مهندسی نیازمندی‌ها یکی از حساس‌ترین مراحل چرخه حیات توسعه نرم‌افزار است و تغییرپذیری نیازمندی‌ها به‌عنوان یکی از عوامل اصلی تأخیر، افزایش هزینه و کاهش کیفیت محصول شناخته می‌شود. با وجود پژوهش‌های متعدد در این حوزه، ادبیات موجود عمدتاً پراکنده است و پیوند میان رویکردهای سنتی مدیریت تغییر با روش‌های مبتنی بر یادگیری ماشین و مدل‌های زبانی بزرگ کمتر بررسی شده است. این مقاله با مرور ۳۵ مطالعه کلیدی، رویکردهای مدیریت تغییرپذیری نیازمندی‌ها را در چهار دسته (سنتی، چابک، یادگیری ماشین و متریک‌محور) طبقه‌بندی و تحلیل می‌کند. یافته‌ها نشان می‌دهد که اگرچه علل اصلی تغییرپذیری به‌خوبی شناسایی شده‌اند، پیش‌بینی زودهنگام و مدیریت خودکار آن، به‌ویژه در بسترهای دواپس و توسعه مستمر، هنوز با محدودیت جدی روبه‌روست. در پایان، شکاف‌های پژوهشی موجود برجسته شده و بر ضرورت توسعه چارچوب‌های ترکیبی که مدیریت ساختاریافته را با قابلیت‌های پیش‌بینانه هوش مصنوعی تلفیق کنند، تأکید می‌شود.