Experimentation of the Model Driven RichUbi Process in the Adaptive Rich Interfaces Development

Experimentação do ProcessoExperimentação do Processo Model DrivenModel Driven
RichUbiRichUbi no Desenvolvimento de Interfacesno Desenvolvimento de Interfaces
Ricas AdaptativasRicas Adaptativas
Experimentação do ProcessoExperimentação do Processo Model DrivenModel Driven
RichUbiRichUbi no Desenvolvimento de Interfacesno Desenvolvimento de Interfaces
Ricas AdaptativasRicas Adaptativas
Carlos Eduardo Cirilo
Antonio Francisco do Prado
Luciana Aparecida Martinez Zaina
Wanderley Lopes de Souza
Universidade Federal de São Carlos
CCET – Centro de Ciências Exatas e de Tecnologia
PPG-CC – Programa de Pós-Graduação em Ciência da Computação
Available in: http://dx.doi.org/10.1109/SBES.2011.20

2
AgendaAgenda
• Introdução
– Motivação
– Processo Model Driven RichUbi
• Experimentação
– Definição
– Planejamento
– Execução
– Análise dos Resultados
– Ameaças à Validade
• Considerações Finais
XXV Simbósio Brasileiro de Engenharia de Software

INTRODUÇÃOINTRODUÇÃO
http://www.psdgraphics.com/file/single-white-puzzle.jpg

4
MotivaçãoMotivação
• Computação Ubíqua
– Heterogeneidade de dispositivos de acesso
– Necessidade de adaptação das aplicações

5
• Interfaces Ricas Computação Ubíqua
– Versões especializadas v1
v2
v3
v4
v5

6
• Interfaces Ricas Computação Ubíqua
– Versões especializadas
• Sensibilidade ao Contexto
– Adaptação da aplicação
(comportamento e
conteúdo) conforme o
contexto da interação
– Pode-se adaptar a
interface de acordo com o
perfil do dispositivo de
acesso

7
• Desenvolvimento Dirigido a Modelos (MDD)
– Foco na modelagem da aplicação
• Maior nível de abstração
– Geração de código a partir dos modelos
• Transformações Modelo para Código (M2C)
– Redução dos esforços de desenvolvimento
[LUCRÉDIO, 2009]XXV Simbósio Brasileiro de Engenharia de Software

8
ProcessoProcesso Model Driven RichUbiModel Driven RichUbi
• Model Driven Process to Construct Rich Interfaces
for Context-Sensitive Ubiquitous Applications
– Apoio na construção de interfaces ricas de
aplicações ubíquas que se adaptam conforme o
perfil do dispositivo recuperado do contexto
– Simplificar o desenvolvimento de aplicações
ubíquas sensíveis ao contexto
• Foco na construção das interfaces ricas adaptativas
– Aumentar a produtividade
– Reduzir os esforços de desenvolvimento

9
• Características
– Modelagem é realizada com base em um
metamodelo do Domínio de Interfaces Ricas
DSL
– Geração parcial de código a partir dos modelos
– Uso de adaptadores dinâmicos de conteúdo
– Estratégia de adaptação híbrida:
• Adaptação Estática + Dinâmica

10
• Visão Geral

EXPERIMENTAÇÃO DO PROCESSOEXPERIMENTAÇÃO DO PROCESSO
MODEL DRIVEN RICHUBIMODEL DRIVEN RICHUBI
http://informationexpress.com.au/wp-content/uploads/2009/07/41.-Jigsaw.jpg

12
ExperimentaçãoExperimentação
• Método experimental [WOHLIN et al., 2000]
1. Definição
2. Planejamento
3. Execução
4. Análise dos Resultados
• Estudo comparativo entre o uso do Model
Driven RichUbi e o uso do ciclo de vida
clássico, sem aplicar MDD, para a construção
de interfaces ricas adaptativas

13
ExperimentaçãoExperimentação
• Aplicação ubíqua, nomeada TrackMe, para o
rastreamento de pessoas

14
1. Definição do Experimento1. Definição do Experimento
• Objetivo
– Analisar o uso do Model Driven RichUbi na
construção das interfaces ricas adaptativas de
uma aplicação ubíqua;
– Com o propósito de avaliação;
– Com respeito à eficiência (Ɛ) em termos de tempo
despendido (τ) e produtividade (Ϸ);
– Do ponto de vista de desenvolvedores de
software;
– No contexto de estudantes de graduação em
Ciência e Engenharia da Computação.

15
2. Planejamento do Experimento2. Planejamento do Experimento
• Seleção do Contexto
– Ambiente universitário
• Formulação das Hipóteses
– Hipótese nula (H0): Em geral, não há diferença entre equipes
utilizando o processo Model Driven RichUbi e equipes utilizando o
processo baseado no ciclo de vida clássico para a construção de
interfaces ricas adaptativas, com respeito à eficiência ( ) daƐ
equipe.
H0: ƐRichUbi = ƐClássico μ⇒ τRichUbi = μτClássico e μ RichUbiϷ = μ ClássicoϷ
– Hipótese alternativa (H1): Equipes utilizando o processo Model
Driven RichUbi para a construção de interfaces ricas adaptativas
são, em geral, mais eficientes do que equipes utilizando o ciclo de
vida clássico.
H1: ƐRichUbi > ƐClássico μ⇒ τRichUbi < μτClássico e μ RichUbiϷ > μ ClássicoϷ
– Hipótese alternativa (H2): Equipes utilizando o ciclo de vida clássico
para a construção de interfaces ricas adaptativas são, em geral,
mais eficientes do que equipes utilizando o processo Model Driven
RichUbi.

16
• Seleção das Variáveis
– Dependente
• Eficiência da equipe
– Independentes
• Aplicação = TrackMe;
• Ambiente de desenvolvimento = IDE Eclipse;
• Tecnologias = Java, JavaServer Faces , eXtensible
Hypertext Markup Language (XHTML), Cascading Style
Sheets (CSS), JavaScript e biblioteca jQuery.
• Processo de Desenvolvimento
– Model Driven RichUbi
– Ciclo de vida clássico
Fator

17
• Seleção dos participantes
– 31 alunos do 3º e 4º anos de graduação dos cursos de Bacharelado
em Ciência e Engenharia da Computação da UFSCar, matriculados na
disciplina Tópicos em Informática II
• Projeto do Experimento
em blocos (blocking) um fator (processo)
com dois tratamentos
completamente randomizado

18
3. Execução do Experimento3. Execução do Experimento
• Preparação
– Elaboração da instrumentação
• Objetos: projeto parcial da aplicação, SQL do BD, artefatos de
apoio ao processo, etc...
• Diretrizes: formulários de caracterização e de consentimento,
descrição da tarefa, descrição da aplicação e material de apoio;
• Instrumentos para coleta de dados
– Treinamentos

19
3. Execução do Experimento3. Execução do Experimento
• Execução
Dado Legenda
HIAProj Hora de Início da Atividade de Projeto
HTAProj Hora de Término da Atividade de Projeto
HIAImpl Hora de Início da Atividade de Implementação
HTAImpl Hora de Término da Atividade de Implementação
HIATeste Hora de Início da Atividade de Testes
HTATeste Hora de Término da Atividade de Testes
LCGAuto Linhas de Código Geradas Automaticamente
LCGManual Linhas de Código Geradas Manualmente
83%
13%

20
4. Análise e Interpretação dos Resultados4. Análise e Interpretação dos Resultados
• Teste das Hipóteses
– t-test
• Checar na tabela padrão de distribuição estatística t de Student
• Grau de significância α (risco de rejeitar H0 em caso de esta ser
verdadeira)XXV Simbósio Brasileiro de Engenharia de Software

21
– Estatística:
• t0τ = -2,7148
• α = 0,055
• t0.0275,8 = 2,6899
– Desde que |t0τ| > t0.0275,8 foi possível rejeitar a
hipótese nula H com 5,5% de significância
Tempo Total (τ)
Entrada
Duas amostras independentes: XτRichUbi = {1.52, 1.25, 0.9, 0.73, 0.60} e YτClássico
= {1.75, 1.57, 1.50, 1.40, 1.30} (dados em horas).
H0τ
H0τ: μτRichUbi = μτClássico, i.e., os valores médios para os tempos totais dos grupos
de ambos os processos são iguais.
Critério
de
Rejeição
de H0τ
• H1τ: μτRichUbi < μτClássico;
• H2τ: μτRichUbi > μτClássico;
Logo, μτRichUbi ≠ μτClássico (bicaudal): rejeitar H0τ se |t0τ| > tα/2,glτ

22
– Estatística:
• t0Ϸ = 3,4806
• α = 0,02
• t0.01,8 = 3,3554
– Desde que |t0Ϸ| > t0.01,8 foi possível rejeitar a
hipótese nula H com 2% de significância
Produtividade ( )Ϸ
Entrada
Duas amostras independentes: XϷRichUbi = {233, 196, 367, 225, 487} e YϷClássico =
{133, 56, 115, 86, 129}.
H0Ϸ
H0Ϸ: μϷRichUbi = μϷClássico, i.e., os valores médios para as produtividades dos
grupos de ambos os processos são iguais.
Critério
de
Rejeição
de H0Ϸ
• H1Ϸ: μϷRichUbi > μϷClássico;
• H2Ϸ: μϷRichUbi < μϷClássico;
Logo, μϷRichUbi ≠ μϷClássico (bicaudal): rejeitar H0Ϸ se |t0Ϸ| > tα/2,glϷ

23
• Conclusões do Experimento
– μτRichUbi < μτClássico e μ RichUbiϷ > μ ClássicoϷ  H1 pode ser validada
em detrimento da hipótese H2
• Ambiente in-vitro
– Limitação ao escopo de desenvolvedores de
software em ambiente universitário
• Generalização para contexto mais amplo
requer:
– Novos estudos em ambientes in-vivo com mais
equipes
– Comparação com outras abordagens de
desenvolvimento (e.g. LPS, métodos ágeis)

24
• Validade de Conclusão
– Conclusões corretas a respeito do efeito dos
tratamentos nas variáveis dependentes
• escolha do método estatístico adequado para análise;
cuidados tomados na execução e na medição do
experimento
– t-test
– Medidas coletadas envolvendo dados diretos
(hora, LOC)
– Heterogeneidade da experiência dos participantes
tratada pela estratégia de blocos (blocking)
Ameaças à ValidadeAmeaças à Validade

25
• Validade Interna
– Assegurar que os resultados foram, de fato,
obtidos em decorrência dos tratamentos
• modo como os participantes são selecionados,
agrupados, recompensados e tratados; situação em
que ocorre o experimento
– Estudantes da área de Computação em um
estágio avançado de seus cursos de graduação (3º
e 4º anos)
– Blocking por nível de experiência
– Nenhuma recompensa quanto à nota da disciplina
– Sessão única e simultânea com todos os grupos

26
• Validade de Construção
– Generalizar o resultado do experimento ao
conceito ou teoria envolvidos no estudo
• definição adequada das medidas e tratamentos
– Processo de desenvolvimento  eficiência da
equipe
• LOC, hora
– Não foram divulgadas as métricas de interesse
aos participantes (produtividade e tempo)
• Evitar interações voltadas para maximização ou
minimização das métricas com o intuito de favorecer
ou prejudicar o experimento

27
• Validade Externa
– Generalizar os resultados do experimento para
um contexto mais amplo
– Três riscos principais:
• Escolha errada dos participantes
• Ambiente inapropriado
• Período de tempo que afete os resultados

CONSIDERAÇÕES FINAISCONSIDERAÇÕES FINAIS
http://www.websbook.com/sc/upimg/allimg/081108/027_1600x1200_websbook.jpg

29
• Alinhamento com os benefícios das
abordagens de MDD
– Maior produtividade e redução de esforços
• Replicação do experimento em ambiente
industrial (in-vivo)
– Consideração de novos fatores
– Verificação de novos efeitos (e.g. qualidade das
interfaces)
• Pacote de experimentação
– http://www.dc.ufscar.br/~carlos_cirilo/package-mdrichubi.zip
Considerações FinaisConsiderações Finais

30
ObrigadoObrigado!
Carlos Eduardo Cirilo
carlos_cirilo@dc.ufscar.br
Antonio Francisco do Prado
prado@dc.ufscar.br
Luciana Ap. Martinez Zaina
lzaina@ufscar.br
Wanderley Lopes de Souza
desouza@dc.fscar.br

Experimentation of the Model Driven RichUbi Process in the Adaptive Rich Interfaces Development

Mais conteúdo relacionado

Semelhante a Experimentation of the Model Driven RichUbi Process in the Adaptive Rich Interfaces Development

Mais de Luciana Zaina

Experimentation of the Model Driven RichUbi Process in the Adaptive Rich Interfaces Development

Notas do Editor