协作式众包测试报告分析与融合技术研究

Crowdsourcing testing has been studied intensively by academy and industry in recent years. As one of the typical applications of the swarm intelligence in software engineering, the current crowdsourcing platforms fail to take into consideration of the relationships between the crowd workers. This ignorance makes the crowdsourcing procedure develop into a competition without any collaboration and coordination, which leads to a large number of duplicated testing work and excessive test feedbacks. This kind of redundancy wastes the testing resources and slows down the testing efficiency. To address these problems, this project studies the collaborative crowdsourcing test report analysis technology and its application. The main research content includes: (1). All testing life cycle based testers guidance methodology; (2). multi-dimensional information based dynamic test report classification methodology; (3). swarm wisdom embedded iterative crowdsourcing test report construction and fusion methodology.From four different perspectives, namely software engineering, applied mathematics, machine learning, and organizational behavior, this project investigates the collaborative crowdsourcing. This study has a significant impact on the theory and application of sharing economy and swarm intelligence of the software engineering domain.

众包测试近年来得到工业界和学术界的共同重视。然而，作为群体智能软件工程的典型应用，当前众包测试平台不能支撑测试员之间的有效协作。众包测试平台通常采取个体竞争方式完成任务，往往产生大量高度重复和冗余的不完善测试报告，未能充分利用群体智能，浪费了大量测试资源。本项目旨在研究协作式众包测试报告分析与融合技术，主要内容包括：（1）面向众包测试的全周期测试员引导方法；（2）基于多维信息的众包测试报告动态分类方法；（3）群智迭代的众包测试报告构建融合方法。本项目结合软件工程、应用数学、机器学习和组织行为学四个方面深入研究协作式众包，对于软件工程领域的共享经济和群体智能应用具有重要的理论意义和实用价值。

作为群体智能软件工程的典型应用，当前众包测试平台不能支撑测试员之间的有效协作。众包测试平台通常采取个体竞争方式完成任务，往往产生大量高度重复和冗余的不完善测试报告，未能充分利用群体智能，浪费了大量测试资源。.针对以上问题，本项目研究了协作式众包测试报告分析与融合相关技术，包括:.(1)运用测试集对程序错误语句定位的算法研究，在我们的工作中提出了被称为基于校正因子的随机TBFL方法，我们提出了3个不同TBFL算法的比较标准，并依据它们在一些具体实例上的表现证实所提算法的有效性;.(2)提出了一种统一测试报告分派框架，可以针对传统测试报告、轻量级移动测试报告和众包测试报告进行统一分派;.(3)我们根据通过融合委托代理模型和信号博弈理论提出了一种新颖的高可信众包群体构建机制。该机制实现了众包工人和发包方的信息交换,并通过随机质量审查来为诚信/失信工人提供动态的经济激励/惩罚。同时，通过大规模的仿真实验来对该机制进行了验证。实验结果表明该机制具有良好的有效性和高效性,能够通过极小的代价让能力强但失信的工人在任务提交前改正行为做出诚信决策；.(4)研究了基于图像理解的移动应用众包测试报告聚类方法，结合和利用了关于计算机图像理解的最新技术；.(5)最后，我们还研究了针对众包测试报告的聚合和摘要方法，提出了一个CTRAS模型。.本项目的研究涉及软件工程、应用数学、机器学习和组织行为学四个方面，对于软件工程领域的共享经济和群体智能应用具有重要的理论意义和实用价值，推动了群体智能在软件工程领域的应用。