Submitted by Fabio Sobreira Campos da Costa (fabio.sobreira@ufpe.br) on 2017-02-21T16:58:53Z No. of bitstreams: 2 license_rdf: 1232 bytes, checksum: 66e71c371cc565284e70f40736c94386 (MD5) Dissertação_SilviaVersaoFinal.pdf: 3562807 bytes, checksum: d273ad6c061161f899cab3d232a82a79 (MD5) / Made available in DSpace on 2017-02-21T16:58:54Z (GMT). No. of bitstreams: 2 license_rdf: 1232 bytes, checksum: 66e71c371cc565284e70f40736c94386 (MD5) Dissertação_SilviaVersaoFinal.pdf: 3562807 bytes, checksum: d273ad6c061161f899cab3d232a82a79 (MD5) Previous issue date: 2016-08-01 / FACEPE / Contexto: A fase de especificação de requisitos é fundamental no processo de desenvolvimento de software. O uso de cenários é bastante popular para especificar requisitos, por serem descritos em linguagem natural. No entanto, a linguagem natural dá margem a requisitos ambíguos, incompletos e inconsistentes, o que vai de encontro com os objetivos da fase de especificação de requisitos. Nesse sentido, uma técnica baseada em Cenário & LEL (Language Extended Lexicon), chamada de C&L, pode ser a solução adequada, pois LEL é um glossário que define um conjunto de palavras que pertencem a um domínio e que devem ser usadas para descrever os cenários. Assim, C&L é considerada uma técnica de cenários baseada em linguagem natural controlada que ajuda a minimizar os problemas previamente mencionados, além de poder ser utilizada para criar casos de teste de forma mais sistemática. Objetivo: Neste trabalho, são propostas duas abordagens: a primeira abordagem usa regras de mapeamento para derivar modelos statechart a partir de C&L visando verificar a completude e consistência desses cenários e a segunda usa heurísticas para obter sistematicamente casos de teste a partir de modelos statechart. Método: A pesquisa apresentada nessa dissertação seguiu a abordagem de Engenharia para definir as regras de mapeamento e as heurísticas que, por sua vez, foram avaliadas empiricamente. Resultados: As regras de mapeamento apoiam a derivação de statechart a partir de C&L. As heurísticas apoiam a derivação de casos de teste a partir dos modelos statechart. Foi realizado um experimento para comparar o número de erros de incompletude e inconsistência detectados pelos grupos experimental e controle e o tempo gasto pelos grupos para detectar esses erros. Também foi verificado se os statecharts gerados através da aplicação das regras de mapeamento possuem grau de corretude e semelhança. Foi realizada uma avaliação qualitativa das heurísticas utilizadas para derivar os casos de teste, com o intuito de saber se as heurísticas foram utilizadas corretamente, se estão claras e são fáceis de usar. Conclusões: Os resultados do experimento mostram que o número de erros de incompletude detectados pelo grupo experimental foi superior ao número obtido pelo grupo controle e em relação aos erros de inconsistência não houve diferença entre quantidade de erros detectados pelos dois grupos. Além disso, a média do tempo gasto para identificar erros de incompletude e inconsistência pelo grupo experimental foi ligeiramente superior a média do tempo gasto pelo grupo controle. Em relação ao grau de corretude, dentre os modelos gerados pelo grupo experimental, existe um que apresenta o maior grau de corretude com 85,7%. No entanto, o grau de semelhança entre os modelos é considerado de “baixa semelhança”. O resultado da avaliação qualitativa mostrou que os participantes concordaram que as regras de mapeamento e as heurísticas são compreensíveis e fáceis de utilizar. Também foi observado que as heurísticas foram usadas de maneira correta na derivação dos casos de teste. / Context: The requirements specification phase is fundamental in the software development process. The use of scenarios is quite popular to specify requirements because they are described in natural language. However, natural language gives rise to ambiguous, incomplete and inconsistent requirements, jeopardizes the objectives of the requirements specification phase. In this context, a technique based on Scenarios and LEL (Language Extended Lexicon), called C&L, may be an appropriate solution because LEL is a glossary that defines a set of words that belong to a domain and should be used to describe the scenarios. Thus, C&L is a scenario technique based on controlled natural language that helps to minimize the problems previously mentioned, and can be used to create test cases in a more systematic way. Objective: In this study, two approaches are proposed: the first approach uses mapping rules to derive statechart models from C & L in order to verify the completeness and consistency of these scenarios and the second uses heuristics to systematically derive test cases from statechart models. Method: The research presented in this work follows the engineering approach to define the mapping rules and heuristics that, in turn, were empirically evaluated. Results: Mapping rules support the derivation of statechart from C & L. Heuristics support the derivation of test cases from statechart models. An experiment was conducted to compare the number of incompleteness and inconsistency errors detected by the experimental and control the groups and the time spent by groups to detect these errors. Also it was verified whether the statecharts generated by the application of the mapping rules have degree of correctness and likeness. A qualitative evaluation of the heuristics used to derive the test cases was made, in order to know whether the heuristics were correctly used and if they are clear and easy to use. Conclusions: The results of the experiment show that the number of incompleteness errors detected by the experimental group was higher than the number obtained by the control group, and in relation to inconsistency errors, there was no difference among the number of errors detected by the two groups. Furthermore, the average time spent to identify incompleteness and inconsistency errors by the experimental group was slightly higher than the average time spent by the control group. In relation to the degree of correctness among the models generated by the experimental group, there is one that has the highest degree of correctness with 85.7%. However, the degree of similarity between the models is considered "low similarity”. The result of the qualitative evaluation showed that the participants agreed that the mapping rules and heuristics are comprehensible and easy to use. It was also observed that the heuristics were used correctly in the derivation of test cases.