抄録/ポイント:
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
背景:アンドロイドスマートフォンは,応用,運転者,運転システム構成要素,資産の生態系である。ソフトウェアの体積は大きく,アンドロイドシステムの機能性をカバーするのに必要な試験事例の数は相当である。「whatの特徴とapps」を適正に定量化するためには,通常努力がなされてきた。この洞察は,テストカバレージと特徴当りの結果を要約するダッシュボードによって提供される。これを達成する1つの方法は,そのトピックまたは機能点のような機能点,または,機能点のような機能を有するテストケースを手動でタグ付けまたはラベル付けすることである。研究したAndroidスマートフォンベンダーにおいて,試験は手動で定義されたタグ,いわゆる”特徴ラベル(FLs)”でラベル付けされ,FLsは100sから1000sのテストケースを10から50グループに分類する。目的:開発者にとって,テストケースの1000sに対するFLsの手動割り当ては,時間消費タスクであり,不正確なラベル付きテストケースにつながり,それはダッシュボードを無用にする。手動ラベリングよりもテストケースのための開発者に対するタグ/ラベルを示唆する自動化システムを作成した。方法:著者らは,企業で開発された10000のテストケースによってテストされた機能性を予測し,ラベル付けするために機械学習モデルを使用する。【結果】:定量的実験を通して,著者らのモデルは0.3から0.88の許容できるF-1性能を達成した。また,専門家チームによる定性的研究を通して,テストの階層構造と経路は,特徴のラベルの良い予測子であることを示した。結論:この方法は,より正確な分類結果を提供しながら,ソフトウェア開発者が分類テストケースを費やすという退屈な手動努力を減らすことができることを見出した。Please refer to this article’s citation page on the publisher website for specific rights information. Translated from English into Japanese by JST.【JST・京大機械翻訳】