Requirements Engineering and Management Effects on Downstream Developer Performance in a Small Business Findings from a Case Study in a CMMI/CMM Context
Notice bibliographique
Résumé
Abstract— This thesis is a case study explaining how I tried to improve the requirements engineering process at company X (not its real name), a small software development company in Waterloo, ON, Canada. I assessed X’s practices and standards using the Capability Maturity Model Integration (CMMI) and the Requirements Definition and Management (RDM) Maturity Model (RDMMM). I chose CMMI because it defines and measures a company to assess its maturity as an organization. Higher levels of CMMI have been found to have a correlation with the better success of projects, with regards to delivering the product on-time, on-budget, and on function. For analysis, initial measurements of the company’s performance were gathered to compare results in order to measure X’s process improvements. Six common performance metrics were analyzed: error density, software development productivity, percentage of rework, cycle time for the completion of a typical software project, schedule fidelity, and error detection effectiveness. In addition, I gave a questionnaire to X’s employees based on Ellis’s RDM which is a process for defining, documenting, and maintaining documents that take its reference point from empirical studies on the effectiveness of CMMI. [19] This case study’s survey questions were used to elicit the data necessary to answer whether higher levels of the RDMMM in strategic projects lead to the success of projects at X. The different levels of RDMMM within the company were measured by comparing the questionnaire results taken in 2017 and 2019. Many of the conclusions and the results of this paper are based on the interviews and personal statements from employees at X about their experience in software development.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| 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 ».