Uma abordagem para recomendação de casos de teste em projetos ágeis baseados em Scrum.

• Ano de defesa: 2021
• Autor(a) principal: SOUZA FILHO, Ednaldo Dilorenzo de.
• Tipo de documento: Tese
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade Federal de Campina Grande; Brasil; Centro de Engenharia Elétrica e Informática - CEEI; PÓS-GRADUAÇÃO EM CIÊNCIA DA COMPUTAÇÃO; UFCG
• Palavras-chave em Português: Engenharia de Software; Sistemas de Recomendação; Reuso de Software; Inteligência Artificial; Scrum; Métodos Ágeis; Software Engineering; Recommendation Systems; Software Reuse Artificial intelligence; Methods Agile; Ciência da Computação.
• Link de acesso: http://dspace.sti.ufcg.edu.br:8080/jspui/handle/riufcg/21343

A utilização de metodologias ágeis para o desenvolvimento de software vem aumentando significativamente nos últimos anos, trazendo consigo muitas mudanças em relação ao modelo tradicional. Essas mudanças tiveram um grande impacto na forma como os testes são desenvolvidos e executados, uma vez que a responsabilidade da qualidade do produto final, e assim a execução de atividades relativas a testes, é de todo o time. Contudo, apesar dos benefícios alcançados, como o rápido feedback do cliente em relação ao produto, as metodologias ágeis também apresentam muitos desafios para o desenvolvimento e execução de testes como a alta quantidade e tipos de teste que devem ser executados no curto período de tempo de uma iteração. Além disso, os membros de times ágeis costumam negligenciar a estimativa de execução de testes durante o planejamento das iterações, fazendo assim com que o produto seja entregue sem a qualidade esperada ou ainda que a entrega seja postergada. Esses desafios são agravados quando o time de desenvolvimento é inexperiente. Neste trabalho, tem-se como objetivo a concepção de uma abordagem para recomendação de casos de teste em projetos ágeis baseados em Scrum. A abordagem compara Estórias de Usuário sendo desenvolvidas com as que existem em um banco de dados gerado contendo 217 Estórias de Usuário e 1077 casos de teste de duas orgnanizações para encontrar quais delas apresentam as similaridades mais significativas. Então, a abordagem recomenda casos de teste associados às Estórias de Usuário mais similares para permitir que o testador possa reusá-las. Para encontrar a melhor configuração pro sistema de recomendação, foi considerada a métrica F-measure(β), adicionando relevância ao recall e não descartando a precisão, uma vez que, nesse contexto, o recall é mais importante. Dada a melhor configuração, foi desenvolvida uma ferramenta chamada TestRec para identificar a viabilidade da solução proposta. Para validação da abordagem, foram coletadas 177 Estórias de Usuário de três projetos ágeis, e comparados os casos de teste desenvolvidos pelas equipes de teste com os recomendados pela ferramenta TestRec. Os resultados mostraram que, utilizando a abordagem, os testadores poderiam ter reutilizado 65, 09% dos casos de teste desenvolvidos e incrementado a suíte de teste em 38, 79%.