Défense de mémoire de Manon Galloy

SelfBehave: Generating a Behaviour-Driven Development Dataset Using the SELF-INSTRUCT Method.

 

Le développement logiciel est confronté à des défis persistants en matière de maintenabilité et d’efficacité, ce qui motive la recherche continue d’approches innovantes. Les méthodologies Agiles, notamment le Behaviour- Driven Development (BDD), ont pris de l’ampleur dans la société grâce à leur capacité à favoriser la réactivité face aux changements et la communication entre les parties prenantes. Cependant, comme pour beaucoup de méthodes, le BDD peut entraîner des coûts de maintenance et des problèmes de productivité. Pour relever ces défis, cette recherche étudie l’adaptation de techniques avancées de génération automatique de données, en particulier SELF-INSTRUCT, pour augmenter les ensembles de données BDD.

L’étude commence par analyser l’état de l’art des méthodologies Agile, du traitement du langage naturel (NLP) et des outils d’automatisation, en soulignant les limites des approches existantes et le potentiel de la méthode SELF-INSTRUCT. Ensuite, la section méthodologie détaille l’adaptation de la méthode au contexte BDD et la création d’ensembles de données dont la qualité des données initiales diffère. Les résultats indiquent que SELF-INSTRUCT augmente efficacement les ensembles de données BDD, doublant la taille de l’ensemble d’origine et produisant des scénarios utilisables. Cependant, des améliorations sont nécessaires, notamment dans la phase de filtrage, pour améliorer la qualité des données générées et acceptées par la méthode.

De plus, l’étude révèle que la qualité des données initiales influence la validité des scénarios générés, un ensemble initial de bonne qualité produit un plus grand nombre de paires valides. Néanmoins, tous les ensembles étudiés aboutissent à des scénarios utilisables, cela indique l’efficacité de SELF-INSTRUCT quelle que soit la qualité des données initialement fournies. La recherche suggère des pistes d’exploration future, particulièrement un perfectionnement ultérieur de la méthode et l’étude de différents modèles de langage.

En conclusion, cette recherche confirme le potentiel des techniques de génération automatique de données, telles que SELF-INSTRUCT, pour augmenter efficacement et substantiellement la taille des ensembles com- posés de données du domaine BDD. Malgré ses limites, cette étude jette les bases de recherches futures visant à améliorer l’augmentation des ensembles de données BDD et à faire progresser le domaine de la génération automatisée de données en génie logiciel.

 

Mots-clés : Génie logiciel, Méthodologie Agile, Behaviour-Driven Development, SELF-INSTRUCT, Traite- ment du Langage Naturel, Modèles de Langage, Génération de données, Augmentation d’Ensembles de Données

 

 

Contact : Banjmaine Lurquin - benjamine.lurquin@unamur.be
Télecharger : vCal