DESENVOLVIMENTO INTENCIONAL DE SOFTWARE TRANSPARENTE BASEADO EM ARGUMENTAÇÃO
Bibliographic record
Abstract
[pt] Transparência é um critério de qualidade crítico para sociedades democráticas modernas. Como o software permeia a sociedade, a transparência se tornou uma preocupação para softwares operando em domínios públicos, sejam eles eGovernment, eCommerce ou softwares sociais. Dessa forma, a transparência de software está se tornando um critério de qualidade que demanda mais atenção dos desenvolvedores de software. Requisitos de transparência em um sistema de software estão relacionados a requisitos não-funcionais, como disponibilidade, usabilidade, informatividade, entendimento e auditabilidade. Entretanto, requisitos de transparência são especialmente difíceis de serem validados devido à natureza subjetiva dos conceitos envolvidos. Essa tese propõe o desenvolvimento intencional de software transparente dirigido por requisitos de transparência. Os requisitos de transparência são elicitados com o apoio de um catálogo de padrões de requisitos, relativamente validados pelos interessados através do uso de argumentação e representados em modelos intencionais. Modelos intencionais são fundamentais para a transparência de software, uma vez que associam aos requisitos as metas e os critérios de qualidade esperados pelos interessados e que justificam as decisões tomadas. Um sistema exemplo foi implementado como um sistema multi-agentes intencional, ou seja, com agentes colaborativos que implementam o modelo Belief-Desire-Intention e que são capazes de raciocinar sobre metas e critérios de qualidade. Essa tese discute as questões importantes para o sucesso da nossa abordagem de desenvolvimento de software transparente, como: (i) rastreabilidade requisitos-código e código-requisitos; (ii) o uso de lógica nebulosa para desenvolver uma máquina de raciocínio para agentes intencionais; (iii) a aplicação de argumentação para a validação relativa de requisitos de transparência através da obtenção de um consenso entre os interessados; e (iv) pré-rastreabilidade colaborativa para modelos intencionais baseada nas interações sociais. Nossas idéias foram validadas através de estudos de caso em diferentes domínios, tal como computação ubíqua e aplicações Web.
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 | 0.011 | 0.036 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.002 |
| Bibliometrics | 0.004 | 0.002 |
| Science and technology studies | 0.002 | 0.008 |
| Scholarly communication | 0.012 | 0.017 |
| Open science | 0.002 | 0.007 |
| Research integrity | 0.003 | 0.004 |
| Insufficient payload (model declined to judge) | 0.010 | 0.002 |
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".