Modellierungsassistenten unter der Lupe: Was die aktuelle Landschaft und die Lücken für die Entwicklung von Software für das digitale Gesundheitswesen mit Low-Code/No-Code bedeuten

Wir haben ein systematisches Mapping [1] gemäß den von Petersen et al. [3] vorgeschlagenen Leitlinien durchgeführt, um den Stand der Technik zu überprüfen und RQ1 und RQ2 (neben anderen Fragen) zu beantworten. In unserer Studie wurden Daten aus der Literatur und der Praxis gesammelt und wie folgt analysiert:

• To collect data from the literature, three reviewers selected 58 proposals from 3,176 records from 1985 to 2024 based on inclusion/exclusion criteria. The 58 selected proposals had high inclusion agreement [4], i.e. they had a K-statistic of 0.8 > 0.61. To answer the research questions, we clustered the data.
• To collect real-world data, we examined the 17 LCNC tools mentioned in the Gartner Magic Quadrant for Low-Code/No-Code Enterprise Application Platforms [2] and extracted quotes about goals, constraints, and evaluation metrics of modeling assistants.

Nach der Durchführung unserer Studie haben wir festgestellt, dass Softwareentwicklungsteams in mehreren Schlüsselbereichen von Modellierungsassistenten profitieren können, z. B. bei der Entwicklung von Softwaremodellen, der Erkennung von Schwachstellen, der Konsistenzprüfung und der Weitergabe von Änderungen.

Viele Modellierungsassistenten sind jedoch mit Einschränkungen verbunden:

• Genauigkeit: Empfehlungen können inkonsistent oder irrelevant sein; automatische Extraktionen können ungenau sein.
• Aufwand: Assistenten können den Modellierungsaufwand durch zusätzliche Schritte oder manuelle Eingriffe erhöhen.
• Allgemeinheit: Einige sind eng auf bestimmte Bereiche, Refactorings oder Trainingsdatensätze zugeschnitten.
• Erlernbarkeit: Die Benutzer müssen eine steile Lernkurve durchlaufen oder sich eine Zwischenmodellierungssprache aneignen.
• Umfang: Wichtige Assistenzfunktionen können fehlen, was den erwarteten Nutzen einschränkt.
• Benutzerfreundlichkeit: Ein schlechtes Design der Benutzerinteraktion kann die Akzeptanz durch die Benutzer behindern.

Wenn Bewertungsmaßstäbe zur Verfügung gestellt werden, konzentrieren sie sich in der Regel auf Folgendes:

• Effektivität: Fehlererkennungsraten, Genauigkeit, Wiedererkennung, Präzision und akzeptierte Vorschläge.
• Effizienz: Modellierungszeit, Leistung, Rechenkosten und Empfehlungslatenz.
• Benutzerwahrnehmung: Wahrgenommene Nützlichkeit und Potenzial für die industrielle Übernahme.

Trotz ihrer Bedeutung fehlen diese Daten häufig.

In der Literatur:

• 50 % der Vorschläge geben keine Einschränkungen an.
• 48,6 % enthalten keine Bewertungsmaßstäbe.

In der Praxis ist die Kluft noch größer:

• Bei 75 % der Modellierungsassistenten fehlen dokumentierte Einschränkungen.
• 68,8 % liefern keine Bewertungsdaten.

Dies ist vor allem in Bereichen wie der Entwicklung von Software für das digitale Gesundheitswesen problematisch: Das Risiko, einen Assistenten einzusetzen, der fehlerhafte Empfehlungen/Editionen generiert, könnte sich direkt auf die entstehende Software für das digitale Gesundheitswesen und damit auf die Erfahrungen von Patienten und Ärzten mit dieser Software auswirken. Das Fehlen klarer Informationen macht eine ohnehin schon schwierige Entscheidung noch unsicherer - und risikoreicher. Was können wir als Gemeinschaft tun, um diese Lücke zu schließen? (Siehe nächster Abschnitt.)

1. Für Modellierungsassistenten, Designer/Entwickler/Ingenieure: Technische Funktionen sind zwar wichtig, aber Transparenz ist ebenso wichtig. Berichten Sie nicht nur darüber, was Ihr Assistent kann, sondern auch über seine Grenzen und wie gut er arbeitet. Ohne diese Informationen können LCNC-Entwicklungsteams in qualitätskritischen Bereichen wie der digitalen Gesundheit keine fundierten Entscheidungen treffen. Füllen Sie die Lücken - berichten Sie umfassend.
2. Für Forscher, die an der Modellierungshilfe arbeiten: Wir spielen eine Schlüsselrolle bei der Entwicklung von vertrauenswürdigen Modellierungsassistenten. Dies erfordert klare Methoden und Rahmenbedingungen, die eine unzureichende Berichterstattung verhindern und transparente Entwürfe von Entwicklern von Modellierungsassistenten fördern. Bestehende Initiativen wie das Framework for Designing Intelligent Modelling Assistance (FR-IMA) [5] und das Emerging Framework for Modelling Assistance [6] sind gute Ausgangspunkte. Zu den nächsten Schritten gehören Vorschläge für maßgeschneiderte Methoden, die bei der Entwicklung und Einführung von Modellierungshilfen im Kontext helfen.
3. Und schließlich dürfen wir die Benutzer nicht vergessen: In dieser Wissenskapsel diskutieren wir Ziele, Grenzen und Bewertungsmaßstäbe. Aber auch die Nutzer sind wichtig. Lesen Sie unseren letzten Beitrag mit dem Titel „It's Not Just Developers“: Warum Modellierungshilfe für alle Rollen in der Low-Code/No-Code-Softwareentwicklung für die digitale Gesundheit geeignet sein muss [7]!