Otimização da Geração de Casos de Teste em Aplicativos Móveis via Aprendizado por Reforço e Agentes de IA

• Mailton Viana Farias UFAM / INdT
• Mateus Luiz de Oliveira Souza UFAM / INdT
• Letícia Gabrielly B. dos Santos UFAM
• Ana Caroline N. Gomes UFAM
• Suelen da Silva Pereira UFAM
• Eliane Collins INdT

DOI: https://doi.org/10.5753/sast.2026.31083

Resumo

A necessidade de acelerar a entrega de software tem ampliado a busca por automação para aumentar a produtividade em garantia da qualidade. Nesse contexto, técnicas de Inteligência Artificial (IA), incluindo Modelos de Linguagem de Larga Escala (LLMs), oferecem novas possibilidades para a geração e o processamento de artefatos de teste. Entretanto, os logs brutos produzidos pela exploração baseada em DRL apresentam baixa estrutura semântica, dificultando sua interpretação e utilização em atividades de teste. Este trabalho apresenta uma extensão da DRL-MOBTEST que integra um LLM executado localmente para transformar logs de exploração em casos de teste estruturados conforme a ISO/IEC/IEEE 29119-3. A solução incorpora geração automática de requisitos, execução em duas fases, cobertura com JaCoCo, mecanismo Anti-Stuck e orquestração por interface de linha de comando, reduzindo intervenções manuais e a dependência de serviços de IA em nuvem. A abordagem foi avaliada em 15 aplicações Android de código aberto, com quatro rodadas de teste independentes por aplicação. Os resultados alcançaram 73,02% de cobertura média de requisitos, 41,90% de linhas, 47,52% de métodos e 26,30% de branches, além de taxa de sucesso da transcrição superior a 99%. A solução pode apoiar profissionais e pesquisadores na criação, execução e análise de testes de software, mantendo o processamento semântico em ambiente local.

Palavras-chave: Geração Automática de Casos de Teste, Aprendizado por Reforço Profundo, Testes em Aplicativos Móveis, Análise de Cobertura, Agentes Autônomos

Referências

Ana Paula Cardoso, Cleicy Priscilla Santos, Eliane Collins, Kelen Lima, Pablo Quiroga, and Marlon Griego. 2023. Evaluation of Automatic Test Case Generation for the Android Operating System using Deep Reinforcement Learning. In Proceedings of the XXII Brazilian Symposium on Software Quality (Brasília, Brazil) (SBQS ’23). Association for Computing Machinery, New York, NY, USA, 228–235. DOI: 10.1145/3629479.3629503

Eliane Collins, Arilo Neto, Auri Vincenzi, and José Maldonado. 2021. Deep Reinforcement Learning based Android Application GUI Testing. In Proceedings of the XXXV Brazilian Symposium on Software Engineering (Joinville, Brazil) (SBES ’21). Association for Computing Machinery, New York, NY, USA, 186–194. DOI: 10.1145/3474624.3474634

João Paulo Marques, Mônica Lima, Bruno Souza, Eloise Miranda, André Santos, and Eliane Collins. 2023. SelectNLTest - Selection and natural language rewriting of test cases generated by the DRL-MOBTEST tool. In Proceedings of the 8th Brazilian Symposium on Systematic and Automated Software Testing (Campo Grande, MS, Brazil) (SAST ’23). Association for Computing Machinery, New York, NY, USA. DOI: 10.1145/3624032.3624043

João Moura. 2024. CrewAI: Framework for orchestrating role-playing autonomous AI agents. [link]. Acesso em: jun. 2026.