Banca de DEFESA: RENATA FIGUEREDO LINS

Uma banca de DEFESA de MESTRADO foi cadastrada pelo programa.
DISCENTE: RENATA FIGUEREDO LINS
DATA : 29/01/2024
HORA: 14:00
LOCAL: Virtual
TÍTULO:

CR Analysis: Classificação de Change Requests em um Ambiente de 
Fluxo de Dados

PALAVRAS-CHAVES:

Classificação de Texto; Change Requests; Fluxos de Dados; 
Mudança de Conceito.

PÁGINAS: 100
RESUMO:

Os testes de software são atividades essenciais para o desenvolvimento e a 
manutenção eficiente de um produto. Durante o ciclo de vida do software, 
diferentes tipos de teste são executados para garantir que as 
funcionalidades foram implementadas corretamente, ou para encontrar erros. 
Quando casos de teste falham, requisições de mudança (do inglês, Change 
Requests - CRs) descrevendo os erros encontrados são criadas pelos 
testadores e armazenadas nos repositórios associados a ferramentas de 
gerenciamento de software. As CRs são então inspecionadas em um processo de 
triagem, que visa identificar a criticidade dos erros e direcionar as 
requisições para as áreas responsáveis. A criticidade das CRs irá 
determinar com qual nível de urgência os problemas relatados devem ser 
resolvidos. O processo de triagem costuma ser uma atividade custosa e 
demorada, pois geralmente é realizada manualmente. Como uma solução, a 
triagem pode ser automatizada com o uso de técnicas de Aprendizado de 
Máquina (AM) para classificar automaticamente a criticidade das CRs. Embora 
algoritmos tradicionais de AM tenham sido utilizados extensivamente na 
literatura para lidar com tarefas de classificação de texto dentro de 
domínios específicos, o desempenho de tais algoritmos pode se tornar 
incerto em ambientes de fluxos de dados na presença de mudanças de 
conceito. Fluxos de dados são comumente caracterizados por uma sequência de 
instâncias que se tornam disponíveis continuamente ao longo do tempo, sendo 
geradas de forma dinâmica e potencialmente ilimitadas em tamanho. Dessa 
forma, uma mudança de conceito significa que as propriedades dos dados se 
tornam não-estacionárias, e indicam que a estrutura e o conhecimento retido 
pelos modelos induzidos previamente podem se tornar obsoletos para a 
classificação de novos dados. Com isso, se torna imprescindível desenvolver 
aplicações mais precisas para tomada de decisão baseadas em dados. Neste 
sentido, esta dissertação investiga o uso de algoritmos de AM Online, bem 
como métodos de detecção de mudanças de conceitos, com o objetivo de 
resolver o problema de classificação de criticidade de CRs em um ambiente 
de fluxo de dados não-estacionário. Este trabalho foi desenvolvido no 
contexto de uma colaboração entre o CIn-UFPE e a Motorola Mobility, e teve 
como objetivo a criação de uma aplicação para automatizar o processo de 
triagem e classificação de CRs. Os experimentos realizados para o 
desenvolvimento da aplicação apresentaram resultados bastante positivos, 
onde foi possível obter um modelo de classificação com a métrica 
Prequential-AUC de 80.23%, e uma Média Geométrica de 73.83%, sugerindo que 
a utilização de métodos de aprendizado online e algoritmos de detecção de 
mudança seja uma alternativa adequada para a resolução do problema em 
questão.

MEMBROS DA BANCA:
Externo à Instituição - TIAGO AGOSTINHO DE ALMEIDA - UFSCAR
Presidente - 2331188 - ALEXANDRE CABRAL MOTA
Interno - 1463105 - RICARDO BASTOS CAVALCANTE PRUDENCIO