La fonctionnalité de recherche est en construction.
La fonctionnalité de recherche est en construction.

The original paper is in English. Non-English content has been machine-translated and may contain typographical errors or mistranslations. ex. Some numerals are expressed as "XNUMX".
Copyrights notice

The original paper is in English. Non-English content has been machine-translated and may contain typographical errors or mistranslations. Copyrights notice

Automating Bad Smell Detection in Goal Refinement of Goal Models Automatisation de la détection des mauvaises odeurs dans le raffinement des objectifs des modèles d'objectifs

Shinpei HAYASHI, Keisuke ASANO, Motoshi SAEKI

  • Vues en texte intégral

    0

  • Citer

Résumé:

L'affinement des objectifs est une étape cruciale dans l'analyse des exigences orientée vers les objectifs afin de créer un modèle d'objectifs de haute qualité. Un mauvais affinement des objectifs conduit à des exigences manquantes et à des exigences incorrectes ainsi qu'à une moins grande exhaustivité des modèles d'objectifs produits. Cet article propose une technique pour automatiser la détection mauvaises odeurs de raffinement des objectifs, symptômes d’un mauvais raffinement des objectifs. Dans un premier temps, pour clarifier les mauvaises odeurs, nous avons demandé aux sujets de découvrir concrètement un mauvais raffinement de leur objectif. Sur la base de la classification des mauvais raffinements spécifiés, nous avons défini quatre types de mauvaises odeurs de raffinement final : Faible relation sémantique, Beaucoup de frères et sœurs, Quelques frères et sœurs et Feuille à gros grains, et a développé deux types de mesures pour les détecter : des mesures sur la structure graphique d'un modèle d'objectif et la similarité sémantique des descriptions d'objectifs. Nous avons mis en place un outil d'aide à la détection des mauvaises odeurs et évalué son utilité par une expérimentation.

Publication
IEICE TRANSACTIONS on Information Vol.E105-D No.5 pp.837-848
Date de publication
2022/05/01
Publicisé
2022/01/06
ISSN en ligne
1745-1361
DOI
10.1587/transinf.2021KBP0006
Type de manuscrit
Special Section PAPER (Special Section on Knowledge-Based Software Engineering)
Catégories

Auteurs

Shinpei HAYASHI
  Tokyo Institute of Technology
Keisuke ASANO
  Tokyo Institute of Technology
Motoshi SAEKI
  Nanzan University

Mots-clés

Table des matières