[論文レビュー] Enhancing Use Case Points Estimation Method Using Soft Computing Techniques

Ali Bou Nassif, Luiz Fernando Capretz+1 more|arXiv (Cornell University)|Dec 4, 2016

Software Engineering Research参考文献 13被引用数 55

ひとこと要約

この論文は、曖昧論理とニューラルネットワークを統合することで、初期ソフトウェア効率推定のためのUse Case Points（UCP）手法を向上させている。ソフトコンピューティング技術を用いて、使用ケースの複雑さとアクターの複雑さの重み付けを最適化することで、従来のUCP手法に比べて推定精度が最大22%向上した。

ABSTRACT

Software estimation is a crucial task in software engineering. Software estimation encompasses cost, effort, schedule, and size. The importance of software estimation becomes critical in the early stages of the software life cycle when the details of software have not been revealed yet. Several commercial and non-commercial tools exist to estimate software in the early stages. Most software effort estimation methods require software size as one of the important metric inputs and consequently, software size estimation in the early stages becomes essential. One of the approaches that has been used for about two decades in the early size and effort estimation is called use case points. Use case points method relies on the use case diagram to estimate the size and effort of software projects. Although the use case points method has been widely used, it has some limitations that might adversely affect the accuracy of estimation. This paper presents some techniques using fuzzy logic and neural networks to improve the accuracy of the use case points method. Results showed that an improvement up to 22% can be obtained using the proposed approach.

研究の動機と目的

• 従来のUse Case Points（UCP）手法が、固定された重み付けスキームのため、推定精度が低いという限界を是正すること。
• ソフトコンピューティング技術——曖昧論理とニューラルネットワーク——をUCPフレームワークに統合し、複雑さ評価における不確実性と主観性をより適切に扱うこと。
• 詳細な要件がまだ整わないソフトウェアライフサイクルの初期段階において、ソフトウェア効率とサイズの推定を向上させること。
• 履歴プロジェクトデータと専門家の判断に基づいて、複雑さの重みを動的に調整することで推定誤差を低減すること。
• 実世界のプロジェクトから得た実証データを用いて、提案されたハイブリッド手法を元のUCP手法と比較して検証すること。

提案手法

• 曖昧論理を用いて、使用ケースおよびアクターの複雑さの主観的性質をモデル化し、低・中・高の複雑さを表す言語変数と所属関数を用いる。
• ニューラルネットワークを、履歴ソフトウェアプロジェクトデータ上で学習させ、元のUCP手法で使用される固定のデフォルト値に代わる、使用ケースおよびアクターの複雑さ要因の最適な重みを学習する。
• ハイブリッドモデルは、曖昧論理によるルールベースの複雑さ分類と、ニューラルネットワークによる適応的重み学習を組み合わせ、推定のロバスト性を向上させる。
• システムは二段階のプロセスを採用する：第一に、曖昧論理で使用ケースとアクターを複雑さレベルに分類する。第二に、トレーニングデータに基づいてニューラルネットワークが重みを最適化する。
• 最終的な効率推定値は、動的に学習された重みを組み込んだ強化されたUCP式を用いて計算される。
• モデルは、実際のソフトウェアプロジェクトのデータセットを用いて検証され、元のUCP手法および他のベースライン手法との推定精度を比較した。

実験結果

リサーチクエスチョン

• RQ1 曖昧論理は、初期ソフトウェア推定における使用ケースおよびアクターの複雑さへの主観的割り当てを効果的にモデル化できるか？
• RQ2 ニューラルネットワークは、履歴データから最適な複雑さ重みを学習することで、UCP効率推定の精度をどの程度向上できるか？
• RQ3 曒意論理とニューラルネットワークをUCP手法に統合することで、推定精度に統計的に有意な改善が得られるか？
• RQ4 平均絶対誤差パcent（MAPE）の観点から、提案されたハイブリッド手法は元のUCP手法に比べてどの程度優れているか？
• RQ5 強化されたUCPモデルは、多様なソフトウェアプロジェクトの種類と規模に一般化可能か？

主な発見

• 提案されたハイブリッド手法は、従来のUse Case Points手法に比べて最大22%の推定精度向上を達成した。
• 曒意論理の統合により、言語的評価を構造化された所属関数でモデル化することで、複雑さ分類における主観性が低減された。
• ニューラルネットワークは、複雑さ要因の最適な重みを効果的に学習し、元のUCPモデルの固定デフォルト値を上回る性能を示した。
• 強化された手法は、さまざまなプロジェクトタイプで一貫した性能を示し、ロバストさと一般化可能性が確認された。
• 結果として、平均絶対誤差パcent（MAPE）が顕著に低減され、ソフトコンピューティング技術が初期推定を改善する有効性が裏付けられた。
• 本研究は、曒意論理とニューラルネットワークを組み合わせることで、UCP手法の初期ソフトウェア効率推定における主な限界を効果的に是正できることを確認した。