Mejoras semánticas para estimar la Completitud de Modelos en Lenguaje Natural

La Ingeniería de Requisitos tiene como objetivo producir requisitos de alta calidad, siendo la completitud un aspecto crítico. ¿Se ha elicitado y modelado la suficiente información para construir un sistema de software que cubra las expectativas y necesidades del cliente? Esuna pregunta de...

Descripción completa

Guardado en:
Detalles Bibliográficos
Autores principales: Litvak, Claudia S., Hadad, Graciela D. S., Doorn, Jorge H.
Formato: Working Paper
Lenguaje:Español
Publicado: Universidad de Belgrano - Facultad de Ingeniería y Tecnología Informática - Proyectos de Investigación 2014
Materias:
Acceso en línea:http://repositorio.ub.edu.ar/handle/123456789/3000
Aporte de:
Descripción
Sumario:La Ingeniería de Requisitos tiene como objetivo producir requisitos de alta calidad, siendo la completitud un aspecto crítico. ¿Se ha elicitado y modelado la suficiente información para construir un sistema de software que cubra las expectativas y necesidades del cliente? Esuna pregunta de difícil respuesta a pesar de algunos intentos que se están realizando en ese sentido. Un estudio de la estimación del tamaño de modelos de requisitos escritos en lenguaje natural ha dado resultados prometedores, aunque se consideraron sólo los aspectos formales y cuantitativos. Debido a la naturaleza de estos modelos, se ha introducido un análisis semántico que se realiza previo a la aplicación del método estimativo de tamaño. Todos los trabajos de estimación de tamaño, tanto con o sin análisis semántico previo, se realizaron utilizando una adaptación del método de captura-recaptura. En este artículo se presenta un nuevo estudio de estimación de tamaño sobre un modelo generado siguiendo un proceso de construcción más refinado que el utilizado en estudios anteriores. Se pudo observar que pese a las mejoras incorporadas y varios estudios realizados, persiste aún una gran incompletitud en los modelos elaborados. Se considera que es probable que sea necesario incrementar la profundidad del análisis semántico para mejorar la estimación de completitud.