https://www.mdu.se/

Model transformation is an important activity in Model-Driven Engineering (MDE), but it is often hard to use in practice. It usually requires knowledge of special languages, metamodels, and complex toolchains. Recent progress in large language models (LLMs) suggests new ways to lower this entry barrier. However, results from my work show that although LLMs can help with model transformation tasks, their performance is still unstable when the tasks involve rich meaning, complex structure, or changes across related artifacts.

This licentiate research studies how LLMs can be used to reduce the practical difficulty of model transformation in MDE while still preserving the correctness and dependability needed in engineering work. The research builds on three empirical studies covering model transformation by example, zero-shot transformation, and round-trip consistency under change. Together, these studies show both the promise of LLMs and their limits in handling structural correctness, semantic consistency, and change across connected artifacts.

Based on these findings, the next step of the research explores a hybrid direction in which LLMs are not used as stand-alone transformation engines, but instead act as coordinators of deterministic tools and services through the Model Context Protocol (MCP). The goal is to combine the flexibility of LLMs with the precision, traceability, and validation support of established MDE technologies.

The expected contribution of this licentiate is an empirical and architectural foundation for more dependable LLM-assisted model transformation. More broadly, it aims to help move from purely generative approaches toward hybrid workflows that make MDE more accessible without giving up engineering rigor.

Modelltransformation är en viktig aktivitet inom modelldriven teknik (MDE), men den är ofta svår att använda i praktiken. Det kräver vanligtvis kunskap om specialspråk, metamodeller och komplexa verktygskedjor. Nyligen genomförda framsteg inom stora språkmodeller (LLM) tyder på nya sätt att sänka denna inträdesbarriär. Resultat från mitt arbete visar dock att även om LLM:er kan hjälpa till med modelltransformationsuppgifter, är deras prestanda fortfarande instabil när uppgifterna involverar rik betydelse, komplex struktur eller förändringar över relaterade artefakter.

Denna licentiatforskning studerar hur LLM:er kan användas för att minska den praktiska svårigheten med modelltransformation i MDE samtidigt som den korrekthet och tillförlitlighet som behövs i ingenjörsarbete bevaras. Forskningen bygger på tre empiriska studier som täcker modelltransformation med exempel, noll-skotttransformation och tur-och-retur-konsistens under förändring. Tillsammans visar dessa studier både potentialen hos LLM:er och deras begränsningar i hanteringen av strukturell korrekthet, semantisk konsistens och förändring över sammankopplade artefakter.

Baserat på dessa resultat utforskar nästa steg i forskningen en hybridriktning där LLM:er inte används som fristående transformationsmotorer, utan istället fungerar som koordinatorer för deterministiska verktyg och tjänster genom Model Context Protocol (MCP). Målet är att kombinera flexibiliteten hos LLM:er med precisionen, spårbarheten och valideringsstödet hos etablerade MDE-tekniker.

Det förväntade bidraget från denna licentiatexamen är en empirisk och arkitektonisk grund för mer pålitlig LLM-assisterad modelltransformation. Mer allmänt syftar den till att bidra till att gå från rent generativa metoder till hybrida arbetsflöden som gör MDE mer tillgänglig utan att ge avkall på teknisk stringens.