MétaCan
Menu
Retour à la cohorte
Enregistrement W4376869467 · doi:10.18280/isi.280201

A Novel Method for Refactoring UML Metamodel

2023· article· en· W4376869467 sur OpenAlexvenueno aff
Berraouna Abdelkader

Notice bibliographique

RevueIngénierie des systèmes d information · 2023
Typearticle
Langueen
DomaineComputer Science
ThématiqueModel-Driven Software Engineering Techniques
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésMetamodelingCode refactoringUnified Modeling LanguageComputer scienceProgramming languageApplications of UMLSoftware engineeringUML toolSoftware

Résumé

récupéré en direct d'OpenAlex

UML metamodel, like other metamodel change through time as a result of changing needs and technical improvements during their life cycle.Adding new update or bug fixing can change UML metamodel, so potential inconsistencies with existing models that correspond to the previous version of the UML metamodel and may become non-compliant with the new version.In this approach, the refactoring facilitates a UML metamodel refactoring in well-defined steps from the basic features.The use of this refactoring allows extending the functionality of the existing UML metamodel.This research focuses on the methods and processes involved in adapting the UML metamodel to changing needs and technical improvements over time.The study highlights the potential for inconsistencies to arise from updates and bug fixing in the UML metamodel.The research methodology used is the refactoring of the UML metamodel through a well-defined process in well-defined steps.The study found that the refactoring process allows for the extension of the basic features of the UML metamodel and the introduction of new functionalities.The research concludes that the use of well-defined refactoring processes is essential in maintaining the evolution of the UML metamodel and ensuring its compliance with changing needs and technical improvements.

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)0,003
score de la tête « metaresearch » (Gemma)0,009
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Méthodes · Signal consensuel: Méthodes
Score de désaccord entre enseignants0,006
Score d'incertitude au seuil0,021

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0030,009
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,002
Bibliométrie0,0030,002
Études des sciences et des technologies0,0010,001
Communication savante0,0020,003
Science ouverte0,0020,002
Intégrité de la recherche0,0020,003
Charge utile insuffisante (le modèle a refusé de juger)0,0060,003

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 Opus0,036
Tête enseignante GPT0,286
Écart entre enseignants0,250 · 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'étudeSans objet
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
Publié2023
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueIngénierie des systèmes d informationMême sujetModel-Driven Software Engineering TechniquesTravaux en français237 207