Résumé | On admet généralement que plusieurs des systèmes de mesure orientés objets conçus par les chercheurs mesurent certains aspects de la complexité. Ces systèmes peuvent servir d'indicateurs précurseurs des classes de problèmes, par exemple celles qui sont le plus sujettes aux défaillances. Si les classes défaillantes peuvent être détectées tôt dans le cycle de vie d'un projet de développement, on peut prendre des mesures d'atténuation telles que des inspections en profondeur. Des modèles prédictifs utilisant des systèmes de mesure pour avant-projets peuvent être utilisés pour détecter précocement les classes défaillantes. Dans ce mémoire, nous présentons une théorie cognitive des systèmes de mesure orientés objets et une étude empirique dont les objectifs étaient de tester cette théorie formellement, tout en validant le système de mesure et de construire un modèle prédictif de la tendance aux défaillances après-vente. Les mécanismes cognitifs appliqués aux systèmes de mesure orientés objets par la présente étude sont basés sur des modèles courants de la mémoire humaine. Ce sont des modèles de la familiarité, de l'interférence et de l'effet de ventilation. Notre étude empirique a été effectuée avec des données provenant d'une application Java commerciale. Nous avons trouvé que la profondeur de l'arbre d'héritage est une bonne mesure de la familiarité et, comme prévu, qu'il y a une relation quadratique avec la tendance aux défaillances. Nos hypothèses ont été confirmées pour les systèmes de mesure du couplage d'importation à d'autres classes, du couplage d'exportation et du nombre d'enfants. Les systèmes de mesure du couplage d'importation basés sur les ancêtres n'étaient pas associés à une tendance aux défaillances après un contrôle de la confusion engendrée par la profondeur de l'arbre d'héritage. Le modèle prédictif construit est raisonnablement précis. Finalement, nous avons élaboré un modèle de réduction des coûts que nous avons appliqué à notre modèle prédictif. Nous avons obtenu ainsi une réduction de 42 % des coûts après-vente si le modèle prédictif est utilisé pour déceler les classes qui devraient être inspectées. |
---|