- •1. Пряма, зворотна, емпірична інженерія програмного забезпечення.
- •2. Емпіричні та теоретичні дослідження.
- •3. Напрями емпіричних досліджень.
- •4. Методи пізнання: загально наукові, конкретно наукові.
- •5. Теоретичні загально наукові методи пізнання.
- •6. Емпіричні загально наукові методи пізнання.
- •7. Конкретно наукові методи пізнання (в загальному).
- •8. Місце емпіричної інженерії програмного забезпечення в іпз.
- •9. Емпірична інженерія програмного забезпечення – суть, предмет та методи.
- •10. Методи емпіричної інженерії (загально наукові, конкретно наукові).
- •Непрямі методики збору даних.
- •Незалежні методики збору даних.
- •Збір даних. Автоматизація збору даних. Використання засобів збору даних.
- •Збір даних. Вимірювання пз. Автоматизація вимірювань.
- •Lines of Code (кількість стрічок коду)
- •Maintainability Index (індекс зручності підтримки):
- •Цикломатична складність:
- •Зв’язність класів:
- •Глибина наслідування:
- •Аналіз даних. Автоматизація аналізу даних.
- •Caese-засоби: структура, процеси та призначння.
- •Порівняння case та caese-засобів.
- •Порівняння моделей процесів case та caese-засобів.
- •Кроки проведення емпіричних досліджень.
- •Проведення кращих емпіричних досліджень. Основні принципи.
- •Компоненти емпіричних досліджень.
- •Середовище досліджень
- •Гіпотези
- •План експерименту
- •Визначення предмету досліджень
- •Побудова взаємозв’язків між досліджуваними величинами
- •Проведення довгострокових (в природних умовах) та короткострокових (в лабораторних умовах) досліджень
- •Способи отримання даних.
- •Отримання даних на протязі часу
- •Моделювання
- •Статичне отримання даних
- •Паралельне проведення декількох досліджень.
- •Загально наукові емпіричні методи: спостереження та описання, експеримент, вимірювання.
- •Ціленаправленість;
- •Активність
- •Загально наукові теоретичні методи: ідеалізація, мисленний експеримент, формалізація.
- •Ідеалізація
- •Мисленний експеримент
- •Формалізація
- •Загально наукові теоретичні методи: абстрагування, аксіоматичний метод, метод гіпотези.
- •Абстрагування
- •Аксіоматичний метод
- •Метод гіпотези
- •Кількісні та якісні емпіричні дослідження. Відмінності в методах.
- •Кількісні емпіричні дослідження.
- •Якісні емпіричні дослідження.
- •Контрольовані експерименти.
- •Дослідження ситуацій (case studies).
- •Дослідження ситуацій (survey).
- •Інші методи емпіричних досліджень пз: кінцевий аналіз (post mortem analysis), етнографії, дослідження дій.
- •Вимірювання пз. Підходи до вимірювань.
- •Моделі вимірювань.
- •Мета-модель. Використання мета-моделі в iPlasma.
- •Шкали вимірювань.
- •Помилки при вимірюваннях
- •51. Види вимірювань
- •52. Вимірювання розміру.
- •53. Вимірювання функціональності.
- •54. Вимірювання складності.
- •55. Оцінка зусиль.
- •56. Вимірювання дефектів.
- •57. Надійність пз та прогнозування. Відмови.
- •58. Час відгуку та робото придатність.
- •59. Вимірювання прогресу.
- •60. Фінансові вимірювання.
- •Метрики програмного забезпечення. Види метрик.
- •Прямі та непрямі метрики.
- •Метрики розміру.
- •Недоліки розмірно-орієнтованих метрик.
- •Метрики складності потоку управління.
- •Метрики складності потоку даних.
- •Об’єктно-орієнтовані метрики.
- •Метрики Хольстеда.
- •Метрики Чепіна.
- •Метрики цикломатичної складності Мак-Кейба.
- •71. Попередня оцінка складності
- •72. Вимірювання зусиль
- •73. Вимірювання дефектів
- •75. Метрики якості продукту:
- •76. Метрики якості процесів:
- •77. Метрики якості супроводження
- •78. Застосування засобів контролю якості
- •79. Виявлення дефектів
- •80. Метрики процесів для тестування
- •Вимірювачі програмного забезпечення.
- •Особливості використання вимірювачів пз
- •Використання iPlasma для вимірювань.
- •Використання Analist4j для вимірювань.
- •Використання cccc для вимірювань.
- •Використання Visual Studio для вимірювань.
- •Пояснення основних метрик iPlasma.
- •Пояснення основних метрик Visual Studio.
- •Пояснення основних метрик Analist4j.
- •Структура iPlasma.
- •Візуалізація в iPlasma.
- •Призначення та послідовність проведення первинного статистичного аналізу.
- •Призначення та послідовність проведення кореляційного аналізу.
- •Призначення та послідовність проведення регресійного аналізу.
- •Описати, пояснити використання Statistica для первинного статистичного аналізу (або іншого засобу).
- •Описати, пояснити використання Statistica для кореляційного аналізу (або іншого засобу).
- •Описати, пояснити використання Statistica для регресійного аналізу (або іншого засобу).
- •Описати та пояснити використання Visual Studio для проведення рефакторингу.
-
Визначення предмету досліджень
Об’єкт дослідження — це процес або явище, що породжує проблемну ситуацію й обране для вивчення.
Предмет дослідження міститься в межах об’єкта.
Об’єкт і предмет дослідження як категорії наукового процесу співвідносяться між собою як загальне і часткове. В об’єкті виділяється та його частина, яка є предметом дослідження.
-
Побудова взаємозв’язків між досліджуваними величинами
Розрізняють кілька типів зв'язків між явищами та їх ознаками.
-
Функціональний, або жорстко детермінований, зв'язок проявляється тоді, коли із зміною однієї ознаки друга змінюється строго певний спосіб, тобто зміні однієї змінної обов'язково відповідає точно задане значення (одне або кілька) іншої змінної.
-
Стохастичний зв'язок між випадковими величинами проявляється тоді, коли зміна розподілу однієї з них відбувається під впливом зміни розподілу іншої.
-
Кореляційний зв'язок — найважливіший частковий випадок стохастичного зв'язку, коли різним значенням однієї змінної відповідає середнє значення іншої.
-
Проведення довгострокових (в природних умовах) та короткострокових (в лабораторних умовах) досліджень
Дослідження в натуральному середовищі пов’язані з реальними задачами через спостереження за розробниками ПЗ в «природному середовищі», в якому відбувається розробка ПЗ.
Дослідження в лабораторних включають в себе моделювання процесів розробки та проведення експериментів.
-
Способи отримання даних.
-
Отримання даних на протязі часу
Отримання даних — виявлення прихованих закономірностей або взаємозв'язків між змінними у великих масивах необроблених даних. Як правило поділяється на задачі класифікації, моделювання та прогнозування.
На сучасних підприємствах, в дослідницьких проектах або в інтернеті утворюються великі обсяги даних. Добування даних дає можливість автоматичного аналізу цих даних шляхом застосування методів математичної статистики, штучних нейронних мереж, теорії нечітких множин або генетичних алгоритмів. Метою аналізу є виявлення правил та закономірностей, наприклад, статистичних подій. Так, наприклад, можуть виявлятись зміни у поведінці клієнтів або груп клієнтів для покращення політики підприємства.
-
Моделювання
Моделювання (рос. моделирование, англ. modelling, simulation, нім. Modellieren n, Modellierung f, Simulation f) — це метод дослідження явищ і процесів, що ґрунтується на заміні конкретного об'єкта досліджень (оригіналу) іншим, подібним до нього (моделлю).
Моделювання в широкому смислі — це особливий пізнавальний процес, метод теоретичного та практичного опосередкованого пізнання, коли суб'єкт замість безпосереднього об'єкта пізнання вибирає чи створює схожий із ним допоміжний об'єкт-замісник (модель), досліджує його, а здобуту інформацію переносить на реальний предмет вивчення.
Моделювання — це процес створення та дослідження моделі, а модель — засіб, форма наукового пізнання. Під моделлю розуміється об'єкт будь-якої природи (мис-лено уявлена або матеріально реалізована система), котрий, відображаючи чи відтворюючи в певному смислі об'єкт дослідження, здатний заміщати його так, що вивчення моделі дає нову інформацію про об'єкт.