MétaCan
Menu
← Retour à la cohorte
Enregistrement W1483240941

Détection de défauts de programmes Java

2014· article· fr· W1483240941 sur OpenAlexaboutno aff
Johnny Tsheke Shele

Notice bibliographique

Revuenon disponible
Typearticle
Languefr
DomaineComputer Science
ThématiqueSoftware Engineering Research
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésHumanitiesPolitical sciencePhysicsPhilosophy
DOInon disponible

Résumé

récupéré en direct d'OpenAlex

L'evaluation d'un programme dans le cadre d'un cours d'introduction a l'informatique est une tâche difficile qu'il faut completer dans un delai precis. Au-dela du fonctionnement, il faut aussi verifier la qualite du code source du programme. Par la qualite du programme, on entend le fait que le code source se conforme aux standards et conventions generalement admis comme un bon style de programmation. Dans la pratique, la verification de la qualite ne se preoccupe pas des erreurs detectables par le compilateur car le programme a analyser est suppose exempt de ces erreurs. On verifie plutot le non-respect des conventions et standards. On qualifie alors de defaut, une instruction ou partie du code source qui ne respecte pas les exigences du style de programmation considere. L'evaluation de la qualite se fait donc en detectant les defauts pertinents. Plusieurs institutions d'enseignement se sont lancees dans des projets divers pour mettre en place des outils d'evaluation automatique des programmes des etudiants. Le departement d'informatique de l'Universite du Quebec a Montreal dispose d'un outil appele Oto. Cet outil permet de corriger les aspects fonctionnels des programmes. Il lui manque la capacite d'evaluer la qualite du code source. Oto est neanmoins capable de faire appel a une application externe s'executant en ligne de commande et utilisant les flux standards d'entree/sortie. Dans ce memoire, nous presentons DDPJ, Detection de Defauts dans les Programmes Java, notre outil de detection des defauts de programmes Java. Son fonctionnement est base sur l'utilisation de metriques. Dans sa conception, chaque defaut est associe a une metrique. La detection des defauts sur le code source se fait donc en calculant les metriques associees. La specification des defauts a detecter se fait tout simplement en passant la liste des metriques associees en arguments a DDPJ. Le programme DDPJ fournira alors un rapport avec les valeurs des metriques demandees. Au besoin, DDPJ peut aussi fournir un rapport detaille avec les numeros de lignes des defauts dans le code source. DDPJ est developpe en Java en utilisant SableCC et ObjectMacro. Il est portable et peut s'executer seul en ligne de commande ou integre dans n'importe quel programme capable d'executer une application externe en ligne de commande. ______________________________________________________________________________

Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.

Comment cette classification a été obtenuedéplier

Prédiction machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,012
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,004
Score d'incertitude au seuil0,007

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,012
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0020,001
Études des sciences et des technologies0,0000,001
Communication savante0,0010,001
Science ouverte0,0000,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0020,001

Scores machine (provisoires)

Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.

Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.

Tête enseignante Opus0,021
Tête enseignante GPT0,292
Écart entre enseignants0,271 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2014
Routes d'admission1
Résumé présentoui

Explorer davantage

Même sujetSoftware Engineering Research→Travaux en français237 207→