Álvarez Vargas, Gloria InésNova Sánchez, Edgar Darío2024-06-092024-06-092021https://vitela.javerianacali.edu.co/handle/11522/2092El presente trabajo de grado propone el uso de técnicas de aprendizaje supervisado y supervisión débil para realizar la clasificación en tres grados de ambigüedad (baja, moderada y alta), de requisitos de software redactados en lenguaje natural. El conjunto de datos preparado contiene 5.291 requisitos redactados en inglés, que son etiquetados de acuerdo a su ambigüedad sintáctica usando el analizador de link grammar. Se evalúa el desempeño de la clasificación con diferentes modelos de aprendiza je automático que incluyen random forest y redes neuronales convolucionales, entre otros. Los mejores resultados se obtienen con los modelos de redes neuronales recurrentes LSTM y GRU, con un F1-Score de 80 % en la clase ambigüedad baja, 62 % en la clase ambigüedad moderada y 75 % en la clase ambigüedad alta, y un accuracy entre 69 % y 71 % de clasificaciones correctas del grado de ambigüedad.71 p.spahttp://purl.org/coar/resource_type/c_bdcchttps://creativecommons.org/licenses/by-nc-nd/4.0/http://purl.org/coar/access_right/c_abf2