Projetos de Pesquisa

                                                                                                                                                                Grupo de Pesquisa                                                                                                                                                                

Engenharia e Desenvolvimento de Tecnologia da Informação

                                                                                                                                                               Prazo de Execução                                                                                                                                                           

01/08/2024 a 31/07/2026

                                                                                                                                                                               Equipe                                                                                                                                                                                

                                                                                                                                                                                Resumo                                                                                                                                                                                

Objetivo: O projeto explora o uso de modelos de aprendizado de máquina para classificar e predizer métodos propensos a mudanças. Esse objetivo visa avaliar a eficácia dos modelos em predizer códigos propensos à mudanças em uma unidade de código no escopo de método e também predizer o motivo das mudanças de software.

Metodologia:  Serão estudados trabalhos existentes para identificar indicadores pertinentes de propensão à mudança e de atributos de qualidade de software para estabelecer as variáveis dependentes e independentes. Inicialmente, serão selecionadas variáveis de propensão à mudança estruturais e as métricas baseadas na evolução descritas nos trabalhos de Catolino et al. (2020), Elish et al. (2013) e Malhotra e Khanna (2019). Também foi identificada a métrica de desempenho de software de tempo de execução dos métodos, baseada em Reichelt e Kühne (2018), para o atributo de qualidade de desempenho de software. Outras métricas serão pesquisadas durante a realização do projeto.

Resultados Esperados: Os benefícios esperados no processo de ensino-aprendizagem dos alunos vinculados ao projeto é aprofundar seus conhecimentos em aspectos muito importantes da engenharia de software, como aprender o processo de mineração de projetos de software, aprender sobre atributos de qualidade, sobre o processo de evolução de software. Além disso, terão a oportunidade de aprender métodos de pesquisa em engenharia de software, com a possibilidade de publicar artigos em conferências e periódicos da área. Para o curso de Engenharia de Software, os benefícios incluem a possibilidade de realizar parcerias de pesquisa, de divulgá-lo por meio da participação em eventos e também da atualização do corpo docente envolvido.

Palavras-chave: Propensão a mudanças, atributos não-funcionais, manutenção de software, evolução de software.

                                                                                                                                                       Resultados Gerados                                                                                                                                                                 

Artigos em Periódicos

On the use of Change History Data to Enhance Class Change-Proneness Prediction Models. Journal of the Brazilian Computer Society, 30(1), 421–443, 2024

Artigos em Congressos

Sem publicações até o momento.

Resumos de Iniciação Científica

Sem publicações até o momento.

Orientações de TCCs

Análise de métricas de dívida técnica para predição de mucanças com algoritmos de aprendizado Random Forest e LSTM. Daniel Valdo Dallabeneta. (2024)

Predição de dívida técnica em projetos de software utilizando Machine Learning. Dênis Diego Marx. (2024)

Outras Informações

Sem outros resultados gerados.