O aumento na quantidade e no uso de aplicativos móveis têm gerado muitos comentários de usuários. Esses comentários, ou feedbacks, incluem textos que podem ser usados para melhorar o processo de desenvolvimento de software e, especialmente, as atividades de Engenharia de Requisitos. Devido ao volume muito grande de dados, novas formas de reduzir o esforço humano para analisar os feedbacks e aumentar o valor do uso têm sido propostas usando técnicas de processamento de linguagem natural (NLP) e mineração de dados. Apesar de existirem trabalhos usando essas abordagens no contexto da Engenharia de Software, existem poucas evidências do uso das informações extraídas em projetos reais. O objetivo deste trabalho é analisar a adequação para a Engenharia de Requisitos do requisito extraído automaticamente através de feedbacks explícitos de usuários de aplicativos móveis. O método usado é o de pesquisa exploratória, utilizando uma revisão sistemática da literatura. Como resultado, observou-se que a maioria dos trabalhos não altera o formato da saída; 53% dos trabalhos extraem pedidos de features dos feedbacks e 50% extraem bug requests; 35% dos trabalhos identifica requisito não funcional em diferentes níveis de detalhe no feedback; e apenas 15% dos trabalhos tem uma avaliação da saída por um especialista de requisitos. A saída do processo de extração está longe de se assemelhar a um requisito em formato e em conteúdo de uma feature, que é um nível mais geral de requisito e que ainda necessita de refinamento para se tornar requisito de software. Este trabalho discute a necessidade da evolução tanto do processo de extração quanto em técnicas de NLP que produzam requisitos. Também se discute a importância da geração de conteúdos mais específicos de forma automatizada para o uso da Engenharia de Requisitos e a necessidade de avaliação da saída do processo com relação ao formato e conteúdo extraído.

The increase in the quantity and use of mobile applications has generated a lot of user feedback. These feedbacks include texts that can be used to improve the software development process, especially Requirements Engineering activities. Due to the large volume of data, new ways to reduce human effort for analyzing feedback and increasing the value of use have been proposed using natural language processing (NLP) and data mining techniques. Despite the existence of studies using these approaches in the context of software engineering, there is little evidence of the use of the extracted information in real projects. The objective of this study is to analyze the suitability of automatically extracted requirements through explicit feedback from mobile application users for Requirements Engineering. The method used is exploratory research, using a systematic literature review. As a result, it was observed that most studies do not change the output format; 53% of studies extract feature requests from feedback and 50% extract bug requests; 35% of studies identify nonfunctional requirements at different levels of detail in feedback; and only 15% of studies have an evaluation of the output by a requirements specialist. The output of the extraction process is far from resembling a requirement in format and content of a feature, which is a more general level of requirement and still requires refinement to become a software requirement. This study discusses the need for evolution of both the extraction process and NLP techniques that produce requirements. It also discusses the importance of generating more specific content automatically for the use of Requirements Engineering and the need to evaluate the output of the process in terms of extracted format and content.