Ingeniera del Software: Ciencia o Arte

Cortis Cooke Oregon State University cooke@eecs.orst.edu Alumno: Docente: Gorqui Ramiro Chvez Or Ing. Jorge Alay Bellido Greggie Rothermeli Oregon State University grotheri@eecs.orst.edu Cdigo: Ao: 08-32469 4to

CONCLUSIONES
El presente artculo nos da a conocer las diferencias entre Arte y Ciencia basados en el estudio y desarrollo de la ingeniera de software, en primer lugar, nos da e entender el punto de toma de decisiones: mediante la formulacin de argumentos racionales a partir de las evidencias que tenemos evidencias que provienen tanto de nuestra experiencia como de la investigacin relacionada. Es decir, pasamos de una parte a un todo examinando, para determinar lo que sabemos acerca de la mejor forma de desarrollar un buen producto software. En segundo lugar, nos sugiere incluir incertidumbre en el proceso de toma de decisiones que nos ayuda a evaluar los riesgos, ya que parte del conocimiento adquirido en previas evaluaciones y diagnsticos a los requerimientos, amplia mejor el panorama lo que queremos obtener al finalizar el proyecto, utilizando la tcnica adecuada para un proyecto especfico. Concluimos que la investigacin emprica es un proceso, no un fin en s mismo. A medida que se realicen ms estudios, hay que revisar el cuerpo de evidencias para ver si nuestras conclusiones se mantienen todava, quiere decir que al pasar el tiempo el panorama puede cambiar y/o presentar cambios en su sistema cuales alteraran nuestras conclusiones y objetivos para el fin del proyecto Teniendo conocimiento de tcnicas adecuadas y especficas para el proyecto, podemos utilizar herramientas para diseos ms profesionales mediante el uso de los enfoques antes mencionados que podemos llegar a ser ms sofisticados y conocedores en ingeniera del software. Se puede buscar y participar en familias de estudios en lugar de depender slo de un estudio las familias pueden abordar colectivamente lo que los estudios solos no pueden, para cada familia de estudios, hay que establecer criterios para la confianza en la evidencia, clasificar tratamientos, y establecer medidas de resultado. Podemos tener un plan de imperfecciones en lugar de esperar a ver lo que va mal con un estudio en particular, frecuentemente leemos, acerca de un estudio, que se quejan de sus limitaciones y lo desestiman, podemos utilizar las limitaciones para ayudarnos a buscar otros estudios que, de acuerdo con los estudios existentes, lleve a conclusiones ms firmes. Es decir, cada pieza de evidencia podra tener fuerza evidencial pequea, pero colectivamente pueden demostrar un punto fuerte. Debemos tratar adecuadamente con la incertidumbre. Podemos aplicar tcnicas como el anlisis Bayesiano y el razonamiento causal a argumentos evidnciales, para poder evaluar la probabilidad de que las evidencias justifican nuestra conclusin. De la misma manera, podemos incorporar la incertidumbre en nuestro anlisis de riesgo; reduciendo la incertidumbre incluso si no podemos eliminarla reduciremos nuestro riesgo. Podemos revisar la credibilidad de cada pieza de evidencia, teniendo en cuenta no slo cundo fue publicada o presentada, sino si los investigadores, profesionales, o los vendedores tienen intereses creados en un resultado positivo. Podemos inspeccionar evidencias existentes para ver qu cuerpos de evidencia necesitan reforzarse con estudios complementarios. Como profesionales, podemos ser voluntarios para participar en estos importantes estudios.

Antes de leer o participar en un estudio, se debe determinar si el estudio involucra generar o probar una hiptesis. Entonces podremos evaluar si las evidencias que vamos a ofrecer nos dan confianza en la hiptesis. Aunque la ingeniera de software es ms sofisticada ahora que cuando comenz la medicin del software, an enfrentamos obstculos para encontrar un buen equilibrio entre "ciencia" y "arte". En particular, tendemos a centrarnos tanto en la lectura como en la prctica en estudios individuales o pequeos aspectos de la tecnologa, en lugar de familias de estudios y prcticas importantes. Nos hemos concentrado en las ciencias duras y en el diseo experimental basado en estadstica para nuestros modelos, y hemos descuidado las reas de las ciencias sociales y los meta anlisis que pueden ayudarnos a incrementar la confianza en la fuerza de nuestras evidencias. Teniendo ambos conceptos, esperando a que la evidencia no est en conflicto, en lugar de hacer planes para cuando est. Teniendo una visin ms amplia, leyendo mucho, y usando los resultados y los mtodos que han tenido xito en otras disciplinas, podremos alejar al desarrollo de software de su posicin inestable sobre una coleccin dispar de resultados interesantes y colocarlo sobre una base ms slida: una frtil disciplina con resultados entretejidos y sinrgicos.