НЕВИЗНАЧЕНІСТЬ ОЦІНЮВАННЯ КІЛЬКІСНИХ ХАРАКТЕРИСТИК ЯКОСТІ ПРОГРАМНОГО ЗАБЕЗПЕЧЕН-НЯ
Bibliographic record
Abstract
Нині оцінка якості програмного забезпечення виступає важливим етапом у процесах його розробки та впровадження. Вона надає розробникам можливість отримати об'єктивну оцінку, щодо розроблених програмних продуктів та визначити їх відповідність до діючих міжнародних стандартів та вимог із оцінки якості програмного забезпечення. Однак даний процес в межах оцінки якості програмного забезпечення часто супроводжується певним рівнем невизначеності в межах реалізації оцінювання кількісних характеристик якості, що може ускладнити прийняття рішень про перспективність використання розробленого продукту та його безпеки. Суттєвий внесок у розробку теоретичних й практичних аспектів, щодо узагальнення проблематики питання невизначеності оцінювання кількісних характеристик якості внесли такі вчені, як: S. Hayashi, M. Kubo, H. Mori, C. Areces, R. Fervari, A. Saravia, F. Velázquez-Quesada, S. Guaman, J. Alamo, J. Caiza, M. Nakamura та ін.. Метою даної статті є вирішення проблеми пов’язаної із невизначеністю оцінювання кількісних характеристик якості програмних систем. Для реалізації мети в статті поставлені і вирішені такі завдання: розглянуті різні аспекти невизначеності оцінювання кількісних характеристик якості комп'ютерних програмних систем; розроблено методологічний підхід до вирішення проблеми пов’язаної із невизначеністю оцінювання кількісних характеристик якості; проведено практичне дослідження розробленого підходу. В процесі вирішення піднятих завдань було використано методи аналізу, синтезу, узагальнення та порівняння.
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 | 0.003 | 0.008 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.004 | 0.007 |
| Scholarly communication | 0.011 | 0.007 |
| Open science | 0.001 | 0.004 |
| Research integrity | 0.002 | 0.003 |
| Insufficient payload (model declined to judge) | 0.040 | 0.014 |
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".