Nowa wersja platformy jest już dostępna.
Przejdź na https://bibliotekanauki.pl

PL EN


Preferencje help
Widoczny [Schowaj] Abstrakt
Liczba wyników
2010 | nr 133 Pozyskiwanie wiedzy i zarządzanie wiedzą | 103-113
Tytuł artykułu

Integrating Data Sources in a Software Project Risk Assessment Model

Warianty tytułu
Integracja źródeł danych w modelu do szacowania ryzyka przedsięwzięcia informatycznego
Języki publikacji
EN
Abstrakty
Niniejszy artykuł poświęcony jest zintegrowanemu modelowi do szacowania ryzyka przedsięwzięcia informatycznego, nazwanego modelem produktywności. W modelu występują dwa poziomy integracji: (1) zintegrowanie szacowania nakładów, funkcjonalności i jakości umożliwiające analizę kompromisu między tymi kluczowymi zmiennymi projektu; (2) zintegrowana baza wiedzy użyta do budowy modelu złożona z różnych niezależnych wzajemnie źródeł: wiedzy eksperckiej, wyników badania ankietowego, wyników analizy statystycznej na danych empirycznych i innych opublikowanych danych. Zalety pierwszego poziomu integracji zostały przeanalizowane wcześniej, dlatego niniejszy artykuł skupiony jest wokół drugiego poziomu - procesu budowy modelu produktywności z różnych źródeł danych. Model ten odzwierciedla obszar inżynierii oprogramowania, jednak proponowane podejście może być wykorzystane do budowy modeli prognostycznych również w innych dziedzinach. (abstrakt oryginalny)
EN
This paper discusses integrated software project risk assessment model called the Productivity Model. There are two levels of integration involved with the model: (1) integrating effort, functionality and quality estimation and enabling trade-off analysis between these key project variables; (2) integrated knowledge base used to build the model made of various independent sources: expert knowledge, questionnaire survey results, results from statistical analysis of empirical data, and other reported data. Since the benefits of the first level of integration have been previously discussed this paper focuses on the second level by discussing the process of developing the Productivity Model using different data sources. Although this model reflects the software engineering area, such approach can be followed in building predictive models also in other fields. (original abstract)
Twórcy
  • University of Szczecin
Bibliografia
  • [1] Druzdzel M.J., Diez F.J., Combining knowledge from different sources in causal probabilistic models, "Journal of Machine Learning Research" 2003, Vol. 4, pp. 293-316.
  • [2] Fenton N., Marsh W., Neil M., Cates P., Forey S., Tailor M., Making resource decisions for software projects, [in:] Proceedings of 26th International Conference on Software Engineering (May 23-28, 2004), IEEE Computer Society, Washington, DC, 2004, pp. 397-406.
  • [3] Fenton N., Neil M., Marsh W., Hearty P., Radliński Ł., Krause P., Project data incorporating qualitative factors for improved software defect prediction, [in:] Proceedings of 3rd International Workshop on Predictor Models in Software Engineering. International Conference on Software Engineering (May 20-26, 2007), IEEE Computer Society, Washington, DC, 2.
  • [4] Fenton N., Neil M., Marsh W., Hearty P., Radliński Ł., Krause P., On the effectiveness of early life cycle defect prediction with Bayesian Nets, "Empirical Software Engineering" 2008, Vol. 13, No. 5, pp. 499-537.
  • [5] Fenton N.E., Neil M., Caballero J.G., Using ranked nodes to model qualitative judgements in Bayesian networks, "IEEE Transactions on Knowledge and Data Engineering" 2007, Vol. 19, No. 10, pp. 1420-1432.
  • [6] ISBSG, Estimating, Benchmarking & Research Suite Release 9, International Software Benchmarking Standards Group, 2005, www.isbsg.org.
  • [7] Jones C., Software Quality in 2002: A Survey of the State of the Art, Software Productivity Research, Inc., 2002.
  • [8] Mendes E., Lokan C., Replicating studies on cross- vs single-company effort models using the ISBSG Database, "Empirical Software Engineering" 2008, Vol. 13, No. 1, pp. 3-37.
  • [9] Pearl J., Probabilistic Reasoning in Intelligent Systems: Networks of Plausible Inference, Morgan Kaufmann, San Francisco 1988.
  • [10] Radliński Ł., Przegląd publicznie dostępnych baz danych przedsięwzięć informatycznych, "Studia Informatica', Vol. 22 [forthcoming].
  • [11] Radliński L., Improved Software Project Risk Assessment using Bayesian Nets, Ph.D. Thesis, Queen Mary, University of London, London 2008.
  • [12] Radliński Ł., Fenton N., Marquez D., Estimating productivity and defects rates based on environmental factors, [in:] Information Systems Architecture and Technology: Models of the Organisation's Risk Management, Oficyna Wydawnicza Politechniki Wrocławskiej, Wrocław 2008, pp. 103-113.
  • [13] Radliński Ł., Fenton N., Neil M., Marquez D., Improved decision-making for software managers using Bayesian Networks, [in:] Proceedings of 11th IASTED International Conference on Software Engineering and Applications, Cambridge, Mass., 2007, pp. 13-19.
  • [14] Rainer A., Hall T., Identifying the causes of poor progress in software projects, [in:] Proceedings of 10th International Symposium on Software Metrics, September 2004, pp. 184-195.
  • [15] Sassenburg J.A., Design of a Methodology to Support Software Release Decisions (Do the numbers Really Matter?), PhD Thesis, University of Groningen, Groningen 2006.
Typ dokumentu
Bibliografia
Identyfikatory
Identyfikator YADDA
bwmeta1.element.ekon-element-000171380883
JavaScript jest wyłączony w Twojej przeglądarce internetowej. Włącz go, a następnie odśwież stronę, aby móc w pełni z niej korzystać.