Méthode générique de gestion des tests d'unités logiciel
Bibliographic record
Abstract
L'objectif de ce mémoire de maîtrise en informatique est de présenter une méthode générique de gestion des tests d'unités logiciel utilisable par la très petite entreprise (2 à 10 programmeurs). Cette méthode répond aux contraintes que rencontrent ces entreprises : faible budget et développement/maintenance en plusieurs langages informatiques ou environnements. De même, cette méthode est simple à implémenter et à enseigner aux nouveaux programmeurs. Pour ce faire, ce document regroupe les informations pertinentes menant à la compréhension de la place qu'occupent les tests dans les différentes méthodes de développement de logiciel. De même, il montre un échantillonnage de plusieurs méthodes usuelles de tests qui peuvent être utiles aux programmeurs. \n \nLa méthode de gestion de tests développée dans ce document est basée sur une utilisation des logiciels de tests et sur les tests de régression. De plus, cette méthode est générique car elle s'adresse à tous les langages informatiques de par l'utilisation des logiciels de tests et dû au fait que ('implémentation du prototype du logiciel de gestion est en langage Java. \n \nCette méthode crée une hiérarchie des tests à effectuer en fonction des projets, du logiciel et de ses multiples variantes de paramètres utilisés. La méthode prévoit la possibilité de lancer en séquence les tests d'un logiciel ou de lancer simultanément des logiciels avec chacun leurs tests. De même, elle permet de simplifier la création de fichiers étalons et elle inclut plusieurs options qui gèrent leur comparaison avec des fichiers textuels ou binaires. Une de ces options est particulièrement intéressante. Il s'agit de la possibilité d'inclure des outils qui peuvent servir à valider les fichiers de sortie ou encore transformer un fichier binaire en fichier texte pour visualisation. La méthode prévoit la transmission de rapports de tests aux divers intervenants dans l'organisation de l'entreprise de même que l'archivage de ces rapports. \n \nLa méthode proposée se veut une nouvelle approche simple et réaliste au problème de la gestion des tests dans les très petites équipes de développement informatique. \n
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 | 0.004 | 0.013 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.002 | 0.001 |
| Science and technology studies | 0.001 | 0.002 |
| Scholarly communication | 0.007 | 0.005 |
| Open science | 0.002 | 0.002 |
| Research integrity | 0.002 | 0.003 |
| Insufficient payload (model declined to judge) | 0.066 | 0.028 |
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".