Bibliographic record
Abstract
Ce mémoire introduit une approche pour l'évaluation de la qualité du logiciel: Boîte à Outil d'Analyse de Programmes (BOAP).BOAP a été développée dans le cadre d'un projet pour le Centre du Test de Logiciel (CTL).Le but de l'approche BOAP est d'évaluer l'architecture du logiciel indépendamment du langage de programmation en prenant en compte des caractéristiques architecturales comme l'évolvabilité et la stabilité.Cet objectif est atteint grâce à un module de mapping qui transforme les programmes en une représentation indépendante du langage de programmation soit un modèle générique.Le modèle généré est persistant; il permet donc son utilisation pour des analyses futures.Pour ce projet, le module de mapping a été développé pour supporter la transformation des programmes Java vers le modèle générique.Dans le cadre de ce projet, la stabilité des interfaces des classes dans les systèmes orientés objet est évaluée durant leurs évolutions.Notre étude empirique a été réalisée à partir de données tirées des applications Java Open Source à plusieurs versions.Le module de mapping a été utilisé pour transformer ces applications en modèle générique.Un module métrique a été développé afin d'extraire, à partir de la représentation générée, des métriques de conception qui évalueront des propriétés orientées objet qui ont un effet sur la stabilité des interfaces des classes comme le couplage, l'encapsulation et l'héritage.Un modèle de classification a été généré pour prédire les classes qui auront un impact sur la stabilité du système.Nous avons utilisé l'algorithme d'apprentissage C4.5 pour produire nos modèles prédictifs.L'utilisation du modèle générique a l'avantage d'avoir les analyses et les modèles générés applicables à d'autres systèmes, indépendamment de leur langage de programmation.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.002 | 0.009 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.002 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.000 | 0.002 |
| Scholarly communication | 0.003 | 0.003 |
| Open science | 0.002 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.002 | 0.001 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".