6.3 ResultsThe rankings obtained at

6.3 Results
The rankings obtained at the end of the prioritization processes were divided into three categories, each composed of about 15 requirements. The first category includes the 15 higher rank requirements in the output, the second category the requirements ranked from the 16th position to the 30th position, and so on. The average disagreement measures are the average of the partition disagreement NDP, computed with the formula in (9), and reported as percentage with respect to the number of possible pairs in the partition.
Table 5 shows the results related to the use of the ranking attributes in the process. In column “Ranking Attributes” we report the name of the ranking attribute that produces the closest ranking (lowest disagreement) with respect to the target ranking relative to the “secure” criterion ( first row) and to the “bug” criterion (second row), respectively. The percentage in this second column represents the disagreement between the requirements ordered according to this ranking attribute and the target ranking.
The third column, “Estimated,” reports the disagreement between the ranking resulting from the online process (running with the ranking attribute reported at the left) and the target ranking (“secure,” first row, “bug,” second row). The results show that the closer the ranking attribute is to the target, the lower the disagreement between the estimated and the target rankings is. In fact, for the prioritization along the “secure” criterion, CBRank obtained only a 12 percent disagreement, exploiting knowledge on the weights of requirements belonging to the Voting operations—management functional area. The disagreement of the requirements along this ranking attribute with respect to the target ranking amounts to 16 percent. On the contrary, the best ranking attribute with respect to the “bug” criterion (the one related to the Use-cases) had a disagreement of 24 percent with respect to the target ranking, causing a worse performance of the prioritization method.
6.4 Discussion
The possibility of easily encoding available domain knowledge does not necessarily improve the performance of the prioritization process.
The improvement (i.e., lowering the disagreement with respect to the target ranking) depends on how informative the knowledge encoded as ranking attributes is with respect to the target ranking. Table 3 suggests that when the percentage disagreement between an attribute-based ranking and the target ranking is greater than 20 percent, the domain knowledge encoded in that attribute is no more effective toward increasing the accuracy of the computed ranking for a given effort (i.e., it falls in the nonprojective category). Results from the case study show that the attribute VO area is informative within a certain degree with respect to the secure criterion (in fact, the disagreement between the attribute and the target ranking amount to 16 percent, measured as NDP percent). And in

Kết quả (Việt) 1:

6.3 kết quảCác bảng xếp hạng thu được ở phần cuối của quá trình ưu tiên được chia thành ba loại, mỗi bao gồm khoảng 15 yêu cầu. Các loại đầu tiên bao gồm các yêu cầu cao hơn xếp hạng 15 trong đầu ra, thể loại thứ hai các yêu cầu được xếp hạng từ vị trí 16 đến 30 vị trí, và như vậy. Các biện pháp trung bình bất đồng là trung bình của bất đồng phân vùng sach, tính toán với công thức (9), và báo cáo là tỷ lệ phần trăm đối với số lượng các cặp có thể nằm trên phân vùng.Bảng 5 cho thấy các kết quả liên quan đến việc sử dụng các thuộc tính bảng xếp hạng trong quá trình. Trong cột "Xếp hạng thuộc tính" chúng tôi báo cáo tên của các thuộc tính xếp hạng sản xuất bảng xếp hạng gần nhất (thấp nhất bất đồng) đối với việc xếp hạng mục tiêu liên quan đến các tiêu chí "an toàn" (hàng đầu tiên) và các tiêu chí "lỗi" (thứ hai liên tiếp), tương ứng. Tỷ lệ phần trăm trong cột thứ hai này đại diện cho sự bất đồng giữa các yêu cầu đặt hàng theo thuộc tính bảng xếp hạng này và xếp hạng mục tiêu.Cột thứ ba, "Ước tính," báo cáo sự bất đồng giữa bảng xếp hạng do quá trình trực tuyến (chạy với các thuộc tính bảng xếp hạng báo cáo ở phía bên trái) và xếp hạng mục tiêu ("an toàn" lần đầu tiên hàng, "lỗi," thứ hai liên tiếp). Kết quả cho thấy rằng gần hơn thuộc tính bảng xếp hạng là đến mục tiêu, càng thấp sự bất đồng giữa các ước tính và các bảng xếp hạng mục tiêu. Trong thực tế, cho ưu tiên dọc theo các tiêu chí "an toàn", CBRank thu được chỉ là một bất đồng 12 phần trăm, khai thác kiến thức về trọng lượng của yêu cầu thuộc hoạt động bỏ phiếu — khu vực chức năng quản lý. Sự bất đồng của các yêu cầu dọc theo thuộc tính bảng xếp hạng này đối với xếp hạng mục tiêu số tiền đến 16 phần trăm. Ngược lại, tốt nhất, xếp hạng các thuộc tính đối với các tiêu chí "lỗi" (một liên quan đến các trường hợp sử dụng) có sự bất đồng của 24 phần trăm đối với xếp hạng mục tiêu, gây ra một hiệu suất tồi tệ hơn của phương pháp ưu tiên.6.4 thảo luậnKhả năng dễ dàng mã hóa kiến thức miền có sẵn không nhất thiết phải cải thiện hiệu suất của trình ưu tiên.Cải thiện (tức là, giảm sự bất đồng đối với xếp hạng mục tiêu) phụ thuộc vào làm thế nào thông tin kiến thức mã hóa như xếp hạng thuộc tính là đối với việc xếp hạng mục tiêu. Bảng 3 cho thấy rằng khi sự bất đồng tỷ lệ phần trăm giữa một thứ hạng dựa trên thuộc tính và xếp hạng mục tiêu lớn hơn 20 phần trăm, những kiến thức miền mã hóa trong đó thuộc tính là không hiệu quả về hướng tăng độ chính xác của việc xếp hạng tính cho một nỗ lực nhất định (tức là, nó rơi vào các thể loại nonprojective). Các kết quả từ nghiên cứu trường hợp Hiển thị các thuộc tính khu vực võ là thông tin trong một mức độ nhất định đối với các tiêu chí an toàn (trong thực tế, sự bất đồng giữa các thuộc tính và số tiền xếp hạng mục tiêu 16 phần trăm, đo bằng gia phần trăm). Và tại

Kết quả (Việt) 2:

6.3 Kết quả
Bảng xếp hạng thu được ở phần cuối của các quá trình ưu tiên được chia thành ba loại, mỗi bộ gồm khoảng 15 yêu cầu. Loại đầu tiên bao gồm 15 yêu cầu cấp bậc cao hơn trong sản lượng, thể loại thứ hai yêu cầu xếp hạng từ vị trí thứ 16 đến các vị trí thứ 30, và như vậy. Các biện pháp bất đồng trung bình là mức trung bình của NDP phân vùng bất đồng, tính toán với công thức trong (9), và báo cáo là tỷ lệ phần trăm đối với số lượng các cặp có thể có trong phân vùng bị.
Bảng 5 cho thấy các kết quả liên quan đến việc sử dụng các bảng xếp hạng thuộc tính trong quá trình này. Trong cột "Ranking Attributes" chúng tôi báo cáo tên của thuộc tính xếp hạng mà sản xuất gần nhất xếp hạng (bất đồng thấp nhất) đối với các mục tiêu xếp hạng tương đối so với tiêu chuẩn (hàng đầu tiên) "an toàn" và đến "lỗi" tiêu chuẩn (hàng thứ hai ), tương ứng. Tỷ lệ phần trăm trong cột thứ hai này đại diện cho sự bất đồng giữa các yêu cầu đặt hàng theo thuộc tính xếp hạng này và các mục tiêu xếp hạng.
Cột thứ ba, "Ước tính," báo cáo sự bất đồng giữa các bảng xếp hạng kết quả từ quá trình trực tuyến (chạy với thuộc tính thứ hạng báo cáo tại bên trái) và các mục tiêu xếp hạng ("an toàn", hàng đầu tiên, "lỗi", hàng thứ hai). Kết quả cho thấy gần gũi hơn với các thuộc tính xếp hạng là mục tiêu, thấp hơn sự bất đồng giữa các bảng xếp hạng và mục tiêu dự kiến. Trong thực tế, cho các ưu tiên theo tiêu chí "an toàn", CBRank thu được chỉ là một bất đồng 12 phần trăm, khai thác kiến thức về trọng lượng của các yêu cầu thuộc các khu vực chức năng Voting hoạt động quản lý. Sự bất đồng về các yêu cầu cùng thuộc tính xếp hạng này đối với việc xếp hạng mục tiêu với số tiền đến 16 phần trăm. Ngược lại, là tốt nhất bảng xếp hạng thuộc tính đối với các "lỗi" tiêu chuẩn (một trong những liên quan đến việc sử dụng-trường hợp) có một bất đồng của 24 phần trăm đối với việc xếp hạng mục tiêu với, gây ra một hiệu suất tồi tệ hơn của phương pháp ưu tiên.
6.4 Thảo luận
Khả năng dễ dàng mã hóa kiến thức miền có sẵn không nhất thiết phải cải thiện hiệu suất của quá trình ưu tiên.
Những cải tiến (tức là, hạ thấp các bất đồng liên quan đến việc xếp hạng mục tiêu với) phụ thuộc vào cách thông tin kiến thức mã hóa như các thuộc tính xếp hạng là đối với các mục tiêu với xếp hạng. Bảng 3 cho thấy rằng khi sự bất đồng tỷ lệ phần trăm giữa bảng xếp hạng thuộc tính và dựa trên các bảng xếp hạng tiêu lớn hơn 20 phần trăm, các kiến thức miền mã hóa trong thuộc tính đó là không có hiệu quả hơn theo hướng gia tăng độ chính xác của bảng xếp hạng tính toán cho một nỗ lực nhất định (ví dụ, nó rơi vào các thể loại nonprojective). Kết quả từ cuộc nghiên cứu cho thấy trường hợp đó các thuộc tính khu vực VO là thông tin trong một mức độ nhất định đối với các tiêu chuẩn an toàn với (trong thực tế, sự bất đồng giữa các thuộc tính và các mục tiêu xếp hạng số lượng đến 16 phần trăm, được đo NDP phần trăm). Và trong