Título: Logify: Uma Abordagem Inovadora para Desenvolvimento e Testagem de Software com Record & Replay e Processamento Natural de Linguagem
Autores: João Victor Bezerra da Silva, Antonio Vinicius Rodrigues Da Costa, Paulo Daniel De Araujo & Breno Nogueira Araujo
Resumo: A demanda crescente por aplicativos móveis exige ciclos de desenvolvimentoágeis e eficientes, tornando essencial a colaboração contínua entre as equipes de desenvolvedores e garantia de qualidade ( Quality Assurance – QA). No entanto, os métodos tradicionais de desenvolvimento e teste enfrentam desafios como a manutenção dos scripts de testes, inconsistências entre versões dos aplicativos e dificuldades na adaptação de cenários de testes a cada atualização do sistema. Além disso, os desenvolvedores frequentemente enfrentam dificuldades na reprodução de bugs com base nos relatórios fornecidos pela equipe de QA. Esse problema ocorre devido à falta de clareza, precisão e objetividade nas descrições, pois h á uma lacuna cognitiva e lexical entre os desenvolvedores e o time de QA. Isso leva a instruções ambíguas ou incompletas, dificultando a interpretação e a reprodução de uma forma deterministica dos cenários reportados. Para abordar essas limitações, propomos o Log Optimization and Generation for Intelligent Functional Deve-lopment & Testing (Logify), um framework inteligente baseado em Record and Replay (R&R) e Processamento de Linguagem Natural ( Natural Language Processing – NLP), que permite o versionamento eficiente de gravações para reproduções de bugs para dispositivos Android. A abordagem captura e trata interações do usuário através de logs do Android Debug Bridge (ADB), armazena versões das gravações em um servidor remoto e aplica NLP para buscar gravações de bugs de uma forma mais otimizada. O presente trabalho melhora a rastreabilidade dos defeitos em softwares e facilita a gravação e reprodução de cenários de testes, reduzindo o esforço manual necessário para atualização dos testes automatizados. Avaliações realizadas em um ambiente de desenvolvimento real demonstram que a solução proposta reduz os casos em que o desenvolvedor não consegue reproduzir o bug devido a instruções ambíguas ou mal comprendidas em at é 31.22%, otimizando o fluxo de trabalho entre as equipes, ao mesmo tempo que fornece uma precisão ainda melhor em comparação com scripts manuais.
Palavras-chave: Automated Android Testing; Logs; Natural Language Processing.
Páginas: 8
Código DOI: 10.21528/CBIC2025-1141458
Artigo em PDF: CBIC_2025_paper1141458.pdf
Arquivo BibTeX:
CBIC_2025_1141458.bib