Automatização de Testes de Aplicativos Móveis com Aprendizado de Máquina por Reforço Utilizando Requisitos em Histórias de Usuário
Resumo
Os sistemas de informação são acessados principalmente via aplicativos móveis. Garantir a qualidade deles é crucial, por isso, testes de software são essenciais. Porém, a criação e execução de testes manuais demandam grande esforço. Este estudo investiga a automação da geração de testes para aplicativos Android, combinando a ferramenta de aprendizado de máquina por reforço DRL-MOBTest com modelos de linguagem para interpretar e estruturar requisitos extraídos de histórias de usuário escritas em Gherkin. Nos experimentos realizados com 10 aplicativos, os resultados indicaram uma cobertura média de requisitos de 81,41%. Apesar dos bons resultados, a solução possui limitações em cenários com mais interações sequenciais. Estes achados contribuem para pesquisas em validação de aplicações usando inteligência artificial.Referências
Amna, A. R. and Poels, G. (2022). Systematic literature mapping of user story research. IEEE Access, 10:51723–51739.
Cohn, M. (2004). Effective User Stories, page 208–208. Springer Berlin Heidelberg.
F-Droid.org (2020). Free and open source android app repository.
Gupta, P. and Bagchi, A. (2024). Introduction to Pandas, pages 161–196. Springer Nature Switzerland, Cham.
Härlin, M. (2016). Testing and gherkin in agile projects. Master’s thesis, Linköping University, Linköping, Sweden.
JaCoCo Team (2025). Jacoco - java code coverage library.
Marques, J. P., Lima, M., Souza, B., Miranda, E., Santos, A., and Collins, E. (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 (SAST ’23), pages 77–85, Campo Grande, MS, Brazil. ACM.
Qin, M., Chang, D., Fischer, G., et al. (2024). The uniqueness of llama3-70b series with per-channel quantization. Western Digital Research.
Ribeiro, E. F. C. (2022). DeepRLGUIMAT: Abordagem de Aprendizado de Máquina Profundo por Reforço Aplicado a Testes de GUI de Aplicações Móveis. Tese de doutorado, Universidade de São Paulo, Instituto de Ciências Matemáticas e de Computação, São Carlos, Brasil. Orientador: Prof. Dr. José Carlos Maldonado; Coorientador: Prof. Dr. Arilo Dias-Neto.
Siriwardhana, S., McQuade, M., Gauthier, T., Atkins, L., Fernandes Neto, F., Meyers, L., Vij, A., Odenthal, T., Goddard, C., MacCarthy, M., and Solawetz, J. (2024). Domain adaptation of llama3-70b-instruct through continual pre-training and model merging: A comprehensive evaluation. Arcee.
Soares, Y. C. P. (2020). Deep reinforcement learning for bipedal locomotion. Universidade Estadual de Campinas.
Cohn, M. (2004). Effective User Stories, page 208–208. Springer Berlin Heidelberg.
F-Droid.org (2020). Free and open source android app repository.
Gupta, P. and Bagchi, A. (2024). Introduction to Pandas, pages 161–196. Springer Nature Switzerland, Cham.
Härlin, M. (2016). Testing and gherkin in agile projects. Master’s thesis, Linköping University, Linköping, Sweden.
JaCoCo Team (2025). Jacoco - java code coverage library.
Marques, J. P., Lima, M., Souza, B., Miranda, E., Santos, A., and Collins, E. (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 (SAST ’23), pages 77–85, Campo Grande, MS, Brazil. ACM.
Qin, M., Chang, D., Fischer, G., et al. (2024). The uniqueness of llama3-70b series with per-channel quantization. Western Digital Research.
Ribeiro, E. F. C. (2022). DeepRLGUIMAT: Abordagem de Aprendizado de Máquina Profundo por Reforço Aplicado a Testes de GUI de Aplicações Móveis. Tese de doutorado, Universidade de São Paulo, Instituto de Ciências Matemáticas e de Computação, São Carlos, Brasil. Orientador: Prof. Dr. José Carlos Maldonado; Coorientador: Prof. Dr. Arilo Dias-Neto.
Siriwardhana, S., McQuade, M., Gauthier, T., Atkins, L., Fernandes Neto, F., Meyers, L., Vij, A., Odenthal, T., Goddard, C., MacCarthy, M., and Solawetz, J. (2024). Domain adaptation of llama3-70b-instruct through continual pre-training and model merging: A comprehensive evaluation. Arcee.
Soares, Y. C. P. (2020). Deep reinforcement learning for bipedal locomotion. Universidade Estadual de Campinas.
Publicado
19/05/2025
Como Citar
GUIMARÃES, Gabriele; PEREIRA, Suelen da Silva; BORGES, Thiago Santos; CUNHA, Nora Neyse Torres da; MARQUES, João Paulo; COLLINS, Eliane.
Automatização de Testes de Aplicativos Móveis com Aprendizado de Máquina por Reforço Utilizando Requisitos em Histórias de Usuário. In: TRILHA DE TEMAS, IDEIAS E RESULTADOS EMERGENTES EM SISTEMAS DE INFORMAÇÃO - SIMPÓSIO BRASILEIRO DE SISTEMAS DE INFORMAÇÃO (SBSI), 21. , 2025, Recife/PE.
Anais [...].
Porto Alegre: Sociedade Brasileira de Computação,
2025
.
p. 331-337.
DOI: https://doi.org/10.5753/sbsi_estendido.2025.246885.
