http://sedici.unlp.edu.ar:80/handle/10915/190127 Thu, 12 Nov 2026 01:21:26 GMT 2026-11-12T01:21:26Z http://sedici.unlp.edu.ar:80/handle/10915/190284 Objeto de conferencia Estimación de esfuerzo en entornos ágiles: un enfoque empírico para comprender su aplicación en la industria del software Simposio Argentino de Ingeniería de Software (ASSE 2025) - JAIIO 54 (Universidad de Buenos Aires, 4 al 7 de agosto de 2025) La estimación de esfuerzo continúa siendo un desafío central en el desarrollo ágil de software, donde los equipos deben equilibrar precisión y adaptabilidad en ciclos de entrega cada vez más dinámicos. Aunque existen diversas técnicas propuestas en la literatura, la evidencia empírica sobre su aplicación en entornos reales es limitada. Este estudio presenta una investigación basada en una encuesta diseñada para explorar las prácticas actuales de estimación en contextos ágiles. El instrumento fue desarrollado a partir de los hallazgos de una Revisión Sistemática de la Literatura (RSL), que identificó estrategias, técnicas y brechas en la investigación sobre estimación en agilidad. El estudio de campo se dirigió a profesionales del sector involucrados en planificación y estimación, pertenecientes a equipos de desarrollo ágil en Argentina, con algunas respuestas adicionales de países limítrofes. Se incluyeron perfiles como desarrolladores, product owners y scrum masters, permitiendo un análisis desde múltiples perspectivas y niveles de experiencia. La encuesta abordó el uso de herramientas, técnicas adoptadas y factores que afectan la precisión estimativa. Los resultados revelan una coexistencia de enfoques cualitativos y cuantitativos, así como inconsistencias en la integración de las técnicas dentro de los flujos ágiles. Entre los desafíos identificados se destacan la elección de métricas, la definición incompleta de requerimientos, la variabilidad en la experiencia del equipo y las presiones externas. El estudio concluye que la efectividad de la estimación no depende solo de las herramientas, sino también del esfuerzo dedicado a interpretar y contextualizar los datos en entornos de alta incertidumbre.; Effort estimation remains a central challenge in agile software development, where teams must balance accuracy and adaptability within dynamic delivery cycles. While various estimation techniques are proposed in the literature, there is limited empirical evidence on how these practices are applied in realworld settings. This study presents an empirical investigation based on a survey designed to explore current estimation practices in agile environments. The survey instrument was informed by a prior Systematic Literature Review (SLR), which identified key strategies, techniques, and research gaps in agile effort estimation. The field study targeted professionals actively involved in planning and estimation tasks across agile software teams in Argentina, with additional responses from neighboring countries. Participants included developers, product owners, and scrum masters, allowing for a multi-perspective analysis of how estimation is practiced across different roles and levels of experience. The survey focused on tools used, estimation techniques adopted, and the perceived internal and external factors influencing estimation accuracy. Findings reveal a coexistence of quantitative and qualitative approaches, along with inconsistencies in the integration of estimation techniques into agile workflows. Key challenges identified include selecting appropriate metrics, dealing with incomplete requirements, managing team experience variability, and addressing stakeholder-driven pressures. The study highlights that the effectiveness of estimation practices is not solely dependent on tools, but on the effort invested in interpreting and contextualizing estimation data. This research contributes to the understanding of estimation in agile settings and offers insights for refining estimation strategies in uncertain and evolving development environments. Wed, 01 Jan 2025 00:00:00 GMT http://sedici.unlp.edu.ar:80/handle/10915/190284 2025-01-01T00:00:00Z La estimación de esfuerzo continúa siendo un desafío central en el desarrollo ágil de software, donde los equipos deben equilibrar precisión y adaptabilidad en ciclos de entrega cada vez más dinámicos. Aunque existen diversas técnicas propuestas en la literatura, la evidencia empírica sobre su aplicación en entornos reales es limitada. Este estudio presenta una investigación basada en una encuesta diseñada para explorar las prácticas actuales de estimación en contextos ágiles. El instrumento fue desarrollado a partir de los hallazgos de una Revisión Sistemática de la Literatura (RSL), que identificó estrategias, técnicas y brechas en la investigación sobre estimación en agilidad. El estudio de campo se dirigió a profesionales del sector involucrados en planificación y estimación, pertenecientes a equipos de desarrollo ágil en Argentina, con algunas respuestas adicionales de países limítrofes. Se incluyeron perfiles como desarrolladores, product owners y scrum masters, permitiendo un análisis desde múltiples perspectivas y niveles de experiencia. La encuesta abordó el uso de herramientas, técnicas adoptadas y factores que afectan la precisión estimativa. Los resultados revelan una coexistencia de enfoques cualitativos y cuantitativos, así como inconsistencias en la integración de las técnicas dentro de los flujos ágiles. Entre los desafíos identificados se destacan la elección de métricas, la definición incompleta de requerimientos, la variabilidad en la experiencia del equipo y las presiones externas. El estudio concluye que la efectividad de la estimación no depende solo de las herramientas, sino también del esfuerzo dedicado a interpretar y contextualizar los datos en entornos de alta incertidumbre. Effort estimation remains a central challenge in agile software development, where teams must balance accuracy and adaptability within dynamic delivery cycles. While various estimation techniques are proposed in the literature, there is limited empirical evidence on how these practices are applied in realworld settings. This study presents an empirical investigation based on a survey designed to explore current estimation practices in agile environments. The survey instrument was informed by a prior Systematic Literature Review (SLR), which identified key strategies, techniques, and research gaps in agile effort estimation. The field study targeted professionals actively involved in planning and estimation tasks across agile software teams in Argentina, with additional responses from neighboring countries. Participants included developers, product owners, and scrum masters, allowing for a multi-perspective analysis of how estimation is practiced across different roles and levels of experience. The survey focused on tools used, estimation techniques adopted, and the perceived internal and external factors influencing estimation accuracy. Findings reveal a coexistence of quantitative and qualitative approaches, along with inconsistencies in the integration of estimation techniques into agile workflows. Key challenges identified include selecting appropriate metrics, dealing with incomplete requirements, managing team experience variability, and addressing stakeholder-driven pressures. The study highlights that the effectiveness of estimation practices is not solely dependent on tools, but on the effort invested in interpreting and contextualizing estimation data. This research contributes to the understanding of estimation in agile settings and offers insights for refining estimation strategies in uncertain and evolving development environments. http://sedici.unlp.edu.ar:80/handle/10915/190282 Objeto de conferencia Actualizando una ontología de pruebas de software Simposio Argentino de Ingeniería de Software (ASSE 2025) - JAIIO 54 (Universidad de Buenos Aires, 4 al 7 de agosto de 2025) Este artículo presenta una ontología de pruebas de software llamada TestTDO v2.0, que es una versión actualizada de su predecesora, TestTDO v1.3. Esta nueva versión considera un alcance más amplio y está alineada con los términos, propiedades y relaciones de ProjectCO v2.0, una ontología recientemente desarrollada para la gestión de proyectos. Además, TestTDO v2.0 considera un estudio realizado en glosarios de pruebas reconocidos, que identificó los términos con las frecuencias sintácticas y semánticas más altas. Luego de realizar un análisis comparativo entre los términos de estos glosarios y los de TestTDO v1.3, la mayoría de las definiciones y etiquetas no sufrieron cambios significativos. Finalmente, se analiza el impacto práctico de los conceptos y relaciones de TestTDO v2.0 en las especificaciones de proceso de pruebas de software.; This paper discusses a software testing ontology called TestTDO (software Testing Top-Domain Ontology) v2.0, which is an enhanced version of its predecessor, TestTDO v1.3. This new version considers a broader scope and is aligned with terms, properties, and relationships of ProjectCO (Project management Core Ontology) v2.0, a recently developed ontology for project management. In addition, TestTDO v2.0 considers a study conducted on recognized testing glossaries, which identified terms with the highest syntactic and semantic frequencies. After performing a comparative analysis between these glossaries and the terms in TestTDO v1.3, most of the definitions and labels did not undergo significant changes. Finally, the practical impact of TestTDO v2.0 concepts and relationships on software testing process specifications is analyzed. Wed, 01 Jan 2025 00:00:00 GMT http://sedici.unlp.edu.ar:80/handle/10915/190282 2025-01-01T00:00:00Z Este artículo presenta una ontología de pruebas de software llamada TestTDO v2.0, que es una versión actualizada de su predecesora, TestTDO v1.3. Esta nueva versión considera un alcance más amplio y está alineada con los términos, propiedades y relaciones de ProjectCO v2.0, una ontología recientemente desarrollada para la gestión de proyectos. Además, TestTDO v2.0 considera un estudio realizado en glosarios de pruebas reconocidos, que identificó los términos con las frecuencias sintácticas y semánticas más altas. Luego de realizar un análisis comparativo entre los términos de estos glosarios y los de TestTDO v1.3, la mayoría de las definiciones y etiquetas no sufrieron cambios significativos. Finalmente, se analiza el impacto práctico de los conceptos y relaciones de TestTDO v2.0 en las especificaciones de proceso de pruebas de software. This paper discusses a software testing ontology called TestTDO (software Testing Top-Domain Ontology) v2.0, which is an enhanced version of its predecessor, TestTDO v1.3. This new version considers a broader scope and is aligned with terms, properties, and relationships of ProjectCO (Project management Core Ontology) v2.0, a recently developed ontology for project management. In addition, TestTDO v2.0 considers a study conducted on recognized testing glossaries, which identified terms with the highest syntactic and semantic frequencies. After performing a comparative analysis between these glossaries and the terms in TestTDO v1.3, most of the definitions and labels did not undergo significant changes. Finally, the practical impact of TestTDO v2.0 concepts and relationships on software testing process specifications is analyzed. http://sedici.unlp.edu.ar:80/handle/10915/190281 Objeto de conferencia Un marco conceptual para la generación de requerimientos de software de calidad Simposio Argentino de Ingeniería de Software (ASSE 2025) - JAIIO 54 (Universidad de Buenos Aires, 4 al 7 de agosto de 2025) Los requerimientos expresados en lenguaje natural son un artefacto indispensable en el proceso de desarrollo de software, ya que pueden ser comprendidos por todas las partes interesadas. Sin embargo, su ambigüedad representa un desafío persistente. Para abordar esta problemática, organizaciones como el Institute of Electrical and Electronics Engineers (IEEE) y el International Council on Systems Engineering (INCOSE) publican guías para escribir requerimientos con reglas que aportan a la tarea. Por otro lado, las metodologías ágiles proponen patrones y estructuras para redactar en lenguaje natural las necesidades de las partes interesadas, tratando de evitar la ambigüedad. Sin embargo, la diferencia de conocimiento entre estas partes respecto a los requerimientos y su correcta formulación dificulta la tarea de especificación. Recientemente, los grandes modelos lingüísticos (LLM, por sus siglas en inglés) han emergido para mejorar las tareas de procesamiento de lenguaje natural, estos son arquitecturas basadas en modelos profundos que emulan mecanismos de atención similares a los humanos. Este trabajo tiene como objetivo evaluar el potencial de los LLM en este dominio. El propósito es utilizar estos modelos para mejorar la calidad de los requerimientos de software, ayudando a los analistas en las tareas de análisis y especificación de requerimientos. Se detallan el marco propuesto, la arquitectura, los componentes clave y las interacciones entre ellos. Además, se desarrolla una prueba conceptual de la propuesta para evaluar su utilidad. Por último, se discuten el potencial y las limitaciones del marco de trabajo, así como las direcciones futuras para continuar su validación y refinamiento.; Requirements expressed in natural language are an essential artifact in the software development process, as all stakeholders can understand them. However, their inherent ambiguity remains a persistent challenge. To address this issue, organizations such as the Institute of Electrical and Electronics Engineers (IEEE) and the International Council on Systems Engineering (INCOSE) publish guidelines with rules that support the task of writing clearer requirements. Additionally, agile methodologies propose patterns and structures for formulating stakeholder needs in natural language, aiming to reduce ambiguity. Nevertheless, differences in stakeholders’ understanding of the requirements and how to express them correctly make the specification task even more difficult. Recently, large language models (LLMs) have emerged to enhance natural language processing tasks. These are deep learning architectures that emulate attention mechanisms similar to those used by humans. This work aims to assess the potential of LLMs in this domain. The goal is to use these models to improve the quality of software requirements, assisting analysts in the tasks of analysis and specification. The proposed framework, its architecture, key components, and their interactions are described. A conceptual test is also conducted to evaluate the framework's usefulness. Finally, the paper discusses the framework’s potential and limitations, as well as future directions for its validation and refinement. Wed, 01 Jan 2025 00:00:00 GMT http://sedici.unlp.edu.ar:80/handle/10915/190281 2025-01-01T00:00:00Z Los requerimientos expresados en lenguaje natural son un artefacto indispensable en el proceso de desarrollo de software, ya que pueden ser comprendidos por todas las partes interesadas. Sin embargo, su ambigüedad representa un desafío persistente. Para abordar esta problemática, organizaciones como el Institute of Electrical and Electronics Engineers (IEEE) y el International Council on Systems Engineering (INCOSE) publican guías para escribir requerimientos con reglas que aportan a la tarea. Por otro lado, las metodologías ágiles proponen patrones y estructuras para redactar en lenguaje natural las necesidades de las partes interesadas, tratando de evitar la ambigüedad. Sin embargo, la diferencia de conocimiento entre estas partes respecto a los requerimientos y su correcta formulación dificulta la tarea de especificación. Recientemente, los grandes modelos lingüísticos (LLM, por sus siglas en inglés) han emergido para mejorar las tareas de procesamiento de lenguaje natural, estos son arquitecturas basadas en modelos profundos que emulan mecanismos de atención similares a los humanos. Este trabajo tiene como objetivo evaluar el potencial de los LLM en este dominio. El propósito es utilizar estos modelos para mejorar la calidad de los requerimientos de software, ayudando a los analistas en las tareas de análisis y especificación de requerimientos. Se detallan el marco propuesto, la arquitectura, los componentes clave y las interacciones entre ellos. Además, se desarrolla una prueba conceptual de la propuesta para evaluar su utilidad. Por último, se discuten el potencial y las limitaciones del marco de trabajo, así como las direcciones futuras para continuar su validación y refinamiento. Requirements expressed in natural language are an essential artifact in the software development process, as all stakeholders can understand them. However, their inherent ambiguity remains a persistent challenge. To address this issue, organizations such as the Institute of Electrical and Electronics Engineers (IEEE) and the International Council on Systems Engineering (INCOSE) publish guidelines with rules that support the task of writing clearer requirements. Additionally, agile methodologies propose patterns and structures for formulating stakeholder needs in natural language, aiming to reduce ambiguity. Nevertheless, differences in stakeholders’ understanding of the requirements and how to express them correctly make the specification task even more difficult. Recently, large language models (LLMs) have emerged to enhance natural language processing tasks. These are deep learning architectures that emulate attention mechanisms similar to those used by humans. This work aims to assess the potential of LLMs in this domain. The goal is to use these models to improve the quality of software requirements, assisting analysts in the tasks of analysis and specification. The proposed framework, its architecture, key components, and their interactions are described. A conceptual test is also conducted to evaluate the framework's usefulness. Finally, the paper discusses the framework’s potential and limitations, as well as future directions for its validation and refinement. http://sedici.unlp.edu.ar:80/handle/10915/190279 Objeto de conferencia A Study on the Impact of Mobile UX Smells on Efficiency Simposio Argentino de Ingeniería de Software (ASSE 2025) - JAIIO 54 (Universidad de Buenos Aires, 4 al 7 de agosto de 2025) La experiencia del usuario (UX) se considera un aspecto fundamental de cualquier producto digital. En los últimos años, se ha estudiado el concepto de UX Smells como forma sistemática de detectar problemas predefinidos de interacción con el usuario y solucionarlos con soluciones catalogadas. La mayor parte de la bibliografía existente sobre el tema se centra en las aplicaciones web de escritorio, mientras que sólo hay unos pocos trabajos que aborden la web móvil. Aunque se han propuesto UX Smells específicos para interacciones móviles, no existen evaluaciones objetivas para determinar su impacto en la UX percibida. En este trabajo, evaluamos 6 UX Smells para móviles (3 de la literatura y 3 nuevas propuestas) con respecto a la eficiencia en el uso. Realizamos una evaluación online con 72 participantes en 3 sitios web reales, cada uno con un conjunto de UX Smells móviles específicos. En esta evaluación, comparamos cada sitio web con una versión refactorizada de sí mismo, es decir, con las correcciones propuestas para cada uno de los olores. Para ello, realizamos un experimento entre-sujeto en el que los participantes completaron 10 tareas cotidianas en los sitios web mientras medíamos su eficiencia en términos de tiempo de finalización de la tarea y número de eventos de interacción del usuario. A continuación, comparamos estas métricas en la versión por defecto de los sitios web frente a sus homólogos refactorizados. Los resultados mostraron que, en la mayoría de los casos (15/20), el tiempo necesario para completar la tarea o la cantidad de eventos de interacción eran mayores en presencia de UX smells. Además, en 7 de los casos, las diferencias observadas eran estadísticamente significativas (p<0,05).; User experience (UX) is widely regarded as a fundamental aspect for any digital product. In the recent years, the concept of UX smells has been studied as a systematic way to detect predefined user interaction issues and fix them with cataloged solutions. Most of the existing literature about UX smells focuses on desktop web applications, while there are only a few works addressing the mobile web. Although specific UX smells for mobile interactions have been proposed, there are no objective evaluations to determine their impact on the perceived UX. In this work, we evaluated 6 mobile UX smells (3 from the literature and 3 new proposals) with respect to efficiency in use. We conducted an online evaluation with 72 participants in 3 real websites, each one with a set of specific mobile UX Smells. In this evaluation, we compared each website to a refactored version of itself, i.e. with proposed fixes for each of the smells. To do this, we ran a between-subject experiment in which participants completed 10 everyday tasks on the websites while we measured their efficiency in terms of task completion time and number of user interaction events. We then compared these metrics in the default version of the websites vs. their refactored counterparts. Results showed that in most cases (15/20), either the time to complete the task or the amount of interaction events were higher in the presence of UX smells. Moreover, in 7 of the cases, the observed differences were statistically significant (p<0.05). Wed, 01 Jan 2025 00:00:00 GMT http://sedici.unlp.edu.ar:80/handle/10915/190279 2025-01-01T00:00:00Z La experiencia del usuario (UX) se considera un aspecto fundamental de cualquier producto digital. En los últimos años, se ha estudiado el concepto de UX Smells como forma sistemática de detectar problemas predefinidos de interacción con el usuario y solucionarlos con soluciones catalogadas. La mayor parte de la bibliografía existente sobre el tema se centra en las aplicaciones web de escritorio, mientras que sólo hay unos pocos trabajos que aborden la web móvil. Aunque se han propuesto UX Smells específicos para interacciones móviles, no existen evaluaciones objetivas para determinar su impacto en la UX percibida. En este trabajo, evaluamos 6 UX Smells para móviles (3 de la literatura y 3 nuevas propuestas) con respecto a la eficiencia en el uso. Realizamos una evaluación online con 72 participantes en 3 sitios web reales, cada uno con un conjunto de UX Smells móviles específicos. En esta evaluación, comparamos cada sitio web con una versión refactorizada de sí mismo, es decir, con las correcciones propuestas para cada uno de los olores. Para ello, realizamos un experimento entre-sujeto en el que los participantes completaron 10 tareas cotidianas en los sitios web mientras medíamos su eficiencia en términos de tiempo de finalización de la tarea y número de eventos de interacción del usuario. A continuación, comparamos estas métricas en la versión por defecto de los sitios web frente a sus homólogos refactorizados. Los resultados mostraron que, en la mayoría de los casos (15/20), el tiempo necesario para completar la tarea o la cantidad de eventos de interacción eran mayores en presencia de UX smells. Además, en 7 de los casos, las diferencias observadas eran estadísticamente significativas (p<0,05). User experience (UX) is widely regarded as a fundamental aspect for any digital product. In the recent years, the concept of UX smells has been studied as a systematic way to detect predefined user interaction issues and fix them with cataloged solutions. Most of the existing literature about UX smells focuses on desktop web applications, while there are only a few works addressing the mobile web. Although specific UX smells for mobile interactions have been proposed, there are no objective evaluations to determine their impact on the perceived UX. In this work, we evaluated 6 mobile UX smells (3 from the literature and 3 new proposals) with respect to efficiency in use. We conducted an online evaluation with 72 participants in 3 real websites, each one with a set of specific mobile UX Smells. In this evaluation, we compared each website to a refactored version of itself, i.e. with proposed fixes for each of the smells. To do this, we ran a between-subject experiment in which participants completed 10 everyday tasks on the websites while we measured their efficiency in terms of task completion time and number of user interaction events. We then compared these metrics in the default version of the websites vs. their refactored counterparts. Results showed that in most cases (15/20), either the time to complete the task or the amount of interaction events were higher in the presence of UX smells. Moreover, in 7 of the cases, the observed differences were statistically significant (p<0.05). http://sedici.unlp.edu.ar:80/handle/10915/190275 Objeto de conferencia Assessing the Migration from FaaS to IaaS: Cost, Performance, and Challenges in AWS Simposio Argentino de Ingeniería de Software (ASSE 2025) - JAIIO 54 (Universidad de Buenos Aires, 4 al 7 de agosto de 2025) En entornos cloud-native, la elección del modelo de servicio constituye un factor determinante para la optimización tanto de los resultados operativos como de los costos asociados. El presente estudio examina el proceso de migración desde un modelo serverless basado en Function-as-a-Service (FaaS), concretamente AWS Lambda, hacia una arquitectura monolítica desplegada sobre Infrastructure-as-a-Service (IaaS), concretamente Amazon EC2. A través de una serie de pruebas que contemplan diversos tipos de aplicaciones y patrones de carga, se evalúa el comportamiento de ambas arquitecturas en términos de rendimiento y costos. Los resultados obtenidos muestran que, si bien el modelo FaaS proporciona simplicidad y escalado automático, puede implicar un costo significativamente elevado en escenarios de alta demanda. En contraposición, el modelo IaaS ofrece un mayor grado de control y una mayor capacidad de optimización económica, aunque introduce retos adicionales en cuanto a la gestión y el mantenimiento de la infraestructura. Asimismo, se caracterizan los principales desafíos técnicos y operativos asociados al proceso de migración, identificando patrones comunes y buenas prácticas que pueden orientar futuras transiciones entre modelos de servicio en la nube.; In cloud-native environments, the choice of service model is a critical factor in optimizing both operational outcomes and associated costs. This study examines the migration from a serverless Function-as-a-Service (FaaS) model— specifically AWS Lambda—to a monolithic solution deployed on Infrastructureas-a-Service (IaaS), more specifically Amazon EC2. Through a series of tests covering different types of applications and workload patterns, the performance and operational costs of both architectures are evaluated. The results indicate that while the FaaS model offers simplicity and automatic scaling, it may incur significantly higher costs in high-demand scenarios. In contrast, the IaaS model provides greater control and cost optimization potential, though it introduces additional challenges related to infrastructure management and maintenance. Moreover, the study identifies and characterizes the main technical and operational challenges associated with the migration process, outlining common patterns and best practices to guide future transitions between cloud service models. Wed, 01 Jan 2025 00:00:00 GMT http://sedici.unlp.edu.ar:80/handle/10915/190275 2025-01-01T00:00:00Z En entornos cloud-native, la elección del modelo de servicio constituye un factor determinante para la optimización tanto de los resultados operativos como de los costos asociados. El presente estudio examina el proceso de migración desde un modelo serverless basado en Function-as-a-Service (FaaS), concretamente AWS Lambda, hacia una arquitectura monolítica desplegada sobre Infrastructure-as-a-Service (IaaS), concretamente Amazon EC2. A través de una serie de pruebas que contemplan diversos tipos de aplicaciones y patrones de carga, se evalúa el comportamiento de ambas arquitecturas en términos de rendimiento y costos. Los resultados obtenidos muestran que, si bien el modelo FaaS proporciona simplicidad y escalado automático, puede implicar un costo significativamente elevado en escenarios de alta demanda. En contraposición, el modelo IaaS ofrece un mayor grado de control y una mayor capacidad de optimización económica, aunque introduce retos adicionales en cuanto a la gestión y el mantenimiento de la infraestructura. Asimismo, se caracterizan los principales desafíos técnicos y operativos asociados al proceso de migración, identificando patrones comunes y buenas prácticas que pueden orientar futuras transiciones entre modelos de servicio en la nube. In cloud-native environments, the choice of service model is a critical factor in optimizing both operational outcomes and associated costs. This study examines the migration from a serverless Function-as-a-Service (FaaS) model— specifically AWS Lambda—to a monolithic solution deployed on Infrastructureas-a-Service (IaaS), more specifically Amazon EC2. Through a series of tests covering different types of applications and workload patterns, the performance and operational costs of both architectures are evaluated. The results indicate that while the FaaS model offers simplicity and automatic scaling, it may incur significantly higher costs in high-demand scenarios. In contrast, the IaaS model provides greater control and cost optimization potential, though it introduces additional challenges related to infrastructure management and maintenance. Moreover, the study identifies and characterizes the main technical and operational challenges associated with the migration process, outlining common patterns and best practices to guide future transitions between cloud service models. http://sedici.unlp.edu.ar:80/handle/10915/190274 Objeto de conferencia Transformaciones en las prácticas de elicitación de requerimientos a raíz de la pandemia: un estudio exploratorio de la industria del software Simposio Argentino de Ingeniería de Software (ASSE 2025) - JAIIO 54 (Universidad de Buenos Aires, 4 al 7 de agosto de 2025) La elicitación de requerimientos es una actividad clave dentro del proceso de desarrollo de software. Sin embargo, la pandemia de COVID-19 generó una transición abrupta hacia el trabajo remoto, lo que impactó en la manera en que esta práctica se llevaba a cabo en la industria del software. En este contexto, con el propósito de obtener evidencia sobre la adaptación de las prácticas de elicitación en proyectos distribuidos, y con la intención de contribuir al desarrollo de soluciones que mejoren estas prácticas en entornos remotos, se decidió realizar un estudio exploratorio basado en una encuesta. En la encuesta participaron 80 profesionales que se desempeñan en la industria del software de Argentina. Los resultados reportan que la mayoría de los encuestados debió incorporar tecnologías colaborativas y ajustar las dinámicas de interacción con los clientes para afrontar los nuevos desafíos. También se identificaron dificultades asociadas a la comunicación, la coordinación de equipos distribuidos y la necesidad de implementar nuevas estrategias para mitigar las limitaciones del trabajo remoto.; Requirements elicitation is a key activity within the software development lifecycle. However, the COVID-19 pandemic triggered an abrupt shift to remote work, which significantly impacted how this practice was conducted in the software industry. In this context, aiming to gather evidence on how elicitation practices have adapted in distributed projects, and with the intention of contributing to the development of solutions to enhance these practices in remote environments, an exploratory study based on a survey was conducted. The survey included responses from 80 professionals working in the software industry in Argentina. The findings indicate that most respondents had to adopt collaborative technologies and adjust client interaction dynamics to address the new challenges. Additionally, difficulties related to communication, coordination of distributed teams, and the need to implement new strategies to mitigate the limitations of remote work were identified. Wed, 01 Jan 2025 00:00:00 GMT http://sedici.unlp.edu.ar:80/handle/10915/190274 2025-01-01T00:00:00Z La elicitación de requerimientos es una actividad clave dentro del proceso de desarrollo de software. Sin embargo, la pandemia de COVID-19 generó una transición abrupta hacia el trabajo remoto, lo que impactó en la manera en que esta práctica se llevaba a cabo en la industria del software. En este contexto, con el propósito de obtener evidencia sobre la adaptación de las prácticas de elicitación en proyectos distribuidos, y con la intención de contribuir al desarrollo de soluciones que mejoren estas prácticas en entornos remotos, se decidió realizar un estudio exploratorio basado en una encuesta. En la encuesta participaron 80 profesionales que se desempeñan en la industria del software de Argentina. Los resultados reportan que la mayoría de los encuestados debió incorporar tecnologías colaborativas y ajustar las dinámicas de interacción con los clientes para afrontar los nuevos desafíos. También se identificaron dificultades asociadas a la comunicación, la coordinación de equipos distribuidos y la necesidad de implementar nuevas estrategias para mitigar las limitaciones del trabajo remoto. Requirements elicitation is a key activity within the software development lifecycle. However, the COVID-19 pandemic triggered an abrupt shift to remote work, which significantly impacted how this practice was conducted in the software industry. In this context, aiming to gather evidence on how elicitation practices have adapted in distributed projects, and with the intention of contributing to the development of solutions to enhance these practices in remote environments, an exploratory study based on a survey was conducted. The survey included responses from 80 professionals working in the software industry in Argentina. The findings indicate that most respondents had to adopt collaborative technologies and adjust client interaction dynamics to address the new challenges. Additionally, difficulties related to communication, coordination of distributed teams, and the need to implement new strategies to mitigate the limitations of remote work were identified. http://sedici.unlp.edu.ar:80/handle/10915/190273 Objeto de conferencia Simposio Argentino de Ingeniería de Software (ASSE 2025) - JAIIO 54 (Universidad de Buenos Aires, 4 al 7 de agosto de 2025) This work presents preliminary ideas for the formal analysis of distributed systems, leveraging communication-derived observational data to verify system behavior. Our methodology synthesizes formal specification and runtime verification, with specifications expressed in a domain-specific language rooted in first-order logic and regular programs, akin to what is found in first-order dynamic logic. Building on this formalism, we designed and implemented a prototype tool that employs runtime verification to analyze data logged during the execution of the system, enabling both offline (post-mortem) analysis and run-time behavioral verification. To validate our approach, we conducted an initial experimental evaluation using telemetry data from a satellite CAN bus (developed by INVAP S.E.), a mission-critical aerospace system. Initial results demonstrate the framework’s capability to detect deviations from specified behavior.; Este trabajo presenta ideas preliminares para el análisis formal de sistemas distribuidos, aprovechando datos observacionales derivados de la comunicación para verificar el comportamiento del sistema. Nuestra metodología sintetiza la especificación formal y la verificación en tiempo de ejecución, con especificaciones expresadas en un lenguaje específico de dominio basado en lógica de primer orden y programas regulares, similar a lo que se encuentra en la lógica dinámica de primer orden. Basándonos en este formalismo, diseñamos e implementamos una herramienta prototipo que emplea la verificación en tiempo de ejecución para analizar los datos registrados durante la ejecución del sistema, lo que permite tanto el análisis fuera de línea (post-mortem) como la verificación del comportamiento en tiempo de ejecución. Para validar nuestro enfoque, realizamos una evaluación experimental inicial utilizando datos de telemetría de un bus CAN satelital (desarrollado por INVAP S.E.), un sistema aeroespacial de misión crítica. Los resultados iniciales demuestran la capacidad del marco para detectar desviaciones del comportamiento especificado. Wed, 01 Jan 2025 00:00:00 GMT http://sedici.unlp.edu.ar:80/handle/10915/190273 2025-01-01T00:00:00Z This work presents preliminary ideas for the formal analysis of distributed systems, leveraging communication-derived observational data to verify system behavior. Our methodology synthesizes formal specification and runtime verification, with specifications expressed in a domain-specific language rooted in first-order logic and regular programs, akin to what is found in first-order dynamic logic. Building on this formalism, we designed and implemented a prototype tool that employs runtime verification to analyze data logged during the execution of the system, enabling both offline (post-mortem) analysis and run-time behavioral verification. To validate our approach, we conducted an initial experimental evaluation using telemetry data from a satellite CAN bus (developed by INVAP S.E.), a mission-critical aerospace system. Initial results demonstrate the framework’s capability to detect deviations from specified behavior. Este trabajo presenta ideas preliminares para el análisis formal de sistemas distribuidos, aprovechando datos observacionales derivados de la comunicación para verificar el comportamiento del sistema. Nuestra metodología sintetiza la especificación formal y la verificación en tiempo de ejecución, con especificaciones expresadas en un lenguaje específico de dominio basado en lógica de primer orden y programas regulares, similar a lo que se encuentra en la lógica dinámica de primer orden. Basándonos en este formalismo, diseñamos e implementamos una herramienta prototipo que emplea la verificación en tiempo de ejecución para analizar los datos registrados durante la ejecución del sistema, lo que permite tanto el análisis fuera de línea (post-mortem) como la verificación del comportamiento en tiempo de ejecución. Para validar nuestro enfoque, realizamos una evaluación experimental inicial utilizando datos de telemetría de un bus CAN satelital (desarrollado por INVAP S.E.), un sistema aeroespacial de misión crítica. Los resultados iniciales demuestran la capacidad del marco para detectar desviaciones del comportamiento especificado. http://sedici.unlp.edu.ar:80/handle/10915/190270 Objeto de conferencia Desde los obstáculos hasta las estrategias: integración de la inteligencia artificial en el ciclo de vida del desarrollo del software Simposio Argentino de Ingeniería de Software (ASSE 2025) - JAIIO 54 (Universidad de Buenos Aires, 4 al 7 de agosto de 2025) En el presente estudio se realizó una revisión narrativa sobre la integración de la AI (artificial intelligence) en el SDLC (Software Development Life Cycle), analizando tanto los avances tecnológicos como los obstáculos que impiden su adopción plena. A través de una sistematización de la información extraída de estudios recientes, se identificaron y clasificaron las principales herramientas de AI aplicadas en cada fase del SDLC, así como los desafíos asociados, que se agrupan en dimensiones técnicas, organizacionales y éticas. Los hallazgos revelan que, aunque la aplicación de técnicas como el aprendizaje profundo, el procesamiento de lenguaje natural y los agentes inteligentes ofrecen oportunidades para optimizar procesos clave (como la planificación, el diseño, la generación de código, las pruebas y el mantenimiento), persisten barreras significativas que limitan la efectividad de estas estrategias. Entre los desafíos se destacan la calidad y la estructuración de datos, la compatibilidad con sistemas heredados, la resistencia organizacional y la falta de transparencia en los modelos de AI. En consecuencia, se proponen estrategias integrales que combinan mejoras técnicas, amplios programas de capacitación y marcos éticos robustos para favorecer una integración más sostenible y eficiente de la AI.; In this study, a narrative review was conducted on the integration of AI (artificial intelligence) in the SDLC (Software Development Life Cycle), analyzing both technological advancements and the obstacles preventing full adoption. Through a systematization of information extracted from recent studies, the main AI tools applied in each phase of the SDLC were identified and classified, along with the associated challenges, which are grouped into technical, organizational, and ethical dimensions. The findings reveal that, although the application of techniques such as deep learning, natural language processing, and intelligent agents offers opportunities to optimize key processes (such as planning, design, code generation, testing, and maintenance), significant barriers persist that limit the effectiveness of these strategies. Among the challenges highlighted are data quality and structuring, compatibility with legacy systems, organizational resistance, and the lack of transparency in AI models. Consequently, comprehensive strategies are proposed that combine technical improvements, extensive training programs, and robust ethical frameworks to promote a more sustainable and efficient integration of AI. Wed, 01 Jan 2025 00:00:00 GMT http://sedici.unlp.edu.ar:80/handle/10915/190270 2025-01-01T00:00:00Z En el presente estudio se realizó una revisión narrativa sobre la integración de la AI (artificial intelligence) en el SDLC (Software Development Life Cycle), analizando tanto los avances tecnológicos como los obstáculos que impiden su adopción plena. A través de una sistematización de la información extraída de estudios recientes, se identificaron y clasificaron las principales herramientas de AI aplicadas en cada fase del SDLC, así como los desafíos asociados, que se agrupan en dimensiones técnicas, organizacionales y éticas. Los hallazgos revelan que, aunque la aplicación de técnicas como el aprendizaje profundo, el procesamiento de lenguaje natural y los agentes inteligentes ofrecen oportunidades para optimizar procesos clave (como la planificación, el diseño, la generación de código, las pruebas y el mantenimiento), persisten barreras significativas que limitan la efectividad de estas estrategias. Entre los desafíos se destacan la calidad y la estructuración de datos, la compatibilidad con sistemas heredados, la resistencia organizacional y la falta de transparencia en los modelos de AI. En consecuencia, se proponen estrategias integrales que combinan mejoras técnicas, amplios programas de capacitación y marcos éticos robustos para favorecer una integración más sostenible y eficiente de la AI. In this study, a narrative review was conducted on the integration of AI (artificial intelligence) in the SDLC (Software Development Life Cycle), analyzing both technological advancements and the obstacles preventing full adoption. Through a systematization of information extracted from recent studies, the main AI tools applied in each phase of the SDLC were identified and classified, along with the associated challenges, which are grouped into technical, organizational, and ethical dimensions. The findings reveal that, although the application of techniques such as deep learning, natural language processing, and intelligent agents offers opportunities to optimize key processes (such as planning, design, code generation, testing, and maintenance), significant barriers persist that limit the effectiveness of these strategies. Among the challenges highlighted are data quality and structuring, compatibility with legacy systems, organizational resistance, and the lack of transparency in AI models. Consequently, comprehensive strategies are proposed that combine technical improvements, extensive training programs, and robust ethical frameworks to promote a more sustainable and efficient integration of AI. http://sedici.unlp.edu.ar:80/handle/10915/190269 Objeto de conferencia Feature Model Inspection: Leveraging Defect Patterns and AI Assistance Simposio Argentino de Ingeniería de Software (ASSE 2025) - JAIIO 54 (Universidad de Buenos Aires, 4 al 7 de agosto de 2025) Los modelos de características (MC) son esenciales para la variabilidad en líneas de productos de software (LPS), haciendo crucial el análisis de defectos. Las inspecciones manuales son clave para problemas de dominio, requisitos y defectos no sintácticos. Las listas de verificación ofrecen inspecciones sistemáticas, reproducibles, y menos dependientes de la experiencia del inspector. Los métodos existentes para MC se basan en clasificaciones de defectos de requisitos o tipos de defectos fáciles de recordar, referenciando modelos o documentos externos. Ellos omiten patrones de defectos no obvios o fáciles de olvidar y son inaccesibles en entornos con recursos limitados. Este estudio propone una inspección de MC independiente de modelos externos, integrando clasificaciones de la literatura con patrones de defectos, centrándose en características de comportamiento. Empleamos modelos de lenguaje grandes (MLG) para mejorar la eficiencia y precisión de la inspección. Presentamos un árbol de clasificación de defectos derivado empíricamente. Los resultados empíricos de nuestro enfoque indican para los patrones de defectos que el 23% fueron no obvios y el 23% fáciles de olvidar. Los patrones no-obvios ayudaron a detectar el 60% de los defectos de ambigüedad, el 14.5% de defectos relacionados con reglas de negocio y el 11.7% de defectos de incompletitud. Los MLG contribuyeron a identificar entre el 15.5% y el 59.4% del total de los defectos. Nuestro enfoque es accesible para equipos con recursos limitados y adecuado para entornos ágiles, diseño temprano, educación e industrias complejas, uniendo teoría y práctica y estableciendo la inspección asistida por IA como una herramienta valiosa.; Feature models (FM) are vital for representing variability in software product lines (PL), making defect analysis critical. Manual inspections are essential for finding issues tied to domain understanding, requirements organization, and defects beyond syntactic checks. Checklist-based inspections are systematic, reproducible, and less reliant on inspector expertise. Existing methods for FM inspections typically rely on requirements-based defect classifications or easily recalled defect types, often referencing supplementary models or documents. These methods overlook non-obvious or easily forgotten defect patterns. Additionally, they lack accessibility in resource-constrained settings, with dependence on external artifacts further complicating inspections. This study proposes an inspection approach independent of external models, integrating defect classifications from literature with defect patterns. The method focuses on behavioral features and employs large language models (LLMs) to enhance inspection efficiency and accuracy. Central to this approach is a hierarchical defect classification tree, empirically derived. Empirical results for our approach indicate that 23% of defect patterns were non-obvious, while 23% were easy to forget. Nonobvious patterns helped detect 60% of ambiguity defects, 14.5% of business rulerelated defects, and 11.7% of incompleteness defects. LLMs contributed to 15.5%–59.4% of total defects identified. Our approach is accessible to resourcelimited teams. Our approach is suited for agile environments, early design stages, education, and complex industries, bridging theory and practice while establishing AI-assisted inspection as a valuable tool. Wed, 01 Jan 2025 00:00:00 GMT http://sedici.unlp.edu.ar:80/handle/10915/190269 2025-01-01T00:00:00Z Los modelos de características (MC) son esenciales para la variabilidad en líneas de productos de software (LPS), haciendo crucial el análisis de defectos. Las inspecciones manuales son clave para problemas de dominio, requisitos y defectos no sintácticos. Las listas de verificación ofrecen inspecciones sistemáticas, reproducibles, y menos dependientes de la experiencia del inspector. Los métodos existentes para MC se basan en clasificaciones de defectos de requisitos o tipos de defectos fáciles de recordar, referenciando modelos o documentos externos. Ellos omiten patrones de defectos no obvios o fáciles de olvidar y son inaccesibles en entornos con recursos limitados. Este estudio propone una inspección de MC independiente de modelos externos, integrando clasificaciones de la literatura con patrones de defectos, centrándose en características de comportamiento. Empleamos modelos de lenguaje grandes (MLG) para mejorar la eficiencia y precisión de la inspección. Presentamos un árbol de clasificación de defectos derivado empíricamente. Los resultados empíricos de nuestro enfoque indican para los patrones de defectos que el 23% fueron no obvios y el 23% fáciles de olvidar. Los patrones no-obvios ayudaron a detectar el 60% de los defectos de ambigüedad, el 14.5% de defectos relacionados con reglas de negocio y el 11.7% de defectos de incompletitud. Los MLG contribuyeron a identificar entre el 15.5% y el 59.4% del total de los defectos. Nuestro enfoque es accesible para equipos con recursos limitados y adecuado para entornos ágiles, diseño temprano, educación e industrias complejas, uniendo teoría y práctica y estableciendo la inspección asistida por IA como una herramienta valiosa. Feature models (FM) are vital for representing variability in software product lines (PL), making defect analysis critical. Manual inspections are essential for finding issues tied to domain understanding, requirements organization, and defects beyond syntactic checks. Checklist-based inspections are systematic, reproducible, and less reliant on inspector expertise. Existing methods for FM inspections typically rely on requirements-based defect classifications or easily recalled defect types, often referencing supplementary models or documents. These methods overlook non-obvious or easily forgotten defect patterns. Additionally, they lack accessibility in resource-constrained settings, with dependence on external artifacts further complicating inspections. This study proposes an inspection approach independent of external models, integrating defect classifications from literature with defect patterns. The method focuses on behavioral features and employs large language models (LLMs) to enhance inspection efficiency and accuracy. Central to this approach is a hierarchical defect classification tree, empirically derived. Empirical results for our approach indicate that 23% of defect patterns were non-obvious, while 23% were easy to forget. Nonobvious patterns helped detect 60% of ambiguity defects, 14.5% of business rulerelated defects, and 11.7% of incompleteness defects. LLMs contributed to 15.5%–59.4% of total defects identified. Our approach is accessible to resourcelimited teams. Our approach is suited for agile environments, early design stages, education, and complex industries, bridging theory and practice while establishing AI-assisted inspection as a valuable tool.