Uma Abordagem para Prevenção de Defeitos Provenientes de Inspeções para Apoiar a Melhoria dos Processos de Engenharia do Software
Autores
|
4994 |
2080,296
|
|
|
4995 |
2080,296
|
Informações:
Publicações do PESC
Análise causal de defeitos tem se mostrado uma forma eficiente para melhoria de processos com base no produto. Nesta tese uma abordagem de análise causal, chamada DPPI (Defect Prevention-Based Process Improvement), é elaborada com base em diretrizes obtidas a partir de revisões sistemáticas e feedback obtido de especialistas da área. DPPI representa uma abordagem inovadora que integra mecanismos de aprendizado de causa e efeito (redes Bayesianas) nos procedimentos de análise causal de defeitos. Adicionalmente, para facilitar o uso das inferências diagnósticas Bayesianas em reuniões de análise causal, o tradicional diagrama de causa e efeito foi estendido para um diagrama de causa e efeito probabilístico.
A experiência de aplicar DPPI a um projeto real indicou sua viabilidade e forneceu uma percepção adicional a respeito de requisitos para apoio ferramental. Nesta experiência, o diagrama de causa e efeito probabilístico diagnosticou as principais causas eficientemente, motivando investigações adicionais. Assim, um estudo experimental foi realizado para investigar os benefícios de utilizar tais diagramas durante as reuniões de análise causal de defeitos.
Os resultados do estudo experimental fornecem indícios de que o uso dos diagramas de causa e efeito probabilísticos de DPPI aumenta a eficácia (capacidade de identificar) e reduz o esforço na identificação de causas de defeitos, quando comparado à identificação de causas de defeitos sem o uso dos diagramas.
Defect causal analysis (DCA) has shown itself an efficient means to obtain product-focused software process improvement. In this thesis a DCA approach, called Defect Prevention-Based Process Improvement (DPPI), is assembled based on guidance acquired through systematic reviews and feedback from experts in the field. DPPI represents an innovative approach integrating cause-effect learning mechanisms (Bayesian networks) into DCA procedures. Additionally, in order to facilitate the usage of the Bayesian diagnostic inferences to support DCA meetings, the traditional cause-effect diagram was extended into a probabilistic cause-effect diagram.
The experience of applying DPPI to a real software project showed its feasibility and provided insights into the requirements for tool support. Moreover, it was possible to observe that DPPI's probabilistic cause-effect diagrams predicted the main defect causes efficiently, motivating further investigation. Therefore, an experimental study was conducted to investigate the benefits of such diagrams during DCA meetings.
Results of the experimental study indicate that the use of DPPI’s probabilistic cause-effect diagrams increase the effectiveness (capacity of identification) and reduce the effort of identifying causes of software defects, when compared to the identification of defect causes without the diagrams.