Практики OMG Essence как источник изменяющихся объективных свидетельств в байесовской сети для систем поддержки принятия решений тема диссертации и автореферата по ВАК РФ 00.00.00, кандидат наук Иванова Лидия Сергеевна
- Специальность ВАК РФ00.00.00
- Количество страниц 148
Оглавление диссертации кандидат наук Иванова Лидия Сергеевна
Введение
1 Анализ влияния артефактов на прогресс проекта по разработке программного обеспечения
1.1 Классификация субальф и рабочих продуктов по специфике влияния на прогресс проекта
1.1.1 Субальфы и рабочие продукты Библиотеки Практик, положительно влияющие на конечный продукт
1.1.2 Субальфы и рабочие продукты Библиотеки Практик, отрицательно влияющие на конечный продукт
1.2 Обзор антипаттернов
1.3 Разработка практики работы с антипаттернами
1.3.1 Субальфа Антипаттерн
1.3.2 Рабочий продукт Отчет об Антипаттерне
1.3.3 Активности для работы с антипаттернами
1.4 Влияние субальфы Антипаттерн и рабочего продукта Отчет об Антипаттерне на альфы Ядра
1.5 Выводы по главе
2 Добавление учета артефактов в процедуру построения байесовской сети и алгоритм прямого вероятностного вывода
2.1 Модификация алгоритма построения байесовской сети для учета
артефактов
2.1.1 Добавление вершин для всех утверждений, оказывающих влияние на альфы Ядра
2.1.2 Добавление вершин для всех экземпляров субальф и рабочих продуктов, оказывающих влияние на альфы Ядра
2.1.3 Добавление вершин для всех экземпляров субальф/рабочих продуктов и состояний/уровней детализации, оказывающих влияние на альфы Ядра
2.1.4 Добавление вершин для всех состояний/уровней детализации, оказывающих влияние на альфы Ядра
2.1.5 Модификация сети для учета артефактов
2.2 Модификация алгоритма прямого вероятностного вывода для учета артефактов
2.2.1 Применение правила Байеса в логарифмической форме для вычисления значений условной вероятности
2.2.2 Учет отрицательного влияния свидетельств при определении условной вероятности
2.2.3 Учет числа экземпляров субальф и рабочих продуктов, а также масштаба проекта при определении условной вероятности
2.2.4 Алгоритм прямого вероятностного вывода
2.3 Выводы по главе
3 Добавление учета артефактов в эволюционный прототип системы поддержки принятия решений для управления проектами
3.1 Расширение промежуточной модели
3.2 Общая архитектура эволюционного прототипа
3.3 Плагин для Redmine
3.4 Хранение информации о структуре байесовской сети в графовой системе управления базами данных
3.5 Результаты работы прототипа
3.6 Потенциал применения прототипа в деятельности компаний по разработке
программного обеспечения
3.6.1 Применение прототипа в рамках текущего мониторинга в компании по разработке программного обеспечения
3.6.2 Применение прототипа для анализа причин неудачного завершения проекта
3.6.3 Исследование возможности применения артефактов как объективных свидетельств
3.6.4 Необходимые для применения инструмента условия
3.7 Выводы по главе
Заключение
Список использованных источников и литературы
Приложение А Справка о внедрении результатов диссертации в ООО «НТР Томск»
Приложение Б Справка о внедрении результатов диссертации в ООО «Крео-Софт»
Рекомендованный список диссертаций по специальности «Другие cпециальности», 00.00.00 шифр ВАК
Прототип системы поддержки принятия решений для управления проектами на основе стандарта OMG ESSENCE и байесовских сетей2022 год, кандидат наук Змеев Денис Олегович
Матрично-векторные уравнения локального апостериорного вывода в алгебраических байесовских сетях2018 год, кандидат наук Золотин Андрей Алексеевич
Алгебраические байесовские сети: логико-вероятностная графическая модель баз фрагментов знаний с неопределенностью2009 год, доктор физико-математических наук Тулупьев, Александр Львович
Модели и алгоритмы анализа сверхкоротких гранулярных временных рядов на основе байесовских сетей доверия2013 год, кандидат наук Суворова, Алёна Владимировна
Институт налоговой амнистии и его место в системе налогового права2015 год, кандидат наук Белова, Татьяна Александровна
Введение диссертации (часть автореферата) на тему «Практики OMG Essence как источник изменяющихся объективных свидетельств в байесовской сети для систем поддержки принятия решений»
Введение
В настоящее время все чаще звучит термин «Цифровая экономика» как экономическая деятельность, основанная на цифровых технологиях, связанная с электронным бизнесом, электронной коммерцией и производимых и сбываемых ими цифровыми товарами и услугами [22]. Согласно докладу, опубликованному Китайской академией информационно-коммуникационных технологий (CAICT), «в 2021 году добавленная стоимость цифровой экономики 47 крупнейших стран мира достигла 38,1 трлн долларов, что на 15,6% больше по сравнению с аналогичным периодом прошлого года и составляет 45% их совокупного ВВП» [39].
Согласно статистике [119] общие мировые расходы на информационные и коммуникационные технологии в 2021 году составили 5,16 триллионов долларов США, что на 0,26 триллионов долларов выше, чем в 2020 году, причем в ближайшие годы рост продолжится. Вынужденный переход на удаленную работу в условиях пандемии также послужил дополнительным толчком к увеличению доли информационных технологий (ИТ) в мировой экономике и ускорению процесса цифровой трансформации [52].
Актуальность. Статистика, представленная Standish Group в новом отчете CHAOS Report [95], показывает, что только около 31% проектов по разработке программного обеспечения завершаются успешно, 50% вызывают трудности, а 19% проектов являются провальными, причем данное значение практически не изменилось за последние годы - статистика, собранная из источников [95, 116, 125], приведена в Таблице 1. Из этих данных можно сделать вывод, что ИТ-отрасль является сферой с высокой долей (около 70%) исходов, которые нельзя назвать полностью успешными. Учитывая быстрый рост отрасли и ее влияние на экономику, возникает необходимость увеличения доли успешных проектов.
Таблица 1 - Статистика успешности проектов из отчетов CHAOS [95, 116, 125]
2011 2013 2015 2020
Успешный 29% 31% 29% 31%
С трудностями 49% 50% 52% 50%
Провальный 22% 19% 19% 19%
Специфика программной инженерии как отрасли состоит в том, что классическая математическая теория управления проектами неприменима для проектов по разработке программного обеспечения, поскольку такие проекты являются уникальными (в силу уникальности задач, набора используемых инструментов, навыков, людей и других ресурсов, а также постоянно меняющихся требований), что делает невозможным как сбор статистических данных, так и применение одинаковых процессов для разных проектов. Методы управления проектами, основанные на сетевых графиках и других аналогичных формах представления [28, 80] показывают хорошие результаты на проектах со стабильными требованиями, что далеко не всегда достижимо в современных рыночных условиях. В связи с этим, а также быстрым ростом отрасли, рассмотренным выше, исследования в области управления проектами в программной инженерии не прекращаются, совершаются попытки формализации процессов разработки программного обеспечения (ПО) с использованием более современных математических моделей, в том числе байесовских сетей [25, 37, 98, 101]. Поскольку при управлении проектом по разработке ПО одной из главных задач является управление неопределенностью [124], возникает задача уменьшения неопределенности с целью принятия корректных управленческих решений по дальнейшему развитию проекта. Для решения данной задачи можно использовать различные инструменты поддержки принятия решений.
Змеевым Д.О. [2] был предложен прототип инструмента поддержки принятия решений, использующий в качестве математической модели байесовскую сеть [89], а в качестве формальной модели процесса управления
проектом по разработке ПО - стандарт OMG Essence [114]. Данный инструмент позволяет определить вероятность ложноположительной ошибки менеджера, совершаемой при определении менеджером текущего статуса проекта. Стандартом OMG Essence вводится перечень утверждений о проекте, менеджер определяет истинность или ложность каждого утверждения в рассматриваемый момент времени. Вероятность ложноположительной ошибки менеджера определяется на основании сравнения мнения менеджера и вычисленной вероятности истинности каждого утверждения о проекте. Использование стандарта OMG Essence позволяет применять инструмент для любого проекта по разработке ПО, независимо от используемой методологии управления проектом, однако, инструмент учитывает только субъективное мнение менеджера. Поскольку мнение человека подвержено когнитивным искажениям [10], возникает задача повышения точности определения вероятности истинности утверждений о проекте с целью повышения точности поиска ложноположительных ошибок менеджера.
Согласно теории байесовских сетей, для повышения точности определения вероятности истинности гипотезы можно увеличить число учитываемых свидетельств [9, 23, 83, 113]. Для гипотезы истинности утверждения о проекте необходимы дополнительные свидетельства прогресса проекта. Такими свидетельствами могут выступать артефакты, создаваемые командой в процессе работы над проектом. Применение артефактов в качестве свидетельств прогресса проекта может повысить объективность оценки вероятности, поскольку информация об артефактах не зависит от субъективного мнения менеджера.
Таким образом, возникает необходимость разработки метода использования артефактов проекта по разработке ПО в качестве свидетельств прогресса проекта для повышения точности поиска ложноположительных ошибок менеджера при определении менеджером текущего статуса проекта. При решении данной задачи необходимо учитывать изменчивость набора и достигнутых состояний артефактов
в течение жизненного цикла проекта, то есть свидетельства являются изменяющимися.
Степень разработанности темы исследования. За последние 10 лет в области создания программного обеспечения появилось множество средств, облегчающих техническую составляющую процесса разработки: новые версии интегрированных сред разработки, инструменты автоматического анализа и рефакторинга кода, новые языки программирования с лаконичным синтаксисом, различные фреймворки и библиотеки, позволяющие существенно увеличить скорость разработки ПО и его качество. Однако, технологический прорыв, очевидно, не повлиял на процент успешного завершения проектов, в связи с чем можно предположить, что основная причина неудач заключается не в технической составляющей процесса. По мнению автора книги «Программирование и конфликты» [1] причинами провалов в компьютерной отрасли являются: неспособность оценивать (сроки выполнения проекта, затраты) вследствие непонимания процесса, нестабильность требований к разрабатываемому программному обеспечению, а также «капризы и заблуждения» - желание менеджеров и разработчиков найти универсальные решения всех возникающих проблем. Следовательно, можно сделать вывод, что основными проблемными областями являются оценка и планирование, управление требованиями и управление рисками в проектах по разработке ПО.
Управление рисками - важный аспект управления проектами в любой отрасли. Самой известной методологией управления рисками является стандарт ISO/IEC 31010:2019 [70], который предоставляет методы идентификации, оценки и управления рисками. Данная методология может быть применена в рамках управления проектами различных отраслей, однако, в отрасли информационных технологий появляются дополнительные риски, связанные с безопасностью данных и другими аспектами. Для управления такими рисками также разработаны стандарты, например, ISO/IEC 27002:2022 [69], ISACA Risk IT [121]. Однако,
несмотря на разработанные стандарты, в области управления рисками при разработке ПО за последнее десятилетие значимых изменений не произошло.
Авторы работы [124] утверждают, что, хотя «управление рисками может внести важный вклад в эффективное управлением проектами», для повышения эффективности проекта следует перейти от управления рисками к управлению неопределенностью проекта (uncertainty management). Данное понятие подразумевает не только управление предполагаемыми угрозами, речь идет об идентификации и управлении всеми многочисленными источниками неопределенности, которые порождают и формируют восприятие угроз и возможностей. По мнению авторов [124], неопределенность в управлении проектами может существовать в следующих областях: изменчивость, связанная с оценкой параметров проекта, сама оценка таких параметров, проектирование, цели и приоритеты, а также отношения между участниками проекта. Применение различных систем поддержки принятия решений позволяет повысить корректность совершаемого при управлении проектом выбора, но для реализации такой системы требуется подходящая математическая модель.
Выбор математической модели для принятия решений в программной инженерии не является тривиальной задачей, поскольку изучение вопроса применимости классических прикладных статистических методов к проблеме принятия решений в данной отрасли, проведенное Национальным исследовательским советом в США [111], показало, что классические методы плохо применимы. В силу специфики проектов по разработке ПО возникает необходимость поиска математической модели, способной работать в условиях малого объема или отсутствия статистических данных.
Проведенный обзор источников [31, 38, 58, 101] показал, что, для работы с неопределенностью часто применяется байесовская сеть - вероятностная графическая модель, которая представляет переменные и их условные зависимости в виде направленного ациклического графа. Данный термин ввел Джуда Перл в своей работе «Bayesian Networks: A Model of Self-Activated Memory
for Evidential Reasoning» [89]. Авторы работы [101] утверждают, что байесовские сети имеют особую важность для решения проблем неопределенности и вероятностных рассуждений: «Байесовские сети - идеальный инструмент поддержки принятия решений для большого числа различных областей». Например, в работе [58] одной из задач является подбор математической модели для представления процессов разработки и тестирования программного обеспечения, учитывающей следующие факторы:
• разнообразные данные о процессах и продуктах;
• причинно-следственные связи;
• неопределенность;
• неполнота информации.
По мнению авторов [58], наилучшим решением перечисленных проблем является байесовская сеть. Авторы работы [38] в своем исследовании провели сравнение байесовских сетей с другими методами реализации инструментов предсказания рисков: моделями на основе регрессии (regression-based models) и алгоритмами машинного обучения. Согласно полученным результатам, байесовские сети имеют ряд преимуществ:
• сеть может обучаться на основе как статистических данных, так и мнения
экспертов;
• возможность моделирования сценариев «что-если»;
• возможность представления информации о причинных связях и другие.
В исследовании [31] утверждается, что «за последние два десятилетия байесовские сети признаны важным инструментом для реализации экспертных систем, особенно в областях, связанных с неопределенностью».
Следует отметить, что авторы [38] в качестве недостатка байесовских сетей называют сложность производимых вычислений.
Приведем примеры задач, решаемых с применением байесовских сетей:
1. Обработка изображений.
В работе [131] авторы используют байесовскую сеть для фиксации отношений между областями изображения при решении задачи сегментации. Автор [77] использует заранее обученную динамическую байесовскую сеть для классификации траекторий с целью выявления аномального поведения на видеофрагментах, полученных с систем видеонаблюдения. Сети позволяют решить задачи медицины, например, в работе [46] байесовская сеть используется для выявления рака на основе графических (снимков) и неграфических (истории болезни) данных.
2. Оценка надежности системы.
Авторы работы [53] использовали байесовскую сеть для определения отношений между компонентами системы во времени. Целью исследований было обнаружение проблемных частей системы и их влияния на систему в целом и ее стабильность. В работе [54] представлен метод построения байесовской сети для оценки надежности системы. При построении используются исторические данные о системе, причем процесс полностью автоматизирован.
3. Управление рисками в различных областях.
В работе [29] байесовская сеть используется для управления операционными рисками (рисками, связанными с выполнением компанией бизнес-функций). В используемой сети узлами являются ключевые индикаторы риска, которые необходимо контролировать (количество неудачных сделок, показатели текучести кадров). Авторы статьи [94] рассмотрели возможность применения сетей для оценки экологических рисков. По их мнению, «преимущество байесовских сетей заключается в том, что они могут исследовать воздействие нескольких факторов стресса в сложных средах, при этом явно признавая связанные с ними неопределенности, возникающие из-за присущей изменчивости и отсутствия знаний об экологических системах». Работа [25] посвящена использованию сети для расчета затрат, выгод и окупаемости инвестиций в проект за определенный период времени с учетом меняющихся обстоятельств и компромиссов. Авторы используют гибридные и динамические
байесовские сети, содержащие как дискретные, так и непрерывные переменные, на нескольких временных этапах. В качестве предметной области выбран проект развития сельского хозяйства. Авторы [38] создали инструмент, позволяющий оценить риски, существующие в области медицины.
4. Системы поддержки принятия решений.
Авторы исследования [130] применили байесовскую сеть для принятия управленческих решений в выборе средств предотвращения промышленных аварий. В ходе исследования было показано, что неопределенность в управлении можно уменьшить, применяя байесовскую процедуру учета новых свидетельств при получении новых данных.
В работе [98] байесовская сеть используется для проведения логических выводов, причинно-следственного анализа и получения вероятностных результатов, которые позволяют облегчить процесс принятия решений при построении плана проекта. Временные параметры каждой деятельности (задачи проекта) моделируются множеством узлов байесовской сети. Априорное распределение вероятностей длительности деятельностей получено от экспертов с использованием нечеткого аналитического решения (fuzzy analytical solution).
Авторы статьи [37] предложили использовать многокритериальную систему, основанную на байесовской сети, для улучшения процесса мониторинга статуса проекта. Для представления информации о проекте в работе используется Life Cycle Canvas (LCC) [81].
При тестировании программного обеспечения также возникает необходимость принятия решений. В работе [126] предлагается использовать байесовскую сеть для определения необходимости тестирования определенной части системы, оценки результатов тестов и решения других проблем тестирования ПО.
В работе [62] предлагается метод построения байесовской сети для поддержки принятия решений на основе сложных, неструктурированных, неполных анкет пациентов, в том числе с противоречивыми ответами. Авторы
утверждают, что их метод применим в любой прикладной области, где используются неполные или неточные данные. Работы [45, 50] посвящены системам поддержки принятия решений на основе байесовской сети, используемым в медицине.
К системам поддержки принятия решений также можно отнести медицинские системы, помогающие в постановке диагноза. Например, в работе [36] байесовская сеть используется для постановки диагноза для пациентов с респираторными заболеваниями, симптомы которых очень схожи.
Помимо вышеназванных областей байесовские сети могут использоваться для формирования юридических документов [59].
5. Прогнозирование.
В работе [47] байесовская сеть используется для прогнозирования исхода футбольного матча. Применяются такие показатели, как сила (объективный показатель, основанный на исторических данных), физическая форма, психологические факторы и усталость (субъективные показатели) команды.
Авторы работы [112] предложили метод предсказания банкротства с помощью байесовской сети, а также эвристический метод выбора предикторов банкротства. В сети используются как дискретные, так и непрерывные переменные. По мнению авторов, результаты исследований можно применять не только с целью прогнозирования банкротства компании, но и для принятия бизнес-решений.
6. Адаптивное обучение.
В работе [43] байесовская сеть используется для представления информации о знаниях учащихся. Образовательная система представлена в виде мультимедийного интерфейса, включающего инструменты тестирования. Результаты сеансов тестирования представляются и интерпретируются с помощью вероятностной модели. Значения вероятностей в байесовской сети получены от экспертов, занимающихся обучением. По мнению авторов, применение байесовской сети для управления неопределенностью близко к
человеческому подходу к неопределенности, более того, оно дает дополнительную информацию об ошибках учащихся и их причинах. Авторы исследования [68] используют байесовскую сеть в системе адаптивного обучения для фиксации предположений о понимании материала учащимися. Каждый узел сети соответствует теме учебного курса и может иметь два значения: «понимание» и «отсутствие понимания». После проведения тестирования, на основе результатов каждого ученика можно сделать вывод о вероятности того, что учащийся понимает еще не пройденные темы, и модифицировать план обучения. В работе [88] байесовская сеть также используется для оценки знаний обучающихся.
Приведенные выше задачи могут встречаться в различных областях человеческой деятельности, в том числе, в управлении проектами. В контексте данной работы вопрос применения байесовских сетей в управлении проектами требует более тщательного рассмотрения.
Помимо рассмотренных ранее работ [25, 37, 98, 101], посвященных применению сетей в области управления проектами, данная проблема активно обсуждается и в других источниках. В работе [79] байесовская сеть используется для управления рисками в рамках проекта в сочетании с методом освоенного объема (Earned Value Management) [15]. В построенной модели в качестве вершин выступают данные о навыках сотрудников, технологиях, материальных ресурсах и др.
В работе [78] для выявления различных источников неопределенности при планировании проекта используется метод критического пути (Critical Path Method) [14]. Для работы с причинностью и неопределенностью применяется байесовская сеть. По мнению авторов, данный метод является наиболее подходящим для решения проблемы построения плана проекта, поскольку «проекты обычно представляют собой разовый опыт, в связи с чем их неопределенность носит эпистемологический характер, т.е. связана с отсутствием полного знания». В используемой сети содержатся вершины, представляющие
информацию о стоимости, сотрудниках, технологиях, рисках и используемых ресурсах, а также зависимостях между ними.
В работе [101] проведено сравнение байесовских сетей с системами, основанными на правилах (rule based systems) [103] и нейронными сетями, использующимися для решения задачи оценки программного обеспечения. Названы такие преимущества байесовских сетей, как:
• использование при моделировании информации о предметной области и ее зависимостях, что упрощает создание модели;
• байесовские сети имеют графическое представление, что также упрощает работу с сетью и понимание законов, описанных в разработанной модели;
• при формировании сети могут использоваться экспертные знания, а не только исторические данные, что существенно расширяет возможности сети.
Работа [123] посвящена использованию сети для создания системы поддержки принятия решений в управлении проектами. Для оценки компетенции компании и планирования ее развития применяется Project Management Maturity Model (PMMM) [90].
Авторы [132] предложили использовать информацию об артефактах программного обеспечения для определения частей системы и документации к ней, которые нуждаются в доработке. С помощью сформированной байесовской сети предлагается решать вопросы неопределенности, возникающие при разработке ПО: изменение требований, необходимость регрессионного тестирования, поддержка долгосрочной согласованности между требованиями, архитектурой и реализацией.
В рамках исследования [49] авторы проанализировали 109 публикаций, посвященных применению байесовских сетей в управлении проектами по разработке программного обеспечения, с 1999 по 2018 год. Помимо вышеуказанных направлений, байесовские сети использовались для управления
такими аспектами, как стоимость проекта, интеграция, качество, ресурсы, коммуникации, заинтересованные стороны.
Суммируя приведенный выше анализ литературных источников, можно заключить, что байесовская сеть является подходящим инструментом для уменьшения неопределенности в управлении проектами по разработке ПО. Поскольку управление проектами является сложноформализуемым процессом, а для построения байесовской сети необходимо некоторое формальное представление информации о проекте, возникает задача выбора формальной модели представления данных о процессах и статусе проекта, на основании которой будет построена сеть.
На текущий момент в области управления проектами используется множество различных методологий управления (Унифицированный процесс [105], SCRUM [104], водопадная модель [102] и др.). Рассмотренные выше исследования связаны с определенными методологиями разработки, либо посвящены какому-то конкретному аспекту управления проектом, поэтому возникает задача создания универсального инструмента, подходящего для всех методологий. В связи с чем необходимо выбрать универсальную формальную модель, охватывающую различные методологии разработки программного обеспечения.
В работе [2] байесовская сеть построена на основании формального описания текущего статуса проекта, выполненного с помощью языка Essence [114], базирующегося на идеях инициативы SEMAT (Software Engineering Method And Theory) [107].
Стандарт Essence включает в себя как одноименный язык описания методов программной инженерии, так и Ядро - набор элементов, фиксирующий общие концепции, применимые для любого метода разработки программного обеспечения.
Инициатива SEMAT была сформирована в 2009 году и с тех пор является предметом обсуждений [12, 17, 33, 41, 60, 73, 74, 75, 76, 85, 106, 107, 120, 129] в
научных кругах. Некоторые исследователи [33, 41, 60] высказываются об инициативе критически. Авторы статьи [85] на момент ее написания (2019 год) выделили в инициативе SEMAT и результатах ее работы следующие недостатки:
1. SEMAT на данный момент не завершен.
2. Не существует четких правил и ограничителей для всех компонентов моделирования SEMAT, что создает двусмысленность и делает моделирование слишком сильно зависящим от конкретного мнения.
3. Не существует четкого способа определить, к какой области интересов относится практика или метод, а в случае пересечения областей, каким образом смоделировать это пересечение.
4. Существуют элементы Ядра, которые могут быть избыточными, например, Задачи (Task) и Активности (Activity), определения которых во многом совпадают, при этом способ определения, что является более подходящим в конкретном случае, отсутствует.
С другой стороны, некоторые исследователи [76, 85] отзываются об идее позитивно, но указывают на необходимость дальнейшего развития и проверки методов на практике. Среди тем исследований, посвященных инициативе SEMAT, можно выделить ряд наиболее популярных:
1. Применение стандарта и его наработок на практике [16, 91, 92] для управления процессами разработки программного обеспечения.
2. Инструменты для поддержки языка Essence. Поскольку наличие программных инструментов для поддержки предложенного языка является немаловажным для его распространения, разрабатываются соответствующие решения [27, 55, 67, 108, 122]. Однако, хотя существующие инструменты позволяют описывать практики и методы в терминах языка, они не решают проблему переноса описанных практик в инструменты управления проектами, что существенно ограничивает возможности применения наработок в компаниях, занимающихся разработкой программного обеспечения. Одни из первых шагов в этом
направлении описаны в работах [6, 133], авторы которых реализовали импорт модели Essence в систему Azure DevOps Server [34] и в среду управления проектами Redmine [97].
3. Применение идей SEMAT при подготовке IT-специалистов [26, 92, 127, 134], что говорит об их актуальности и практической значимости, в том числе, с образовательной точки зрения. Использование SEMAT для обучения позволяет студентам не только изучить несколько популярных методологий в рамках одного курса, но и провести их сравнительный анализ, сформировать собственный метод из набора практик.
4. Применение геймификации совместно с идеями SEMAT: авторы языка Essence предложили решение ряда вопросов, возникающих при управлении проектами, с помощью набора из 7 карточных игр [30]. Игровая форма позволяет упростить процесс ознакомления с новыми подходами и существенно сократить время, требующееся на принятие важных решений. Существуют и сторонние предложения [129] по геймификации процесса в виде настольной игры.
5. Расширение Ядра Essence и добавление новых практик в Библиотеку Практик. Уже опубликован ряд работ [75, 85, 109, 128] по расширению Библиотеки Практик, например, авторы [85] предприняли попытку описать подход TOGAF (The Open Group Architecture Framework [117]) в терминах Essence. Авторы инициативы SEMAT продолжают дорабатывать Библиотеку, например, работа [75] расширяет Библиотеку практикой применения вариантов использования. Интерес вызывает работа [93], авторы которой предложили систему измерений для альфы (альфа -некоторая бизнес-область, состояние которой необходимо отслеживать в процессе реализации проекта, например, Программная Система, Команда, Требования) Программная Система (Software System) для оценки качества продукта и получения данных о здоровье и прогрессе проекта. В работе
Похожие диссертационные работы по специальности «Другие cпециальности», 00.00.00 шифр ВАК
Методы и алгоритмы моделирования приближенных рассуждений на основе темпоральных нечетких байесовских сетей2016 год, кандидат наук Захаров Андрей Сергеевич
Синтез графов смежности в машинном обучении глобальных структур алгебраических байесовских сетей2013 год, кандидат наук Фильченков, Андрей Александрович
Методы организации процесса фаззинг-тестирования и анализа веб-приложений на основе моделей динамических байесовских сетей2024 год, доктор наук Полухин Павел Валерьевич
Вероятностные графические модели и алгоритмы обработки нечисловой, неточной и неполной информации для оценки кумулятивного риска2013 год, кандидат наук Пащенко, Антон Евгеньевич
Алгебраические байесовские сети: вычислительная сложность алгоритмов логико-вероятностного вывода в условиях неопределённости2011 год, кандидат физико-математических наук Сироткин, Александр Владимирович
Список литературы диссертационного исследования кандидат наук Иванова Лидия Сергеевна, 2023 год
Список использованных источников и литературы
1. Гласс Р. Программирование и конфликты 2.0. Пер. с англ. / Р. Гласс. -Спб. : Символ-Плюс, 2010. - 240 с.
2. Змеев Д. О. Прототип системы поддержки принятия решений для управления проектами на основе стандарта OMG Essence и байесовских сетей : дис. ... канд. техн. наук: 05.13.11 / Д. О. Змеев. - Томск, 2022 - 152 с.
3. Змеев Д. О. О представлении прогресса проекта по разработке программного обеспечения в форме динамической байесовской сети / Д. О. Змеев, Л. С. Иванова, Р. Р. Рафикова // Информационные технологии и математическое моделирование (ИТММ-2020). Материалы XIX Международной конференции имени А.Ф. Терпугова. - Томск, 2021. - С. 291-297.
4. Змеев Д. О. Практика работы с антипаттернами для Essence Practice Library. / Д. О. Змеев, О. А. Змеев, Л. С. Иванова // Программная инженерия. -2022. - том 13, №7. - С. 311-321.
5. Змеев Д. О. Проблемы жизненного цикла проектных сущностей в стандарте OMG Essence / Д. О. Змеев, Л. С. Иванова // Новые информационные технологии в исследовании сложных структур : материалы Четырнадцатой международной конференции. - Томск, 2022. - С. 58.
6. Змеев О. А. Перенос практик Essence в среду Azure DevOps Server / О. А. Змеев, Д. О. Змеев, А. Н. Даниленко // Программная инженерия. - 2020. - Т. 11, № 6. - С. 311-321. - DOI: 10.17587/prin.11.311-321.
7. Змеев О. А. Поиск антипаттернов проектирования в диаграммах UML / О. А. Змеев, Л. С. Иванова // Информационные технологии и математическое моделирование (ИТММ-2015) : материалы XIV Международной конференции имени А.Ф. Терпугова. - 2015. - С. 138-141.
8. Змеев О. А. Поиск артефактов проектирования. Обзор подходов. / О. А. Змеев, Л. С. Иванова // Вестник Томского государственного университета.
Управление, вычислительная техника и информатика. - Томск, 2015. - № 2 (31). -С. 81-90.
9. Использование формулы Байеса при оценивании выполнения практик модели CMMI / Г. И. Кожомбердиева [и др.] // Программные продукты и системы. - 2017. - № 23. - С. 67-74. - DOI: 10.15827/0236-235X.117.067-074.
10. Канеман Д. Принятие решений в неопределенности: правила и предубеждения. Пер. с англ. / Д. Канеман, П. Словик, А. Тверски. - X. : Изд-во Институт прикладной психологии «Гуманитарный Центр», 2005. - 632 с.
11. Кириевски Д. Рефакторинг с использованием шаблонов. / Д. Кириевски. - М. : ООО «И.Д. Вильямс», 2016. - 400 с.
12. Левенчук А. И. Основа - сущности и язык для методов программной инженерии (OMG Essence) [Электронный ресурс] / А. И. Левенчук // Живой журнал. - Электрон. дан. - [Б. м.], 2012. - URL: https://ailev.livejournal.com/1051048.html (дата обращения: 06.12.2021).
13. Макконнелл С. Совершенный код. Мастер-класс. Пер. с англ. / C. Макконнелл. - М. : Издательство «Русская редакция», 2014. - 896 с.
14. Метод критического пути (Critical Path Method) [Электронный ресурс] // Википедия - свободная энциклопедия. - Электрон. дан. - [Б. м.], 2022. - URL: https://ru.wikipedia.org/wiki/Метод_критического_пути (дата обращения: 24.01.2022).
15. Метод освоенного объема [Электронный ресурс] // Википедия -свободная энциклопедия. - Электрон. дан. - [Б. м.], 2022. - URL: https://ru.wikipedia.org/wiki/Метод_освоенного_объёма (дата обращения: 21.01.2022).
16. Позин Б. А. Развитие базовой модели SEMAT для жизненного цикла заказных ответственных программных систем / Б. А. Позин, Е. Горбунова // Материалы четвертой Научно-практической конференции «Актуальные проблемы системной и программной инженерии» : сборник трудов. - М. : НИУ ВШЭ, 2015. - С. 170-171.
17. Позин Б. А. SEMAT - Software Engineering Method and Theory. О чем, зачем и кому это нужно? / Б. А. Позин // Программная инженерия. - 2014. - № 11. - С. 3-5.
18. Разработка подсистемы работы с байесовскими сетями для системы поддержки принятия решений в управлении проектами по разработке программного обеспечения / Д. О. Змеев [и др.] // Доклады Томского государственного университета систем управления и радиоэлектроники. - 2022. -Т. 25, № 3. - С. 52-56.
19. Рефакторинг: улучшение проекта существующего кода. / М. Фаулер [и др.]. - СпБ. : ООО «Альфа-книга», 2017. - 448 с.
20. Свидетельство о государственной регистрации программы для ЭВМ № 2023612258. Программа для расчета вероятности ложноположительной ошибки менеджера с применением байесовских сетей / Иванова Л. С. (RU), Змеев Д. О. (RU), Фрейдин В. И. (RU); правообладатели: Иванова Л. С. (RU), Змеев Д. О. (RU), Фрейдин В. И. (RU). - Заявка № 2022683135; заявл. 28.11.2022; дата регистрации 01.02.2023.
21. Свидетельство о государственной регистрации программы для ЭВМ № 2023616172. Плагин для Redmine для реализации системы поддержки принятия решений для управления проектами на основе стандарта OMG Essence и байесовских сетей / Иванова Л. С. (RU), Змеев Д. О. (RU), Шарапов Д. А. (RU), Тамазлыкарь Д. В. (RU); правообладатели: Иванова Л. С. (RU), Змеев Д. О. (RU), Шарапов Д. А. (RU), Тамазлыкарь Д. В. (RU). - Заявка № 2022686802; заявл. 28.12.2022; дата регистрации 23.03.2023.
22. Цифровая экономика [Электронный ресурс] // Википедия - свободная энциклопедия. - Электрон. дан. - [Б. м.], 2022. - URL: https://ru.wikipedia.org/wiki/Цифровая_экономика (дата обращения: 10.01.2022).
23. Швырева О. И. Моделирование современных тенденций риск-ориентированного аудита с применением теоремы байеса / О. И. Швырева, И. А.
Кацко, М. О. Киек // Международный студенческий научный вестник. - 2016. - № 4-4.
24. Якобсон А. Унифицированный процесс разработки программного обеспечения / А. Якобсон, Г. Буч, Дж. Рамбо. - Спб. : Питер, 2002. - 496 с.
25. A Bayesian Network Framework for Project Cost, Benefit and Risk Analysis with an Agricultural Development Case Study / B. Yet [et al.] // Expert Systems with Applications. - 2016. - Vol. 60. - P. 141-155.
26. A case study of software engineering methods education supported by digital game-based learning: Applying the SEMAT Essence kernel in games and course projects / J. Pieper [et al.] // IEEE Global Engineering Education Conference (EDUCON). - 2017. - P. 1689-1699. - DOI: 10.1109/EDUC0N.2017.7943076.
27. Agile Practices Workbench | Agile Development Tools [Electronic resource] // Ivar Jacobson International. - [S. l.] - URL: https://www.ivarjacobson.com/esswork-practice-workbench (access date: 06.12.2021).
28. Alba E. Management of software projects with GAs / E. Alba, J. F. Chicano // MIC2005: The Sixth Metaheuristics International Conference. - Viena, 2005. - P. 13-18.
29. Alexander C. Managing Operational Risks with Bayesian Networks [Electronic resource] / C. Alexander // researchgate.net. - [S. l.], 2021. -URL:https://www.researchgate.net/publication/265745904_Chapter_14_Managing_0pe rational_Risks_with_Bayesian_Networks (access date: 01.11.2021).
30. Alpha State Card Games. Instructional Guide [Electronic resource] // Ivar Jacobson International. - [S. l.], 2015. - URL: https://ss-usa.s3.amazonaws.com/c/308454236/media/57e12aed1f874/IJI_Alpha_State_Game_Gu ide_final.pdf (access date: 06.01.2022).
31. An Overview of Bayesian Network Applications in Uncertain Domains / K. Iqbal [et al.] // International Journal of Computer Theory and Engineering. - 2015. -Vol. 7, № 6. - P. 416-427.
32. AntiPatterns: Refactoring Software, Architectures. and Projects in Crisis / W. J. Brown [et al.]. - New York: John Wiley & Sons, 1998. - 336 p.
33. Aranda J. Against SEMAT [Electronic resource] / J. Aranda // Catenary (Jorge Aranda's blog). - [S. l.], 2009. - URL: http://catenary.wordpress.com/2009/11/29/against-semat/ (access date: 06.06.2021).
34. Azure DevOps Server [Electronic resource] // azure.microsoft.com. - [S. l.] - URL: https://azure.microsoft.com/en-us/products/devops/server/ (access date: 12.12.2021).
35. Bayes' rule: Log-odds form [Electronic resource] // Arbital.com. - [S. l.] -URL: https://arbital.com/p/bayes_log_odds/ (access date: 10.02.2022).
36. Bayesian Network Based Netica for Respiratory Diseases / C. Jing [et al.] // IOP Conference Series: Materials Science and Engineering. - 2018. - Vol. 435.
37. Bayesian Networks as Support to Project Management: Optimization of Decision-Making of a Project Developed through the Life Cycle Canvas Model / L. Aparecido da Silva [et al.] // European Journal of Scientific Research. - 2021. - Vol. 158. - P. 274-287.
38. Bayesian Networks for Risk Prediction Using Real-World Data: A Tool for Precision Medicine / P. Arora [et al.] // Value in Health. - 2019. - Vol. 22, is. 4. - P. 439-445.
39. CGTN: Цифровая экономика как новая движущая сила роста для ^тая и других членов G20. [Электронный ресурс] // [Б. м.], 2022. - URL:
https://www.prnewswire.com/news-releases/cgtn.............g20-301678683.html (дата
обращения: 20.01.2023).
40. Ciolkowski M. 10 Years of Technical Debt Research and Practice: Past, Present, and Future / M. Ciolkowski, V. Lenarduzzi, A. Martini // IEEE Software. -2021. - Vol. 38, № 6. - P. 24-29. - DOI: 10.1109/MS.2021.3105625.
41. Cockburn A. A Detailed Critique of the SEMAT Initiative [Electronic resource] / A. Cockburn // alistair.cockburn.us. - [S. l.] - URL:
http://alistair.cockburn.us/A+Detailed+Critique+of+the+SEMAT+Initiative (access date: 06.12.2021).
42. Cockburn A. Writing Effective Use Cases / A. Cockburn. - Addison-Wesley, 2000. - 304 p.
43. Cocu A. Uncertainty management using bayesian networks in student knowledge diagnosis / A. Cocu, D. Stefanescu // The Annals of «Dunarea De Jos» University of Galati Fascicle III, Electrotechnics, Electronics, Automatic Control, Informatics. - 2005. - Vol. 28. - P. 29-32.
44. CodeFlow [Electronic resource] // Code Flow. - [S. l.] - URL: https://www.getcodeflow.com (access date: 01.12.2021).
45. Combining data and meta-analysis to build Bayesian networks for clinical decision support / B. Yet [et al.] // Journal of Biomedical Informatics. - 2014. - Vol. 52. - P. 373-385.
46. Computer-assisted diagnosis of breast cancer using a data-driven Bayesian belief network / X.-H. Wang [et al.] // International Journal of Medical Informatics. -1999. - Vol. 54. - P. 115-126.
47. Constantinou A. C. Pi-football: A Bayesian network model for forecasting Association Football match outcomes / A. C. Constantinou, N. E. Fenton, M. Neil // Knowledge-Based Systems. - 2012. - Vol. 36. - P. 322-339.
48. Cunningham W. The WyCash Portfolio Management System / W. Cunningham // Addendum to the proceedings on Object oriented programming systems, languages, and applications. - 1992. - P. 29-30.
49. De Sousa A.L.R. A 20-year mapping of Bayesian belief networks in software project management / A. L. R. de Sousa, C. R. B. de Souza, R. Q. Reis // IET Soft. - 2022. - Vol. 16 (1). - P. 14-28.
50. Decision support system for Warfarin therapy management using Bayesian networks / B. Yet [et al.] // Decision Support Systems. - 2013. - Vol. 55, is. 2. - P. 488-498.
51. Design Patterns: Elements of Reusable Object-Oriented Software / E. Gamma [et al.]. - Addison-Wesley, 1995. - 416 p.
52. Digital Economy Report 2021. Cross-border data flows and development: For whom the data flow. [Electronic resource] // United nations conference on trade and development. - [S. l.], 2021. - URL: https://unctad.org/system/files/official-document/der2021_en.pdf (access date: 21.01.2022).
53. Doguc O. A Bayesian Network (BN) Model for System Operational Effectiveness Assessment & Diagnosis / O. Doguc, W. Jiang // 26th Annual National Conference of the American Society for Engineering Management. - 2005. - Vol.1. -P. 147-155.
54. Doguc O. A generic method for estimating system reliability using Bayesian networks / O. Doguc, J. E. Ramirez-Marquez // Reliability Engineering & System Safety. - 2009. - Vol. 94. - P. 542-550.
55. Essence Enterprise 365 [Electronic resource] // Essence in Practice. - [S. l.] - URL: https://www.ivarjacobson.com/essence-enterprise (access date: 06.06.2021). Access mode: on request.
56. Essense - Kernel and Language for Software Engineering Methods. Version 1.2 [Electronic resource] // Object Management Group. - [S. l.], 2018. - URL: https://www.omg.org/spec/Essence/L2/PDF (access date: 20.01.2022).
57. Fagan M. Design and code inspections to reduce errors in program development / M. Fagan // IBM Systems Journal. - 1976. - Vol. 15, is. 3. - P. 182-211.
58. Fenton N. Software metrics: success, failures and new directions / N. Fenton, M. Neil // Journal of Systems and Software. - 1999. - Vol. 47, is. 2-3. - P. 149-157.
59. Fenton, N. A general structure for legal arguments about evidence using Bayesian networks / N. Fenton, M. Neil, D. A. Lagnado // Cognitive science. - 2013. -Vol. 37. - P. 61-102.
60. Fowler M. SEMAT [Electronic resource] / M. Fowler // martinFowler.com. - [S. l.], 2010. - URL: http://martinfowler.com/bliki/Semat.html (access date: 06.12.2021).
61. Fowler M. TechbicalDebtQuadrant [Electronic resource] // martinFowler.com. - [S. l.], 2009. - URL: https://martinfowler.com/bliki/TechnicalDebtQuadrant.html (access date: 01.12.2021).
62. From complex questionnaire and interviewing data to intelligent Bayesian network models for medical decision support / A. C. Constantinou [et al.] // Artif. Intell. Med. - 2016. - Vol. 67. - P. 75-93.
63. Gerrit Code Review [Electronic resource] // Gerrit Code Review. - [S. l.] -URL: https://www.gerritcodereview.com (access date: 01.12.2021).
64. Gil J. Micro Patterns in Java Code / J. Gil, I. Maman // OOPSLA '05 Proceedings of the 20th annual ACM SIGPLAN conference on Object-oriented programming, systems, languages, and applications. ACM New York. - 2005. - P. 97116.
65. GitHub [Electronic resource] // GitHub.com. - [S. l.] - URL: https://github.com (access date: 01.12.2021).
66. GitLab [Electronic resource] // GitLab. - [S. l.] - URL: https://about.gitlab.com (access date: 01.12.2021).
67. Graziotin D. A Web-based modeling tool for the SEMAT Essence theory of software engineering / D. Graziotin, P. Abrahamsson // Journal of Open Research Software. - 2013. - Vol. 1, № 1. - P. e4.
68. Implementation Of An Adaptive Learning System Using A Bayesian Network / K. Yasuda [et al.] // The 11th International Conference Mobile Learning. -2015. - P. 157-159.
69. ISO/IEC 27002:2022 Information security, cybersecurity and privacy protection - Information security controls [Electronic resource] // www.iso.org. - [S. l.], 2022. - URL: https://www.iso.org/ru/standard/75652.html (access date: 05.08.2022).
70. ISO/IEC 31010:2019 Risk management - Risk assessment techniques [Electronic resource] // www.iso.org. - [S. l.], 2019. - URL: https://www.iso.org/standard/72140.html (access date: 05.08.2022).
71. Ivanova L. UML Representation of Object-Oriented Design Antipatterns / L. Ivanova, D. Sokolov, O. Zmeev // 2021 International Conference on Information Technology (ICIT). - 2021. - P. 98-103. - DOI: 10.1109/ICIT52682.2021.9491660.
72. Ivanova L.S. Implementation of Essence practice into Bayesian networks / L. S. Ivanova, D. O. Zmeev, O. A. Zmeev // The Eurasia Proceedings of Science, Technology, Engineering & Mathematics (EPSTEM). - 2022. - Vol. 17. - P. 120-128.
73. Jacobson I. Software engineering method and theory - a vision statement [Electronic resource] / I. Jacobson, B. Meyer, R. Soley // semat.org. - [S. l.] - URL: http://semat.org/documents/20181/27952/SEMAT-vision.pdf (access date: 06.12.2021).
74. Jacobson I. Industrial Scale Agile - from Craft to Engineering / I. Jacobson, I. Spence, E. Seidewitz // Queue. - 2016. - Vol. 14, is. 5. - P. 99-130. - DOI: 10.1145/3012426.3012428.
75. Jacobson I. USE-CASE 2.0: The Guide to Succeeding with Use Case / I. Jacobson, I. Spence, K. Bittner - Ivar Jacobson International, 2011. - 55 p.
76. Jones C. Software Development Patterns and Antipatterns / C. Jones. -Auerbach, 2021. - 512 p. - DOI: 10.1201/9781003193128.
77. Junejo I. N. Using dynamic Bayesian network for scene modeling and anomaly detection / I. N. Junejo // Signal, Image and Video Processing. - 2010. - Vol. 4. - P. 1-10.
78. Khodakarami V. Project Scheduling: Improved Approach to Incorporate Uncertainty Using Bayesian Networks / V. Khodakarami, N. Fenton, M. Neil // Project Management Journal. - 2007. - Vol. 38. - P. 39-49.
79. Kim J.-Y. Developing a Bayesian Network Model for Real-time Project Risk Management / J.-Y. Kim, S. Ahn // IE interfaces. - 2011. - Vol. 24. - P. 119-127.
80. Klein R. Scheduling of Resource-Constrained Projects. Operations Research / R. Klein // Computer Science Interfaces Series. - Springer US, 2000. ISBN 978-1-4613-7093-2. - DOI: 10.1007/978-1-4615-4629-0.
81. Life Cycle Canvas [Electronic resource] // lifecyclecanvas.com. - [S. l.], 2016. - URL: https://www.lifecyclecanvas.com.br (access date: 01.11.2021).
82. Manifesto for Agile Software Development [Electronic resource] / Beck K. [et al.] // agilemanifesto.org. - [S. l.], 2001. - URL: https://agilemanifesto.org/iso/en/manifesto.html (access date: 12.12.2021).
83. McCann B. Using Bayesian Updating to Improve Decisions under Uncertainty / B. McCann // California Management Review. - 2020. - Vol. 63, is. 1. -P. 26-40.
84. Modern code review: a case study at google / C. Sadowsdki [et al.] // In Proceedings of the 40th International Conference on Software Engineering: Software Engineering in Practice (ICSE-SEIP '18). Association for Computing Machinery, New York. - 2018. - P. 181-190. - DOI: 10.1145/3183519.3183525.
85. Munera D. A brief TOGAF description using SEMAT Essence Kernel [Electronic resource] / D. Munera, G. F. Villa // researchgate.net. - [S. l.], 2019. -URL: https://www.researchgate.net/publication/335855005_A_brief_T0GAF_descripti on_using_SEMAT_Essence_Kernel (access date: 01.12.2021).
86. Neill C.J. Antipatterns: Identification, Refactoring, and Management / C. J. Neill, P. A. Laplante. - Boca Raton: CRC Press, 2005. - 336 p.
87. Neo4j Graph Database [Electronic resource] // neo4j.com. - [S. l.] - URL: https://neo4j.com/product/neo4j-graph-database/ (access date: 10.01.2022).
88. Nguyen V. A. Toward an Adaptive Learning System Framework: Using Bayesian Network to Manage Learner Model / V. A. Nguyen // International Journal of Emerging Technologies in Learning (iJET). - 2012. - Vol. 7. - P. 38-47.
89. Pearl J. Bayesian Networks: A Model of Self-Activated Memory for Evidential Reasoning / J. Pearl // Proceedings of the 7th Conference of the Cognitive Science Society. - Irvine: University of California, 1985. - P. 329-334.
90. Pennypacker, J. S. Project management maturity: an industry-wide assessment / J. S. Pennypacker, K. P. Grant // Research Conference 2002: Frontiers of Project Management Research and Applications. - 2002.
91. Peraire C. Essence Reflection Meetings: Field Study / C. Peraire, T. Sedano // EASE '14: Proceedings of the 18th International Conference on Evaluation and Assessment in Software Engineering. - 2014. - № 25. - P. 1-4. - DOI: 10.1145/2601248.2601296.
92. Peraire C. State-based monitoring and goal-driven project steering: field study of the SEMAT essence framework / C. Peraire, T. Sedano // ICSE Companion 2014: Companion Proceedings of the 36th International Conference on Software Engineering. - 2014. - P. 325-334. - DOI: 10.1145/2591062.2591155.
93. Perdomo Charry W. Software quality measures and their relationship with the states of the software system alpha / W. Perdomo Charry, C. Zapata // Ingeniare. -2021. - Vol. 29. - P. 346-363. - DOI: 10.4067/S0718-33052021000200346.
94. Pollino C. A. Developing Bayesian network models within a Risk Assessment framework / C. A. Pollino, B. T. Hart // International Congress on Environmental Modelling and Software. - 2008. - P. 372-379.
95. Portman H. Review Standish Group - CHAOS 2020: Beyond Infinity. [Electronic resource] // Henny Portman's Blog. - [S. l.], 2021. - URL: https://hennyportman.wordpress.com/2021/01/06/review-standish-group-chaos-2020-beyond-infinity/ (access date: 10.12.2021).
96. Practice Library [Electronic resource] // Practice Library. - [S. l.] - URL: https://practicelibrary.ivarjacobson.com/start (access date: 01.10.2021).
97. Redmine [Electronic resource] // redmine.org. - [S. l.] - URL: https://www.redmine.org/ (access date: 10.12.2021).
98. Rezakhani P. Project scheduling and performance prediction: a fuzzy-Bayesian network approach. / P. Rezakhani // Engineering, Construction and Architectural Management. - 2022. - Vol. 29, № 6. - P. 2233-2244.
99. Riel A. J. Object-Oriented Design Heuristics / A. J. Riel. - Addison-Wesley, 1996. - 400 p.
100. Robinson, I. Graph Databases / I. Robinson, J. Webber, E. Eifrem. -O'Reilly Media, 2013. - 178 p.
101. Rodriguez D. Bayesian Networks and Classifiers in Project Management / D. Rodriguez, J. J. Dolado, M. Satpathy // 2nd Workshop in Workshop Series on Empirical Software Engineering. - Rome, 2003.
102. Royce W. Managing the Development of Large Software Systems / W. Royce // Proceedings of IEEE WESCON. - 1970. - P. 1-9.
103. Russell S. J. Artificial intelligence: a modern approach / S. J. Russell, P. Norvig. - 3nd ed. - Prentice Hall, 2009. - 1152 p.
104. Schwaber K. Agile Software Development with Scrum / K. Schwaber, M. Beedle - Pearson, 2001. - 176 p.
105. Scott K. The Unified Process Explained / K. Scott. - 1st ed. - Addison-Wesley Professional, 2001. - 208 p.
106. Scrum Essential Cards Help Introduce and Apply Scrum [Electronic resource] // Ivar Jacobson International. - [S. l.] - URL: https://pages.services/ss.ivarjacobson.com/essential-scrum (access date: 06.06.2021).
107. SEMAT вчера, сегодня и завтра: перспективы промышленного использования. / Дж. Пак [и др.] // Программная инженерия. - 2014. - № 11. - С. 6-16.
108. SEMAT Essence Kernel Tool [Electronic resource] // semat.herokuapp.com. - [S. l.] - URL: https://semat.herokuapp.com/ (access date: 06.12.2021).
109. Simonette M. Software & Systems Engineering Interplay and the SEMAT Kernel / M. Simonette, E. Spina // The Voice of the Systems - The Journal Of The Israeli Systems Engineers. - 2018. - Is. 22. - P. 6-20.
110. Sousa M. Management in Modern Organizations / M. Sousa, I. Moço // Organizational Culture and Behavior: Concepts, Methodologies, Tools, and Applications. - IGI Global. - 2017. - DOI: 10.4018/978-1-5225-1913-3.ch010.
111. Statistical Software Engineering. - Washington, D. C. : National Academy Press, 1996. - 84 p.
112. Sun L. Using Bayesian networks for bankruptcy prediction: Some methodological issues / L. Sun, P. P. Shenoy // European Journal of Operational Research. - 2007. - Vol. 180, № 2. - P. 738-753.
113. Tetlock P. Superforecasting: The Art and Science of Prediction / P. Tetlock, D. Gardner. - Crown, 2016. - 352 p.
114. The Essence of Software Engineering: Applying the SEMAT Kernel / I. Jacobson [et al.]. - Addison-Wesley, 2013. - 224 p.
115. The most common causes and effects of technical debt: first results from a global family of industrial surveys / N. Rios [et al.] // Proceedings of the 12th ACM/IEEE International Symposium on Empirical Software Engineering and Measurement (ESEM '18). Association for Computing Machinery, New York. - 2018. -P. 1-10. - DOI: 10.1145/3239235.3268917.
116. The Standish Group - CHAOS Report [Electronic resource] // Project Smart. - [S. l.], 2009. - URL: https://www.projectsmart.co.uk/white-papers/chaos-report.pdf (access date: 01.11.2021).
117. The TOGAF Standard, Version 9.2 Overview [Electronic resource] // The Open Group. - [S. l.] - URL: https://www.opengroup.org/togaf (access date: 01.12.2021).
118. Top Down Design in An Object Oriented World [Electronic resource] // University of SAN FRANCISCO. Department of computer science. - [S. l.] - URL: http://www.cs.usfca.edu/~parrt/course/601/lectures/top.down.design.html (access date: 01.12.2021).
119. Total information communication technology (ICT) market spending worldwide from 2016 to 2023 [Electronic resource] // statista.com. - [S. l.], 2021. -
URL: https://www.statista.com/statistics/946785/worldwide-ict-spending/ (access date: 20.01.2022).
120. Towards the statistical construction of hybrid development methods / P. Tell [et al.] // Journal of Software: Evolution and Process. - 2021. - Vol. 33. is. 1.
121. Understand and Manage IT Risk [Electronic resource] // www.isaca.org. -[S. l.] - URL: https://www.isaca.org/resources/it-risk (access date: 05.08.2022).
122. UNI-DUE Essence Model Viewer 1.0 [Electronic resource] // www.s3.uni-duisburg-essen.de. - [S. l.] - URL: https://www.s3.uni-duisburg-essen.de/pub/essence/demo/Wobbleboard.html (access date: 06.11.2021)
123. Use of Bayesian Network characteristics to link project management maturity and risk of project overcost / F. Sanchez [et al.] // 14th International Conference on Signal-Image Technology & Internet-Based Systems (SITIS). - 2018. -P. 420-426.
124. Ward S. Transforming project risk management into project uncertainty management / S. Ward, C. Chapman // International Journal of Project Management. -2003. - Vol. 21, is. 2. - P. 97-105.
125. Wojewoda S. Standish Group 2015 Chaos Report - Q&A with Jennifer Lynch [Electronic resource] / S. Wojewoda, S. Hastie // www.infoq.com. - [S. l.], 2015. - URL: https://www.infoq.com/articles/standish-chaos-2015/ (access date: 16.12.2021).
126. Wooff D. A. Bayesian Graphical Models for Software Testing / D. A. Wooff, M. Goldstein, F. P. A. Coolen // IEEE Transactions on Software Engineering. -2002. - Vol. 28, № 5. - P. 510-525.
127. Zapata C. A First Course in Software Engineering Methods and Theory / C. Zapata, I. Jacobson // Dyna. - 2014. - Vol. 81, № 183. - P. 231-241. - DOI: 10.15446/dyna.v81n183.42293.
128. Zapata-Jaramillo C. A proposal for improving the Essence standard by using terminology unification / C. Zapata-Jaramillo, A. Henao-Roqueme // Ingenieria. -2021. - Vol. 26, № 2. - P. 213-232. - DOI: 10.14483/23448393.16428.
129. Zapata-Jaramillo C. M. A Board Game to Simulate the Software Development Process Based on the SEMAT Essence Standard / C. M. Zapata-Jaramillo, G. V. Maturana Gonzalez, J. M. Calle-Gallego // 2020 IEEE 32nd Conference on Software Engineering Education and Training (CSEE&T). - 2020. - P 1-4. - DOI: 10.1109/CSEET49119.2020.9206177.
130. Zavadskas E.K. Bayesian Reasoning in Managerial Decisions on the Choice of Equipment for the Prevention of Industrial Accidents / E. K. Zavadskas, E. R. Vaidogas // ENGINEERING ECONOMICS. - 2008. - Vol. 60, № 5. - P. 32-40.
131. Zhang L. A Bayesian network model for automatic and interactive image segmentation / L. Zhang, Q. Ji // IEEE Transactions on Image Processing. - 2011. -Vol. 20. - P. 2582-2593.
132. Ziv H. Constructing Bayesian-network Models of Software Testing and Maintenance Uncertainties / H. Ziv, D. J. Richardson // Proceedings International Conference on Software Maintenance. - 1997. - P. 100-109.
133. Zmeev D. Implementation of Essence Practice into project management system Redmine / D. Zmeev, O. Zmeev, D. Tamazlykar // 2019 Actual Problems of Systems and Software Engineering (APSSE 2019). - 2019. - P. 116-125. - DOI: 10.1109/APSSE47353.2019.00022.
134. Zmeev D. Project-Oriented Course of Software Engineering Based on Essence / D. Zmeev, O. Zmeev // 2020 IEEE 32nd Conference on Software Engineering Education and Training (CSEE&T). - 2020. - P. 1-3. - DOI: 10.1109/CSEET49119.2020.9206240.
Приложение А
Справка о внедрении результатов диссертации в ООО «НТР Томск»
ООО «НТР Томск»
Томск
634055, г. Томск, проспект Развития, лом 3, офис 607. ИНН 7017118839 КПП 701701001 ОГРН 1057000156927 +7 3822 488 532 || info@ntrI.ai [| ntr.ai
В Диссертационный совет НИ ТГУ.2.3.01
Российская Федерация, 634050, г. Томск, пр. Ленина, 36.
Справка о внедрении
Настоящим подтверждаем, что результаты диссертационного исследования Ивановой Лидии Сергеевны на тему: «Практики OMG Essence как источник изменяющихся объективных свидетельств в байесовской сети для систем поддержки принятия решений» обладают актуальностью, представляют практический интерес и были внедрены в качестве практик для управления проектами по разработке программного обеспечения.
Директор ! / л
ООО «НТР Томск»
16.06.2023
■ 0-ЗД
шовский
Приложение Б
Справка о внедрении результатов диссертации в ООО «Крео-Софт»
_________________________________ООО "Крео-Софт"
ИНН 7014059279 / КПП 701401001 / ОГРН 1157014000010 Адрес: 634063, Томская обл, Томск г, Ивана Черных ул, дом № 66, квартира 339
В Диссертационный совет НИ ТГУ.2.3.01 Российская Федерация, 634050, г. Томск, пр. Ленина, 36.
Справка о внедрении
Настоящим подтверждаем, что результаты диссертационного исследования Ивановой Лидии Сергеевны на тему: «Практики OMG Essence как источник изменяющихся объективных свидетельств в байесовской сети для систем поддержки принятия решений» обладают актуальностью, представляют практический интерес и были внедрены в качестве практик для управления
Обратите внимание, представленные выше научные тексты размещены для ознакомления и получены посредством распознавания оригинальных текстов диссертаций (OCR). В связи с чем, в них могут содержаться ошибки, связанные с несовершенством алгоритмов распознавания. В PDF файлах диссертаций и авторефератов, которые мы доставляем, подобных ошибок нет.