O uso de abordagens de predição de mudanças conjuntas auxilia os desenvolvedores a encontrar artefatos que mudam conjuntamente em uma tarefa. No passado, pesquisadores utilizaram análise estrutural para construir modelos de predição. Mais recentemente, têm sido propostas abordagens que utilizam informações históricas e análise textual do código fonte. Apesar dos avanços obtidos, os desenvolvedores de software ainda não usam essas abordagens amplamente, presumidamente por conta do número de falsos positivos. A hipótese desta tese é que informações contextuais obtidas das tarefas, da comunicação dos desenvolvedores e das mudanças dos artefatos descrevem as circunstâncias e condições em que as mudanças conjuntas ocorrem e podem ser utilizadas para realizar a predição de mudanças conjuntas. O objetivo desta tese consiste em avaliar se o uso de informações contextuais melhora a predição de mudanças conjuntas entre dois arquivos em relação às regras de associação, que é uma estratégia frequentemente usada na literatura. Foram construídos modelos de predição específicos para cada par de arquivos, utilizando as informações contextuais em conjunto com o algoritmo de aprendizagem de máquina random forest. Os modelos de predição foram avaliados em 129 versões de 10 projetos de código aberto da Apache Software Foundation. Os resultados obtidos foram comparados com um modelo baseado em regras de associação. Além de avaliar o desempenho dos modelos de predição também foram investigadas a influência do modo de agrupamento dos dados para construção dos conjuntos de treinamento e teste e a relevância das informações contextuais. Os resultados indicam que os modelos baseados em informações contextuais predizem 88% das mudanças corretamente, contra 19% do modelo de regras de associação, indicando uma precisão 3 vezes maior. Os modelos criados com informações contextuais coletadas em cada versão do software apresentaram maior precisão que modelos construídos a partir de um conjunto arbitrário de tarefas. As informações contextuais mais relevantes foram: o número de linhas adicionadas ou modificadas, número de linhas removidas, code churn, que representa a soma das linhas adicionadas, modificadas e removidas durante um commit, número de palavras na descrição da tarefa, número de comentários e papel dos desenvolvedores na discussão, medido pelo valor do índice de intermediação (betweenness) da rede social de comunicação. Os desenvolvedores dos projetos foram consultados para avaliar a importância dos modelos de predição baseados em informações contextuais. Segundo esses desenvolvedores, os resultados obtidos ajudam desenvolvedores novatos no projeto, pois não têm conhecimento da arquitetura e normalmente não estão familiarizados com as mudanças dos artefatos durante a evolução do projeto. Modelos de predição baseados em informações contextuais a partir de mudanças de software são relativamente precisos e, consequentemente, podem ser usados para apoiar os desenvolvedores durante a realização de atividades de manutenção e evolução de software / Co-change prediction aims to make developers aware of which artifacts may change together with the artifact they are working on. In the past, researchers relied on structural analysis to build prediction models. More recently, hybrid approaches relying on historical information and textual analysis have been proposed. Despite the advances in the area, software developers still do not use these approaches widely, presumably because of the number of false recommendations. The hypothesis of this thesis is that contextual information of software changes collected from issues, developers\' communication, and commit metadata describe the circumstances and conditions under which a co-change occurs and this is useful to predict co-changes. The aim of this thesis is to use contextual information to build co-change prediction models improving the overall accuracy, especially decreasing the amount of false recommendations. We built predictive models specific for each pair of files using contextual information and the Random Forest machine learning algorithm. The approach was evaluated in 129 versions of 10 open source projects from the Apache Software Foundation. We compared our approach to a baseline model based on association rules, which is often used in the literature. We evaluated the performance of the prediction models, investigating the influence of data aggregation to build training and test sets, as well as the identification of the most relevant contextual information. The results indicate that models based on contextual information can correctly predict 88% of co-change instances, against 19% achieved by the association rules model. This indicates that models based on contextual information can be 3 times more accurate. Models created with contextual information collected in each software version were more accurate than models built from an arbitrary amount of contextual information collected from more than one version. The most important pieces of contextual information to build the prediction models were: number of lines of code added or modified, number of lines of code removed, code churn, number of words in the discussion and description of a task, number of comments, and role of developers in the discussion (measured by the closeness value obtained from the communication social network). We asked project developers about the relevance of the results obtained by the prediction models based on contextual information. According to them, the results can help new developers to the project, since these developers have no knowledge about the architecture and are usually not familiar with the artifacts history. Thus, our results indicate that prediction models based on the contextual information are useful to support developers during the maintenance and evolution activities

O uso de abordagens de predição de mudanças conjuntas auxilia os desenvolvedores a encontrar artefatos que mudam conjuntamente em uma tarefa. No passado, pesquisadores utilizaram análise estrutural para construir modelos de predição. Mais recentemente, têm sido propostas abordagens que utilizam informações históricas e análise textual do código fonte. Apesar dos avanços obtidos, os desenvolvedores de software ainda não usam essas abordagens amplamente, presumidamente por conta do número de falsos positivos. A hipótese desta tese é que informações contextuais obtidas das tarefas, da comunicação dos desenvolvedores e das mudanças dos artefatos descrevem as circunstâncias e condições em que as mudanças conjuntas ocorrem e podem ser utilizadas para realizar a predição de mudanças conjuntas. O objetivo desta tese consiste em avaliar se o uso de informações contextuais melhora a predição de mudanças conjuntas entre dois arquivos em relação às regras de associação, que é uma estratégia frequentemente usada na literatura. Foram construídos modelos de predição específicos para cada par de arquivos, utilizando as informações contextuais em conjunto com o algoritmo de aprendizagem de máquina random forest. Os modelos de predição foram avaliados em 129 versões de 10 projetos de código aberto da Apache Software Foundation. Os resultados obtidos foram comparados com um modelo baseado em regras de associação. Além de avaliar o desempenho dos modelos de predição também foram investigadas a influência do modo de agrupamento dos dados para construção dos conjuntos de treinamento e teste e a relevância das informações contextuais. Os resultados indicam que os modelos baseados em informações contextuais predizem 88% das mudanças corretamente, contra 19% do modelo de regras de associação, indicando uma precisão 3 vezes maior. Os modelos criados com informações contextuais coletadas em cada versão do software apresentaram maior precisão que modelos construídos a partir de um conjunto arbitrário de tarefas. As informações contextuais mais relevantes foram: o número de linhas adicionadas ou modificadas, número de linhas removidas, code churn, que representa a soma das linhas adicionadas, modificadas e removidas durante um commit, número de palavras na descrição da tarefa, número de comentários e papel dos desenvolvedores na discussão, medido pelo valor do índice de intermediação (betweenness) da rede social de comunicação. Os desenvolvedores dos projetos foram consultados para avaliar a importância dos modelos de predição baseados em informações contextuais. Segundo esses desenvolvedores, os resultados obtidos ajudam desenvolvedores novatos no projeto, pois não têm conhecimento da arquitetura e normalmente não estão familiarizados com as mudanças dos artefatos durante a evolução do projeto. Modelos de predição baseados em informações contextuais a partir de mudanças de software são relativamente precisos e, consequentemente, podem ser usados para apoiar os desenvolvedores durante a realização de atividades de manutenção e evolução de software / Co-change prediction aims to make developers aware of which artifacts may change together with the artifact they are working on. In the past, researchers relied on structural analysis to build prediction models. More recently, hybrid approaches relying on historical information and textual analysis have been proposed. Despite the advances in the area, software developers still do not use these approaches widely, presumably because of the number of false recommendations. The hypothesis of this thesis is that contextual information of software changes collected from issues, developers\' communication, and commit metadata describe the circumstances and conditions under which a co-change occurs and this is useful to predict co-changes. The aim of this thesis is to use contextual information to build co-change prediction models improving the overall accuracy, especially decreasing the amount of false recommendations. We built predictive models specific for each pair of files using contextual information and the Random Forest machine learning algorithm. The approach was evaluated in 129 versions of 10 open source projects from the Apache Software Foundation. We compared our approach to a baseline model based on association rules, which is often used in the literature. We evaluated the performance of the prediction models, investigating the influence of data aggregation to build training and test sets, as well as the identification of the most relevant contextual information. The results indicate that models based on contextual information can correctly predict 88% of co-change instances, against 19% achieved by the association rules model. This indicates that models based on contextual information can be 3 times more accurate. Models created with contextual information collected in each software version were more accurate than models built from an arbitrary amount of contextual information collected from more than one version. The most important pieces of contextual information to build the prediction models were: number of lines of code added or modified, number of lines of code removed, code churn, number of words in the discussion and description of a task, number of comments, and role of developers in the discussion (measured by the closeness value obtained from the communication social network). We asked project developers about the relevance of the results obtained by the prediction models based on contextual information. According to them, the results can help new developers to the project, since these developers have no knowledge about the architecture and are usually not familiar with the artifacts history. Thus, our results indicate that prediction models based on the contextual information are useful to support developers during the maintenance and evolution activities

Submitted by Guilherme Saraiva Grava (gsgrava@gmail.com) on 2017-05-08T20:57:04Z No. of bitstreams: 1 GRAVA, 2017, Direito, Desenvolvimento e Transformacoes Institucionais.pdf: 3015211 bytes, checksum: bdd0f2efebaaf788be55e6692679e4f7 (MD5) / Rejected by Suzinei Teles Garcia Garcia (suzinei.garcia@fgv.br), reason: Boa tarde Guilherme, Por favor, tirar o acento da palavra Getulio em todas as páginas. Obrigada. Suzi 3799-7876 on 2017-05-09T15:34:53Z (GMT) / Submitted by Guilherme Saraiva Grava (gsgrava@gmail.com) on 2017-05-09T16:40:20Z No. of bitstreams: 1 GRAVA, 2017, Direito, Desenvolvimento e Transformacoes Institucionais.pdf: 3017738 bytes, checksum: 3a740eb2098d4c36ceed6e77fd50c27d (MD5) / Approved for entry into archive by Suzinei Teles Garcia Garcia (suzinei.garcia@fgv.br) on 2017-05-09T17:45:12Z (GMT) No. of bitstreams: 1 GRAVA, 2017, Direito, Desenvolvimento e Transformacoes Institucionais.pdf: 3017738 bytes, checksum: 3a740eb2098d4c36ceed6e77fd50c27d (MD5) / Made available in DSpace on 2017-05-10T14:54:28Z (GMT). No. of bitstreams: 1 GRAVA, 2017, Direito, Desenvolvimento e Transformacoes Institucionais.pdf: 3017738 bytes, checksum: 3a740eb2098d4c36ceed6e77fd50c27d (MD5) Previous issue date: 2017-04-12 / When the new Brazilian Constitution of 1988 was ratified, the National Congress regained several of its prerogatives related to the budgetary process that had been limited during the previous regime (of 1969). One, in particular, was the restauration of the legislative power to modify the budget laws through the adoption of amendments on the original bill, offering congressmen the ability to increase or to create new expenditures for the Federal Government. This arrangement was similar to the system that prevailed under the Constitution of 1946, but with a series of new restrictions that did not exist at that time. The main distinctive feature was the promotion of a unicameral procedure for the approval of budgetary laws, convened through a permanent joint committee specifically dedicated to this purpose – the Joint Budget Committee (Comissão Mista de Orçamento or CMO). This body, considered one of the most powerful in the Brazilian National Congress, accumulates attributes regarding the examination of the budget laws, of the amendments presented to those bills during the approval phase, and also for the control phase of the budget cycle. However, despite its relevance, the legal literature has dedicated little attention to the study of the CMO and its regulation, which is mostly established by the congressmen themselves through internal rules. With this perception in mind, the present research aims to study the so-called Joint Resolutions of the National Congress, approved between 1988 and 2015, which, through the legal framework created for the CMO, regulated the legislative role in the approval phase of the budget laws in Brazil. In this sense, the research seeks to answer three questions: (1) What is the content of the provisions in the Federal Constitution of 1988 that determine the powers and responsibilities of the Joint Budget Committee? (2) What were the procedural provisions governing the operation of the Joint Budget Committee between 1988 and 2015? (3) Which of these regimental regulations could make the process more "rational" and in what way would they do it? In order to deal with these issues, the work intends to describe the institutional transformations of the Committee through the methodological strategy of a case study, articulating the regulation created during this period with the context that involved its elaboration. Moreover, the thesis intends to contribute to the literature that studies the relationship between Law and Development, as it seeks to provide a deeper understanding of some of the budgetary institutions in Brazil – a subject of great relevance to the national development process. / Com o advento da Constituição de 1988, o Congresso Nacional recuperou diversas prerrogativas no campo orçamentário que haviam sido limitadas no regime anterior. Em particular, restaurou-se a sua competência de modificar as leis do Orçamento através da aprovação de emendas, inclusive para aumentar e criar novas despesas – à semelhança do que ocorria sob a Constituição de 1946, porém com uma série de delimitações e restrições então inexistentes. O principal traço distintivo foi a manutenção da tramitação unicameral das leis orçamentárias, reunida por meio de uma comissão mista permanente dedicada especificamente para este fim – a Comissão Mista de Orçamento (CMO). O Órgão, considerado um dos mais poderosos do Congresso Nacional, acumula competências relativas ao exame e à emissão de pareceres sobre os projetos de leis orçamentárias, às emendas apresentadas a referidos projetos e, por fim, ao acompanhamento e fiscalização da Lei Orçamentária Anual, uma vez aprovada. Entretanto, apesar de sua relevância, são poucos os trabalhos na literatura jurídica que se dedicam ao estudo da CMO e de sua regulação específica, majoritariamente estabelecida pelos próprios congressistas através de normas internas. Diante dessa percepção, o presente trabalho tem por objetivo o estudo das denominadas Resoluções Conjuntas do Congresso Nacional, aprovadas entre os anos de 1988 e 2015, com destaque para a disciplina, através do regime jurídico criado para a CMO, da atuação dos parlamentares na fase de aprovação das leis orçamentárias da União. A pesquisa procura, assim, responder a três perguntas principais: (1) Qual é o conteúdo das disposições presentes na Constituição Federal de 1988 que determinam as competências e as atribuições para a atuação da Comissão Mista de Orçamento? (2) Quais foram e de que modo se sucederam as disposições regimentais que regularam o funcionamento da Comissão Mista de Orçamento entre os anos de 1988 e 2015? (3) Quais dessas regulações regimentais seriam aptas a tornar o processo mais 'racional' e de que maneira o fariam? Para tratar dessas questões, pretende-se descrever as transformações institucionais da Comissão através da estratégia metodológica do estudo de caso, articulando-se o regramento existente no período com o contexto que envolveu sua elaboração. O trabalho pretende, ao final, contribuir à literatura que estuda as relações entre Direito e Desenvolvimento por buscar compreender, de forma mais aprofundada, algumas das instituições orçamentárias no Brasil – tema de grande relevância ao processo de desenvolvimento nacional.