Atenção: Todas as denúncias são sigilosas e sua identidade será preservada.
Os campos nome e e-mail são de preenchimento opcional
Metadados | Descrição | Idioma |
---|---|---|
Autor(es): dc.contributor | Bastos, Laudelino Cordeiro | - |
Autor(es): dc.contributor | http://lattes.cnpq.br/1231141260610815 | - |
Autor(es): dc.contributor | http://lattes.cnpq.br/1231141260610815 | - |
Autor(es): dc.contributor | Seca Neto, Adolfo Gustavo Serra | - |
Autor(es): dc.contributor | https://orcid.org/0000-0002-0260-5922 | - |
Autor(es): dc.contributor | http://lattes.cnpq.br/0071119715272492 | - |
Autor(es): dc.contributor | Seca Neto, Adolfo Gustavo Serra | - |
Autor(es): dc.contributor | https://orcid.org/0000-0002-0260-5922 | - |
Autor(es): dc.contributor | http://lattes.cnpq.br/0071119715272492 | - |
Autor(es): dc.contributor | Salton, Giancarlo Dondoni | - |
Autor(es): dc.contributor | https://orcid.org/ 0000-0002-1585-7168 | - |
Autor(es): dc.contributor | http://lattes.cnpq.br/0020195775211530 | - |
Autor(es): dc.contributor | Bastos, Laudelino Cordeiro | - |
Autor(es): dc.contributor | http://lattes.cnpq.br/1231141260610815 | - |
Autor(es): dc.contributor | Emer, Maria Claudia Figueiredo Pereira | - |
Autor(es): dc.contributor | http://lattes.cnpq.br/8275326076771841 | - |
Autor(es): dc.creator | Finco, Doglas Andre | - |
Data de aceite: dc.date.accessioned | 2022-08-04T20:17:04Z | - |
Data de disponibilização: dc.date.available | 2022-08-04T20:17:04Z | - |
Data de envio: dc.date.issued | 2022-04-08 | - |
Data de envio: dc.date.issued | 2022-04-08 | - |
Data de envio: dc.date.issued | 2021-12-07 | - |
Fonte completa do material: dc.identifier | http://repositorio.utfpr.edu.br/jspui/handle/1/27930 | - |
Fonte: dc.identifier.uri | http://educapes.capes.gov.br/handle/capes/706041 | - |
Descrição: dc.description | Estimating software effort is a critical factor to organizations, as underestimation or overestimation can result in project failures. Planning Poker is one of the most used practices to define effort estimates. The estimate is based on the experience of the members, through a meeting involving all team members. However, the information generated in this debate is not kept due to the informality of the practice and how that knowledge is lost, there is no way to use it in future estimates. The application of machine learning (ML) techniques in effort estimates has grown in recent years, used in addition to or alternatively to other approaches. Studies indicate that the use of combined practices provides greater assertiveness in relation to individual techniques. Therefore, this study aimed to describe the combination of Planning Poker with AM, an approach created and named ML Planning Poker, and assess whether the proposal interferes with the effort estimation process. We carry out bibliographic research, a systematic mapping and a survey strengthening the study bases. Based on the findings, we describe the steps of ML Planning Poker and we developed a tool that supports and an interactive medium with the teams in the estimation process, such that built into it we create an ML model. After that, we document the proposal and, we evaluate with undergraduate students and IT professionals. The evaluation with students resulted in identical assertiveness in the tasks estimated using the original Planning Poker and the proposal. Although, regarding tasks with incorrect estimation, we noticed that ML Planning Poker had a better result, given that, 57.1% of the tasks had a difference of at most 1 hour between estimated and performed time compared to 39.2% of the original Planning Poker. Furthermore, of the participating students, 81.2% agree that the proposal contributes to the estimation process. IT professionals realized benefits of the proposal and defended that ML provides a subsidy to members. They also reinforced the problem of forgetting very old tasks, making the current estimate difficult, and ML Planning Poker helps, as it brings similar tasks from the previous ones. Even though there are issues to be improved, such as the accuracy of the model and the usability of the tool, insights point to the benefits of ML Planning Poker in tasks that have been performed for a long time or that members have no experience, bringing greater security to the participant in the definition of his estimate. ML Planning Poker has potential because the human factor present in Planning Poker continues to be considered while ML supports decision making, allowing to improve the estimation process. | - |
Descrição: dc.description | Estimar esforço de software é crítico às organizações, pois subestimativa ou superestimativa podem resultar em falhas nos projetos. O Planning Poker é uma das práticas mais utilizadas para definir estimativas de esforço. A estimativa ocorre com base na experiência dos integrantes, mediante reunião envolvendo todos os membros da equipe. Porém, as informações geradas neste debate não são guardadas devido à informalidade da prática e como esse conhecimento se perde, não há como aproveitá-lo em estimativas futuras. A aplicação de técnicas de aprendizado de máquina (AM) nas estimativas de esforço cresceu nos últimos anos, usadas complementarmente ou alternativamente a outras abordagens. Estudos apontam que a utilização de práticas combinadas proporciona maior assertividade em relação a técnicas individuais. Assim sendo, este estudo objetivou descrever a combinação do Planning Poker com AM, abordagem criada e nomeada ML Planning Poker, e avaliar se a proposta interfere no processo de estimativas de esforço. Realizamos pesquisa bibliográfica, um mapeamento sistemático e uma survey fortalecendo as bases do estudo. Fundamentados nas descobertas, descrevemos as etapas da ML Planning Poker e desenvolvemos uma ferramenta servindo de meio interativo com as equipes no processo de estimativas, tal que embutido a ela criamos um modelo de AM. Na sequência, documentamos a proposta e, avaliamos com estudantes de graduação e profissionais de TI. A avaliação com estudantes resultou em assertividade idêntica nas tarefas estimadas usando o Planning Poker original e a proposta. Porém, no que se refere as tarefas com estimativa incorreta, percebemos que a ML Planning Poker teve melhor resultado, já que, 57,1% das tarefas teve diferença de no máximo 1 hora entre tempo estimado e realizado em comparação a 39,2% do Planning Poker original. Além disso, dos estudantes participantes, 81,2% concordam que a proposta contribui com o processo de estimativas. Os profissionais de TI perceberam benefícios da proposta e defendem que o AM proporciona um subsídio aos integrantes. Reforçaram também o problema do esquecimento de tarefas muito antigas dificultando a estimativa atual, sendo que a ML Planning Poker auxilia, pois traz tarefas semelhantes anteriores. Mesmo que existam questões a serem melhoradas, como a acurácia do modelo e a usabilidade da ferramenta, percepções direcionam para benefícios da ML Planning Poker nas tarefas realizadas há muito tempo ou que os membros não possuem experiência, trazendo maior segurança ao participante na definição de sua estimativa. A ML Planning Poker apresenta potencial pois o fator humano do Planning Poker continua sendo considerado enquanto o AM apoia a tomada de decisão, permitindo melhorar o processo de estimativas. | - |
Formato: dc.format | application/pdf | - |
Idioma: dc.language | pt_BR | - |
Publicador: dc.publisher | Universidade Tecnológica Federal do Paraná | - |
Publicador: dc.publisher | Curitiba | - |
Publicador: dc.publisher | Brasil | - |
Publicador: dc.publisher | Programa de Pós-Graduação em Computação Aplicada | - |
Publicador: dc.publisher | UTFPR | - |
Direitos: dc.rights | openAccess | - |
Direitos: dc.rights | http://creativecommons.org/licenses/by/4.0/ | - |
Palavras-chave: dc.subject | Software - Desenvolvimento - Estimativas | - |
Palavras-chave: dc.subject | Aprendizado de máquinas | - |
Palavras-chave: dc.subject | Inteligência artificial | - |
Palavras-chave: dc.subject | Desenvolvimento ágil de software | - |
Palavras-chave: dc.subject | Computer software - Development - Estimates | - |
Palavras-chave: dc.subject | Machine learning | - |
Palavras-chave: dc.subject | Artificial intelligence | - |
Palavras-chave: dc.subject | Agile software development | - |
Palavras-chave: dc.subject | CNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO | - |
Palavras-chave: dc.subject | Ciência da Computação | - |
Título: dc.title | Combinando Planning Poker e aprendizado de máquina para estimar esforço de software | - |
Título: dc.title | Combining Planning Poker and machine learning to estimate software effort | - |
Tipo de arquivo: dc.type | livro digital | - |
Aparece nas coleções: | Repositorio Institucional da UTFPR - RIUT |
O Portal eduCAPES é oferecido ao usuário, condicionado à aceitação dos termos, condições e avisos contidos aqui e sem modificações. A CAPES poderá modificar o conteúdo ou formato deste site ou acabar com a sua operação ou suas ferramentas a seu critério único e sem aviso prévio. Ao acessar este portal, você, usuário pessoa física ou jurídica, se declara compreender e aceitar as condições aqui estabelecidas, da seguinte forma: