Criação automática de testes em Python para plataformas de aprendizado com o uso de critérios de cobertura baseados em grafos

Dutoit, Thierry Pierre

Please use this identifier to cite or link to this item: http://hdl.handle.net/11422/23092

Full metadata record

DC Field	Value	Language
dc.contributor.advisor	Moreira, Anamaria Martins	-
dc.contributor.author	Dutoit, Thierry Pierre	-
dc.date.accessioned	2024-07-05T17:40:48Z	-
dc.date.available	2024-07-07T03:00:17Z	-
dc.date.issued	2024-03-25	-
dc.identifier.uri	http://hdl.handle.net/11422/23092	-
dc.language	por	pt_BR
dc.publisher	Universidade Federal do Rio de Janeiro	pt_BR
dc.rights	Acesso Aberto	pt_BR
dc.subject	Correção automática de programas	pt_BR
dc.subject	Projeto de testes	pt_BR
dc.subject	Cobertura de grafos	pt_BR
dc.subject	Inteligência artificial	pt_BR
dc.subject	Python	pt_BR
dc.subject	Automatic program correction	pt_BR
dc.subject	Test project	pt_BR
dc.subject	Graph coverage	pt_BR
dc.subject	Artificial intelligence	pt_BR
dc.title	Criação automática de testes em Python para plataformas de aprendizado com o uso de critérios de cobertura baseados em grafos	pt_BR
dc.type	Trabalho de conclusão de graduação	pt_BR
dc.contributor.advisorCo1	Gualandi, Hugo Musso	-
dc.contributor.referee1	Nobrega, Hugo de Holanda Cunha	-
dc.contributor.referee2	Delgado, Carla Moreira	-
dc.description.resumo	Os testes de unidade são parte fundamental da garantia de qualidade de software, pois visam validar módulos individuais de código, como funções, métodos ou classes, reduzindo os riscos de falha. No entanto, o processo de criação de testes demanda bastante tempo, seja pela complexidade do software, necessidade de manutenção contínua, dependências externas, ou outros empecilhos. Como consequência, atingir a cobertura desejada de testes nem sempre é alcançável, expondo o software a riscos. Uma alternativa, é automatizar a criação dos testes, garantindo maior eficiência do tempo das pessoas e diminuindo custos. Para guiar essa automação utilizamos critérios de cobertura de testes baseados em grafos e, através de técnicas como execução concólica e fuzzing, conseguimos criar automaticamente os testes de unidade. Visto que essas técnicas são descontextualizadas e não levam em consideração as nuances do programa, eventualmente valores não muito intuitivos são usados como entrada dos testes gerados. Para solucionar isso usamos um Large Language Model (LLM), em específico o ChatGPT, que através do enunciado do problema em linguagem natural, retorna entradas mais intuitivas. Para avaliar a nossa ferramenta, usamos a plataforma de aprendizado Machine Teaching. Ela é uma plataforma de aprendizado de Python cuja correção dos problemas é feita de forma automática, a partir de testes criados pelos docentes. A disponibilização da nossa ferramenta visa contribuir na criação de novos problemas na plataforma Machine Teaching, assim como na validação dos problemas já existentes, diminuindo o trabalho manual dos professores e o tempo total gasto na criação de testes. A partir dos experimentos realizados, verificamos que os testes criados pela nossa ferramenta aumentam a cobertura de testes da Machine Teaching. Além disso, validamos a viabilidade do seu uso dado o seu curto tempo de execução e baixo custo monetário associado às requisições ao ChatGPT.	pt_BR
dc.publisher.country	Brasil	pt_BR
dc.publisher.department	Instituto de Computação	pt_BR
dc.publisher.initials	UFRJ	pt_BR
dc.subject.cnpq	CNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO	pt_BR
dc.embargo.terms	aberto	pt_BR
Appears in Collections:	Ciência da Computação

Files in This Item:

File	Description	Size	Format
TPDutoit.pdf		1.1 MB	Adobe PDF	View/Open

Show simple item record Recommend this item View Statistics

Pantheon Institutional repository