Дослідження властивостей генерації тестів методами білої скриньки

UKR: Пояснювальна записка до кваліфікаційної роботи магістра: 117с., 8 рис., 2 табл., 30 джерел, 4 додатки. Об’єкт дослідження – процеси автоматичної генерації тестових сценаріїв за допомогою сучасних методів штучного інтелекту. Предмет дослідження – генеративні нейромережеві моделі та набори даних, що визначають точність і релевантність згенерованих тестів. Мета роботи – дослідити сучасні генеративні підходи до автоматичного створення тестів, оцінити їх ефективність та визначити оптимальні рішення для практичного використання у контролі якості програмного забезпечення. Методи дослідження – експериментальне тестування генеративних моделей на різних наборів даних, порівняльний аналіз якості згенерованих тестів за показниками точності, повноти та релевантності. Отримані результати – розроблено програмний застосунок для навчання та тестування генеративних моделей, що дозволяє оцінювати якість автоматично згенерованих тестових сценаріїв. Проведено експериментальне дослідження та визначено показники ефективності моделей для різних типів завдань контролю якості ПЗ.

ENG: Explanatory note to the master’s qualification work: 117 pages, 8 figures, 2 tables, 30 sources, 4 appendices. Object of research – processes of automatic generation of test scenarios using modern methods of artificial intelligence. Subject of research – generative neural network models and datasets that determine the accuracy and relevance of generated tests. Purpose of the work – to study modern generative approaches to automatic test creation, evaluate their effectiveness, and identify optimal solutions for practical use in software quality assurance. Research methods – experimental testing of generative models on various datasets, comparative analysis of the quality of generated tests based on indicators of accuracy, completeness, and relevance. Results obtained – a software application was developed for training and testing generative models, enabling evaluation of the quality of automatically generated test scenarios. An experimental study was conducted, and efficiency indicators of the models were determined for different types of software quality assurance tasks.