Resumen de Anna: Modelo para el análisis de requisitos de software y la identificación automática de variables, valores y generación de casos de pruebas funcionales de software

Dilan Mejía, Hugo Ordóñez, César Pardo

• español

  Una de las actividades determinantes en la fase de análisis del proceso de pruebas funcionales, es la identificación de variables y valores a partir de la especificación de requisitos. Este proceso demanda tiempo, esfuerzo e impacta en el diseño de los casos de pruebas y su ejecución sino se realiza correctamente.

  Este trabajo presenta un modelo que apoya la identificación de variables y valores a partir del análisis de la especificación de requisitos (no estructurados) como insumo para la generación de casos de pruebas. El modelo utiliza algoritmos de procesamiento de lenguaje natural y tiene por objetivo, reducir el tiempo y esfuerzo en el análisis de requisitos. El modelo fue evaluado en la empresa GreenSQA por 38 profesionales del aseguramiento de calidad de software, el 95% de los participantes consideraron pertinentes las variables y valores identificadas por el modelo. Los resultados obtenidos permiten observar que el modelo ahorra un 90% de tiempo y esfuerzo frente a técnicas manuales utilizadas en la identificación de variables para el diseño de casos de pruebas.

• English

  One of the determining activities in the analysis phase of the functional testing process is the identification of variables and values based on the specification of requirements. This process demands time, effort and impacts in the design of the test cases and their execution if not carried out correctly. This work presents a model that supports the identification of variables and values from the analysis of the specification of requirements (unstructured) as input for the generation of test cases. The model uses natural language processing algorithms and aims to reduce time and effort in analyzing requirements. The model was accepted in the GreenSQA company by 38 software quality assurance professionals, 95% of the participants considered that variables and values identified by the model are relevant. Frequently selected results for test case design save 90% time and effort for the model compared to manual techniques used in identifying variables for test case design.