Goal-Oriented Prioritized Non-Functional Testing with Stakeholders' Priorities
Notice bibliographique
Résumé
Non-functional testing is crucial in software product line engineering to ensure high-quality end products. However, software complexity, limited testing resources, and time constraints pose challenges in conducting comprehensive testing. Additionally, non-functional testing can be seen as a multi-criteria decision problem since it involves multiple quality attribute requirements. Stakeholders often prioritize certain quality attributes over others based on their specific needs, goals, interests, and the value they perceive each quality aspect holds for them. Therefore, incorporating these priorities during test planning is essential for guiding decision-making and aligning the testing process with their needs. This paper presents a methodology for addressing non-functional testing in goal-driven software product lines. The methodology employs a semi-automated process for non-functional testing that utilizes the domain goal model as a testing basis to identify areas (features) within the application within the test space of quality attribute of the application and employs a multi-criteria decision method for prioritizing those features based on stakeholders' assigned priority values. Our goal-oriented methodology optimizes testing efforts by focusing on critical areas, aligning priorities with stakeholders' expectations to enhance software quality and reliability. The methodology supports three key testing activities: capturing of testable non-functional requirements and use case definition for early testing, effective testing scopes design with stakeholders' priorities, and creation of standardized test cases using pre-designed templates. A prototype toolkit was implemented to support the proposed methodology.
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 enseignantsNi 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.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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.
score_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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».