Um estudo de caso industrial investigando o uso de dados de diferentes organizações para apoiar análise causal de defeitos

Registro completo de metadados
MetadadosDescriçãoIdioma
Autor(es): dc.contributorKalinowski, Marcos-
Autor(es): dc.contributorMurta, Leonardo Gresta Paulino-
Autor(es): dc.contributorCarvalho, Aline Marins Paes-
Autor(es): dc.creatorFreitas, Pablo Fernandes Curty de-
Data de aceite: dc.date.accessioned2024-07-11T17:29:25Z-
Data de disponibilização: dc.date.available2024-07-11T17:29:25Z-
Data de envio: dc.date.issued2018-09-11-
Data de envio: dc.date.issued2018-09-11-
Data de envio: dc.date.issued2017-
Fonte completa do material: dc.identifierhttps://app.uff.br/riuff/handle/1/7410-
Fonte: dc.identifier.urihttp://educapes.capes.gov.br/handle/capes/751357-
Descrição: dc.description[Contexto] A Análise Causal de Defeitos (Defect Causal Analysis - DCA) representa uma prática eficiente para melhorar os processos de software. Enquanto conhecimento sobre as relações entre causa-efeito em defeitos de software pode ser útil para apoiar DCA, o levantamento de dados de causa-efeito pode exigir um significante esforço e tempo. [Objetivo] Avaliar em um estudo de caso industrial uma nova abordagem de DCA, que utiliza dados de outras empresas para apoiar a aplicação de DCA. [Método] Utilizamos dados coletados sobre causas de problemas de engenharia de requisitos de 74 empresas de tecnologia brasileiras para construir uma rede bayesiana. A abordagem de DCA proposta utiliza a inferência diagnóstica da rede bayesiana para dar suporte às sessões de DCA. Este trabalho diz respeito ao terceiro passo na aplicação de um modelo de transferência de tecnologia que envolveu conduzir três avaliações consecutivas: (i) na academia, (ii) com representantes da indústria, e (iii) em um estudo de caso industrial na Banco Nacional de Desenvolvimento Econômico e Social (BNDES). [Resultados] Recebemos feedback positivo em todas as três avaliações e a abordagem foi considerada útil para determinar as causas dos defeitos de software. [Conclusões] Nossos resultados reforçam a confiança de que a abordagem de DCA proposta, com o apoio de dados de outras empresas, é promissora e deve ser investigada mais a fundo-
Descrição: dc.description[Context] Defect Causal Analysis (DCA) represents an efficient practice to improve software processes. While knowledge about cause-effect relationships concerning defects can be useful to support DCA, collecting cause-effect data may require significant time and effort. [Goal] Evaluate a new DCA approach, that uses cross-company data to support the application of DCA. [Method] We used cross-company data on causes of requirements engineering problems collected from 74 Brazilian organizations and built a Bayesian network. Our DCA approach uses the diagnostic inference of the Bayesian network to support DCA sessions. This study concerns the third step in the application of a technology transfer model involved conducting three consecutive evaluations: (i) in academia, (ii) with industry representatives, and (iii) in an industrial case study at the Brazilian National Development Bank (BNDES). [Results] We received positive feedback in all three assessments and the approach was considered helpful to determine the main causes of software defects. [Conclusions] Our results reinforce our confidence that the proposed DCA approach, supported by cross-company data, is promising and should be further investigated-
Formato: dc.formatapplication/pdf-
Idioma: dc.languagept_BR-
Direitos: dc.rightsopenAccess-
Direitos: dc.rightsCC-BY-SA-
Palavras-chave: dc.subjectAnálise causal de defeitos-
Palavras-chave: dc.subjectUtilização dados cross company-
Palavras-chave: dc.subjectRede bayesiana-
Palavras-chave: dc.subjectEstudo de caso-
Palavras-chave: dc.subjectTransferência de tecnologia-
Palavras-chave: dc.subjectEngenharia de requisitos-
Palavras-chave: dc.subjectEngenharia de software-
Palavras-chave: dc.subjectDesenvolvimento de software-
Palavras-chave: dc.subjectDefect causal analysis-
Palavras-chave: dc.subjectCross-company data-
Palavras-chave: dc.subjectBayesian network-
Título: dc.titleUm estudo de caso industrial investigando o uso de dados de diferentes organizações para apoiar análise causal de defeitos-
Tipo de arquivo: dc.typeTrabalho de conclusão de curso-
Aparece nas coleções:Repositório Institucional da Universidade Federal Fluminense - RiUFF

Não existem arquivos associados a este item.