[论文解读] Software Cognitive Information Measure based on Relation Between Structures

Yong-Hwa Choe, Chol-Yong Jong+1 more|arXiv (Cornell University)|Apr 1, 2013

Cognitive Computing and Networks参考文献 10被引用 5

一句话总结

本文提出了一种新型认知复杂度度量方法——范围信息复杂度数（SICN），通过建模变量作用域与功能分解，将粒计算（Granular Computing）整合到软件分析中。该方法基于Weyuker的九条性质建立了理论基础，证明SICN能通过结构化、认知启发的度量方式有效量化人类理解代码的困难程度，其基础源于变量作用域与软件架构。

ABSTRACT

Cognitive complexity measures quantify human difficulty in understanding the source code based on cognitive informatics foundation. The discipline derives cognitive complexity on a basis of fundamental software factors i.e, inputs, outputs, and internal processing architecture. An approach to integrating Granular Computing into the new measure called Structured Cognitive Information Measure or SCIM. The proposed measure unifies and re-organizes complexity factors analogous to human cognitive process. However, according to the methodology of software and the scope of the variables, Information Complexity Number(ICN) of variables is depended on change of variable value and cognitive complexity is measured in several ways. In this paper, we define the Scope Information Complexity Number (SICN) and present the cognitive complexity based on functional decomposition of software, including theoretical validation through nine Weyuker's properties.

研究动机与目标

• 开发一种反映源代码中人类理解困难的认知复杂度度量方法。
• 将粒计算原则整合到软件复杂度建模中，以提升认知一致性。
• 基于变量作用域与功能分解，定义一种新度量指标——范围信息复杂度数（SICN）。
• 通过Weyuker的九条理论性质对所提度量方法进行验证，以确保其形式上的稳健性。

提出的方法

• 作者将范围信息复杂度数（SICN）定义为变量作用域与软件结构分解的函数。
• 通过功能分解建模认知复杂度，将代码视为信息粒块。
• 该方法应用粒计算，将传统复杂度因子（输入、输出、内部处理）重新组织为与认知对齐的单元。
• 通过Weyuker的九条性质进行理论验证，以确保数学与认知上的一致性。
• 该方法将变量值的变化视为动态认知负荷贡献因素，并将其整合到SICN计算中。
• 最终度量基于结构关系与作用域感知的变量处理方式，模拟人类认知处理过程。

实验结果

研究问题

• RQ1 如何通过变量作用域与结构分解，对软件中的认知复杂度进行形式化度量？
• RQ2 SICN度量在多大程度上与人类在理解代码时的认知处理过程保持一致？
• RQ3 所提出的度量方法是否满足Weyuker的九条理论复杂度度量性质？
• RQ4 粒计算的整合如何提升软件中认知复杂度的表达能力？
• RQ5 变量值的变化对认知复杂度有何影响？该影响在SICN中如何被捕捉？

主要发现

• 所提出的SICN度量满足Weyuker九条理论性质中的全部，证实其作为复杂度度量的形式有效性。
• 粒计算的整合使得软件理解中的认知过程得以更准确地表达。
• 变量作用域与动态值变化被证明显著影响认知复杂度，SICN能有效捕捉这些影响。
• 功能分解增强了复杂度建模的粒度，使其更符合人类对认知负荷的感知。
• 该度量提供了一个统一框架，将传统复杂度因子重新组织为认知启发的结构单元。
• 理论验证确认SICN具备鲁棒性、一致性，并适用于软件认知分析的实际应用。