute Erklärbarkeitsanforderungen und hilfreiche Erklärungen auszeichnet, und werden in LLM-gestützten Formulierungswerkzeugen operationalisiert. In Studien mit Requirements Engineers, Entwicklern und Nutzern verkürzen die Werkzeuge die Bearbeitungszeit deutlich; toolgestützt formulierte Erklärungen werden von Nutzern sogar besser bewertet als manuelle. Zwei industrielle Fallstudien zeigen, wie sich der Ansatz in reale Feedback-Workflows integrieren lässt. Damit wird Erklärbarkeit vom abstrakten Qualitätsziel zu einem messbaren, aktiv steuerbaren Bestandteil der Softwareentwicklung - mit dem Menschen als letzter Instanz für inhaltliche Korrektheit.