Inspección de modelos de características: aprovechando patrones de defectos y asistencia de IA

Resumen

Los modelos de características (MC) son esenciales para la variabilidad en líneas de productos de software (LPS), haciendo crucial el análisis de defectos. Las inspecciones manuales son clave para problemas de dominio, requisitos y defectos no sintácticos. Las listas de verificación ofrecen inspecciones sistemáticas, reproducibles, y menos dependientes de la experiencia del inspector. Los métodos existentes para MC se basan en clasificaciones de defectos de requisitos o tipos de defectos fáciles de recordar, referenciando modelos o documentos externos. Ellos omiten patrones de defectos no obvios o fáciles de olvidar y son inaccesibles en entornos con recursos limitados. Este estudio propone una inspección de MC independiente de modelos externos, integrando clasificaciones de la literatura con patrones de defectos, centrándose en características de comportamiento. Empleamos modelos de lenguaje grandes (MLG) para mejorar la eficiencia y precisión de la inspección. Presentamos un árbol de clasificación de defectos derivado empíricamente. Los resultados empíricos de nuestro enfoque indican para los patrones de defectos que el 23% fueron no obvios y el 23% fáciles de olvidar. Los patrones no-obvios ayudaron a detectar el 60% de los defectos de ambigüedad, el 14.5% de defectos relacionados con reglas de negocio y el 11.7% de defectos de incompletitud. Los MLG contribuyeron a identificar entre el 15.5% y el 59.4% del total de los defectos. Nuestro enfoque es accesible para equipos con recursos limitados y adecuado para entornos ágiles, diseño temprano, educación e industrias complejas, uniendo teoría y práctica y estableciendo la inspección asistida por IA como una herramienta valiosa.