MétaCan
Menu
Retour à la cohorte
Enregistrement W2171201740 · doi:10.5539/cis.v4n2p2

A Framework of Tools for Managing Software Architecture Knowledge

2011· article· en· W2171201740 sur OpenAlexvenueno aff
Rusli Abdullah, Zainab Mohamed Shah, Amir Mohamed Talib

Notice bibliographique

RevueComputer and Information Science · 2011
Typearticle
Langueen
DomaineComputer Science
ThématiqueAdvanced Software Engineering Methodologies
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésComputer scienceKnowledge managementSoftware engineeringProcess (computing)ArchitectureSoftware architectureTacit knowledgeProcess managementSoftwareEngineeringOperating system

Résumé

récupéré en direct d'OpenAlex

Software architecture (SA) process consists of several activities, which involve complex knowledge intensive process. The knowledge produced and consumed during this process needs to be shared and reused among different stakeholders, and across different life-cycle phases. Therefore, software architecture knowledge needs to be managed for improving organization architecture capabilities. It is the way knowledge management (KM) plays an important role in the SA process. This paper utilized SA evaluation to analyze SA and used Architecture Tradeoff Analysis Method (ATAM) to support a disciplined architecture process. With this approach, it gives support to provide or manage the knowledge required or generated during the SA process. The effective tool support is needed and become important to capture and manage architectural knowledge (AK) consumed or generated during SA process. If not captured and managed, this critical knowledge is implicitly embedded in the architecture, become tacit knowledge which erodes as personnel on the project change. To cover these issues, this paper developed a framework of tools for managing SA knowledge. The tool prototype designing and implementing a web-based knowledge management system (KMS), which is offer a hybrid architectural KM approach.

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 distillée sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,001
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Théorique ou conceptuel · Signal consensuel: aucune
GenreSignal candidat: Méthodes · Signal consensuel: Méthodes
Score de désaccord entre enseignants0,828
Score d'incertitude au seuil0,476

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0000,000
Communication savante0,0000,007
Science ouverte0,0010,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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 Opus0,066
Tête enseignante GPT0,305
Écart entre enseignants0,239 · 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 tête enseignante, pas un consensus.

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

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

En bref

Citations1
Publié2011
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueComputer and Information ScienceMême sujetAdvanced Software Engineering MethodologiesTravaux en français237 207