MétaCan
Menu
Retour à la cohorte
Enregistrement W3157242654 · doi:10.22215/etd/2017-11952

An Analysis and Extension of Category Partition Testing in the Presence of Constraints

2017· dissertation· en· W3157242654 sur OpenAlexaff
Sunint Kaur Khalsa

Notice bibliographique

Revuenon disponible
Typedissertation
Langueen
DomaineComputer Science
ThématiqueSoftware Testing and Debugging Techniques
Établissements canadiensCarleton UniversityUniversity of Ottawa
Organismes subventionnairesnon disponible
Mots-clésComputer scienceConstraint (computer-aided design)Partition (number theory)Set (abstract data type)Domain (mathematical analysis)Extension (predicate logic)Base (topology)Test suiteWhite-box testingCompleteness (order theory)Test caseProgramming languageMathematicsSoftwareMachine learningSoftware development

Résumé

récupéré en direct d'OpenAlex

Category Partition (CP) is a Black Box testing technique that formalizes the specification of the input domain of the system under test.A CP specification is driven by the tester's expertise and comprises of parameters, categories (characteristics of parameters) and choices (acceptable values for categories) required for extensively testing the system.To ensure completeness, choices not only correspond to permitted input values but also correspond to values that account for boundaries or robustness.These choices are combined on the basis of various selection criterion (e.g., Base Choice, Pairwise) to form test frames which given input values form test cases.To ensure that the combinations of choices are feasible and account for valid sets of user requirements, constraints are introduced.A constraint can be a specification for permitted choice combination or a choice annotation as Error or Single.In a typical development environment where testing is driven by stringent deadlines, a tester might have to decide how many constraints (constraints among choices, Error or Single annotation) are enough to attain the maximum level of test completeness.The present work will assist a test engineer in making this decision.This thesis contributes by concluding, based on experimental evaluation of academic and industrial case studies, that in case of limited resources an equally effective test suite can be attained by meticulously defining Error and Single annotations in a CP specification.The present work also contributes by challenging the notion that introducing constraints reduces the cost of the test suite by restricting the combination of choices.This thesis asserts, based on experimental evaluation, that introducing constraints does not always reduce cost and that the cost of the test suite depends on various other factors.xvi A.2 Tools/algorithms found with no technical information .....

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)0,007
score de la tête « metaresearch » (Gemma)0,051
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Théorique ou conceptuel · Signal consensuel: Théorique ou conceptuel
GenreSignal candidat: Méthodes · Signal consensuel: Méthodes
Score de désaccord entre enseignants0,007
Score d'incertitude au seuil0,038

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0070,051
Méta-épidémiologie (sens strict)0,0020,001
Méta-épidémiologie (sens large)0,0020,003
Bibliométrie0,0040,003
Études des sciences et des technologies0,0010,007
Communication savante0,0030,008
Science ouverte0,0050,005
Intégrité de la recherche0,0030,005
Charge utile insuffisante (le modèle a refusé de juger)0,0050,001

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 Opus0,042
Tête enseignante GPT0,327
Écart entre enseignants0,285 · 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'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

Citations0
Publié2017
Routes d'admission1
Résumé présentoui

Explorer davantage

Même sujetSoftware Testing and Debugging TechniquesTravaux en français237 207