Comprendre la modélisation des lignes de produits logiciels
Achetée sur Gettyimages. Droits d’auteur.
Les lignes de produits logiciels (Software Product Lines, SPL) visent à répondre aux besoins des marchés en forte croissance en créant des systèmes logiciels à partir de ressources réutilisables au lieu de partir de zéro. Les SPL sont bien établies dans de grandes entreprises comme General Motors, Toshiba, BMW et Nokia, qui cherchent à améliorer leurs services par cette approche. Une SPL est une famille de logiciels connexes où chaque système se différencie par des caractéristiques spécifiques. Au stade initial du développement d’une SPL, les concepteurs ont recours à la modélisation des caractéristiques (voir figure 1) dotée de structures arborescentes permettant d’exprimer les différences et les similitudes entre les logiciels. Cette modélisation est essentielle pour créer des produits logiciels pertinents dans le cycle de vie des SPL. Nous avons étudié la compréhension de la modélisation de caractéristiques par le biais de l’oculométrie, une technologie qui permet de suivre le regard des développeurs.
Figure 1 : Exemple de modélisation de caractéristiques pour ordinateurs portables
Évaluer l’effort cognitif des développeurs
L’objectif de notre étude exploratoire était d’observer les défis des développeurs de logiciels quant à la compréhension des tâches liées à la modélisation de caractéristiques. Les objets modélisés différaient en fonction du nombre de caractéristiques et de contraintes d’arborescence croisée (nos 4 et 3 de la figure 2). Selon nos hypothèses, les développeurs devaient maîtriser le modèle, les contraintes d’arborescence croisée et les questions (nos 4, 3 et 6 de la figure 2) afin de réaliser les tâches demandées. Pendant qu’ils effectuaient ces tâches, nous avons suivi et collecté des données comme la direction du regard (avec logiciel de suivi oculaire), le temps écoulé et l’exactitude des réponses.
Grâce à cette étude, nous comptons obtenir trois modèles mentaux distincts associés à ces zones, ce qui confirmera également nos hypothèses. En augmentant la taille du modèle objet et les contraintes d’arborescence croisée, nous supposons que les participants devront faire plus d’efforts cognitifs et auront plus de difficultés à accomplir les tâches. Des analyses statistiques sur les données collectées nous ont permis de légitimer les hypothèses de l’étude et d’observer la façon dont les participants construisent des modèles mentaux. Pour collecter des données oculaires, nous avons d’abord défini les zones des tâches que nous voulions étudier en priorité. Pour ce faire, nous avons utilisé une carte thermique (Heat Map), une technique de visualisation fournie avec les logiciels de suivi oculaire (voir figure 3).
Les chercheurs ont étudié en profondeur les programmes (code source) pour comprendre la façon dont les développeurs de logiciels lisent et déboguent un code. Ils ont utilisé différentes technologies pour étudier le cerveau humain, comme l’oculométrie, l’EEG et l’IRMF. Ces technologies leur ont permis de visualiser le schéma que suivent les développeurs de logiciels pour comprendre et utiliser les codes et améliorer les approches et outils de programmation. L’étude du cerveau humain sert aussi à d’autres disciplines comme la psychologie et l’interaction humain-machine, disciplines qui tentent de trouver des solutions à des problèmes complexes par l’étude du cerveau. Grâce aux modèles mentaux, nous comprenons mieux le fonctionnement du cerveau humain dans la résolution de nouveaux défis. Les modèles mentaux représentent la manière dont on perçoit quelque chose ou le fonctionnement de quelque chose. Par la même approche, nous avons également cherché à savoir comment les modèles mentaux servant à la compréhension des modèles de caractéristiques se développent dans le cerveau des participants lorsqu’ils accomplissent des tâches précises. Nous démontrons que l’étude sur la compréhension de la modélisation objet peut aider à concevoir des langages et des outils et fournir des structures de langage, des interfaces utilisateur et un soutien plus adaptés à ces types de modèles.
Figure 2 : 1. Bouton, 2. Réponse, 3. Contraintes d’arborescence croisée, 4. Modélisation objet, 5. Légende, 6. Question, 7. Fenêtre : Elmira et al. (2022)
Technologie du suivi oculaire
Pour la première fois dans cette étude, nous avons appliqué la technologie de l’oculométrie à une analyse du comportement humain et pour mieux comprendre la modélisation de caractéristiques. Un oculomètre est un capteur qui mesure le mouvement et la position des yeux, ainsi que la dilatation des pupilles, afin d’enregistrer les données obtenues lorsque les participants regardent un objet à l’étude, qu’il soit physique (portables) ou numérique (pages web). Les participants à cette étude devaient répondre à 24 tâches portant sur la compréhension des modèles de caractéristiques. Pour trouver une réponse, il fallait tout d’abord comprendre les exigences de chaque question, et ensuite le modèle de caractéristiques.
Figure 3 : Schéma du regard des participants à l’aide d’une technique de visualisation (carte thermique)
Facteurs augmentant l’effort cognitif
Pour expliquer la charge, le procédé et l’effort cognitifs associés aux tâches des modélisations de caractéristiques, nous avons obtenu les modèles mentaux formés dans le cerveau des participants en analysant leur regard et les données relatives au temps écoulé et à l’exactitude des réponses pour chaque tâche. D’un point de vue cognitif, nos tâches étaient de construire, manipuler et comparer les modèles mentaux relatifs aux différentes parties de tâches menant à leur résolution. Notre étude démontre tout d’abord que les tâches où augmentent la taille des modèles de caractéristiques et les contraintes d’arborescence croisée nécessitent plus d’opérations cognitives pour répondre correctement aux questions et que le temps de réponse augmente. Deuxièmement, plus le temps et l’attention accordés à une zone du modèle de caractéristiques sont importants, plus la probabilité de fournir une réponse erronée augmente. Enfin, les résultats démontrent que les participants ont consacré la majeure partie de leur temps et de leur attention à comprendre le modèle de caractéristiques, les contraintes d’arborescence croisée et les questions. Ces résultats appuient et confirment nos hypothèses.
Contribution
Pour la première fois, nous avons entrepris une étude empirique sur la compréhension d’un modèle de caractéristiques en nous basant sur l’exécution de tâches simples par le biais de l’oculométrie. Nous avons proposé les fondements d’un modèle cognitif de compréhension de modèles objets composé de trois modèles mentaux distincts. Leur pertinence a été validée par les données sur le regard recueillies dans les zones correspondantes les plus visitées par les participants (modèle objet, contraintes d’arborescence croisée et question).
Complément d’information
Pour plus d’informations sur cette recherche, veuillez consulter les articles suivants : Rezaei Sepasi, E; Nezami Balouchi, K.; Mercier, J.; Lopez-Herrejon. R. E. 2022. Towards a Cognitive Model of Feature Model Comprehension: An Exploratory Study using Eye-Tracking, SPLC ’22: Proceedings of the 26th ACM International Systems and Software Product Line Conference – Volume A September 2022. Pages 21–31. https://doi.org/10.1145/3546932.3546995
