UNESUM-Ciencias: Revista Científica Multidisciplinaria ISSN 2602-8166

LA INTELIGENCIA ARTIFICIAL EN LA CALIDAD DEL SOFTWARE

LA INTELIGENCIA ARTIFICIAL EN LA CALIDAD DEL SOFTWARE: UNA

REVISIÓN SISTEMÁTICA DE LA LITERATURA

AUTORES: Lenin Jonatan Pin García

María Magdalena Toala Zambrano

José Efraín Álava Cruzatty

DIRECCIÓN PARA CORRESPONDENCIA:jonatan.pin@unesum.edu.ec

Fecha de recepción: 22/01/2020

Fecha de aceptación: 20/02/2020

RESUMEN

La Inteligencia Artificial es una rama de la computación que se va asentando

de manera paulatina en la vida cotidiana; sin embargo, aún no se está

aplicando con mucha intensidad en el ámbito del desarrollo de software. El

objetivo del presente trabajo es conocer cuál es la aplicación e impacto que ha

tenido la inteligencia artificial como herramienta para asegurar la calidad del

software, sigue como metodología de investigación la búsqueda de evidencia

escrita en artículos científicos mediante la planificación y ejecución de una

revisión sistemática sobre el tema. Este trabajo describe aspectos generales

de la inteligencia artificial, de los estándares de calidad que pueden ser

aplicados a la industria del software y presenta resultados de la revisión

sistemática, los cuales se basan en las respuestas a las preguntas planteadas

que dieron los 26 artículos aceptados según los criterios de inclusión y

exclusión del protocolo de revisión. Estas interrogantes guardan relación a los

beneficios, metodologías, métricas y aplicaciones de la inteligencia artificial en

el aseguramiento de la calidad del software, sus respuestas permiten concluir

que aún son muy pocos los estudios en la calidad del software, que las métricas

más controladas tienen que ver con el rendimiento, la configuración, y la

Ingeniero en Sistemas con maestrías en Docencia universitaria, Sistemas de Información Gerencial y Gestión

Estratégica de Tecnologías de la Información, y doctorando en Ingeniería. Profesor a principal a tiempo completo y

miembro del consejo científico de la Universidad Estatal del Sur de Manabí. Jipijapa, Manabí.

Ingeniera Civil y Máster en Seguridad y Salud Ocupacional. Personal académico auxiliar 1. Profesor. Universidad

Estatal del Sur de Manabí. Jipijapa, Manabí - Ecuador.

Ingeniero en Telecomunicaciones y Máster en Telecomunicaciones. Personal acade

mico auxiliar 1. Profesor,

Miembro Técnico de la Dirección de Aseguramiento de la Calidad. Universidad Estatal del Sur de Manabí. Jipijapa,

Manabí – Ecuador.

Lenin Jonatan Pin García, María Magdalena Toala Zambrano, José Efraín Álava Cruzatty...

UNESUM-Ciencias. Publicación cuatrimestral. Vol. 4, Año 2020, No. 1 (Enero - Abril)

eficiencia del software; además se pudo evidenciar que en proyectos que

usaron metodologías de desarrollo de software en cascada, de desarrollo

rápido, del simbolismo, de prototipos y en espiral es posible la aplicación de

inteligencia artificial para el aseguramiento de la calidad del software.

PALABRAS CLAVE: Inteligencia artificial; revisión sistemática; calidad del

software; estándares de calidad.

ARTIFICIAL INTELLIGENCE IN SOFTWARE QUALITY: A SYSTEMATIC

REVIEW OF LITERATURE

ABSTRACT

Artificial Intelligence is a branch of computing that is gradually establishing

itself in everyday life; however, it is not yet being applied very intensively in

the field of software development. The objective of this work is to know what

is the application and impact that artificial intelligence has had as a tool to

ensure the quality of the software. As a research methodology, follow the

search for evidence written in scientific articles by planning and executing a

systematic review. about the topic. This work describes general aspects of

artificial intelligence, of the quality standards that can be applied to the

software industry and presents results of the systematic review, which are

based on the answers to the questions asked by the 26 articles accepted

according to the inclusion and exclusion criteria of the review protocol. These

questions are related to the benefits, methodologies, metrics and applications

of artificial intelligence in software quality assurance, their answers allow us

to conclude that there are still very few studies on software quality, that the

most controlled metrics have to to do with the performance, configuration, and

efficiency of the software; In addition, it was evident that in projects that used

cascade, rapid development, symbolism, prototyping and spiral software

development methodologies, the application of artificial intelligence for

software quality assurance is possible.

KEYWORDS: Artificial intelligence, Systematic review, software quality,

software quality standards.

INTRODUCCIÓN

La inteligencia artificial (IA) es una de las ramas de la Informática que abarca diferentes aspectos

relacionados con la lógica y las ciencias cognitivas, puede ser llamada inteligencia de máquina, es

una ciencia interdisciplinaria que tiene como objetivo el de simular la inteligencia humana en las

máquinas (Diao, Zuo, & Liu, 2009). Para crear esta simulación de la inteligencia humana, los

algoritmos dinámicos se nutren de grandes bases de conocimiento o experiencias basadas en datos

con el fin de establecer patrones y predicciones en función de los datos analizados (Holtel, 2016)

Por otra parte, la calidad definida en la norma ISO en la norma 8402:1994, como la “Totalidad de

propiedades y características de un producto, proceso o servicio que le confiere su aptitud para

satisfacer unas necesidades expresadas o implícitas.” ha tenido una evolución significativa pasando

UNESUM-Ciencias: Revista Científica Multidisciplinaria ISSN 2602-8166

LA INTELIGENCIA ARTIFICIAL EN LA CALIDAD DEL SOFTWARE

por el control de calidad, la garantía de calidad, la calidad total, llegando hasta la mejora

continua(López Echeverry, Valencia Ayala, & Cabrera, 2008). En cuanto al software, la calidad

debe ser construida desde el comienzo de la fabricación del producto, no es algo que puede ser

añadido después y están involucradas tanto características internas como el contexto

organizacional, lo que genera un enfoque sistémico del concepto de Calidad del Software (Callaos

& Callaos, 1994).

La inteligencia artificial propone técnicas que pueden mejorar la calidad de los sistemas de

software, por ejemplo se han reportado aplicaciones de redes bayesianas para predecir si una

especificación de requisitos tiene suficiente calidad para ser considerada como linea base(Ammar,

Abdelmoez, & Hamdi, 2012), se han realizado estudios con la aplicación de diversos clasificadores

para la evalaución de métricas de calidad del software (Yohannese & Li, 2017), para la predicción

de fallas de software que es una parte importante del aseguramiento de la calidad del software se

han propuesto varios enfoques basados en el aprendizaje automático para generar modelos

predictivos a partir de datos recopilados (Das Dôres, Alves, Ruiz, & Barros, 2016), entre muchas

otras aplicaciones.

En el presente trabajo se pretende brindar información sobre cuál es la aplicación que ha tenido la

IA a la calidad del software, para esto se hizo uso de una revisión sistemática que permitió realizar

la búsqueda y la selección de artículos científicos evidenciados en publicaciones.

Se realiza este estudio con el fin de encontrar respuestas a las siguientes interrogantes que fueron

planteadas al inicio de esta investigación: ¿Qué metodologías de desarrollo de software han

permitido la aplicación de la inteligencia artificial para el aseguramiento de la calidad del

software?, ¿Qué dimensiones de calidad se han evaluado aplicando inteligencia artificial?, ¿Cuáles

son los clasificadores o algoritmos de inteligencia artificial que se han aplicado en el ámbito de la

calidad del software?, y ¿Cuáles son los estándares de calidad que tienen las empresas que han

aplicado inteligencia artificial como parte de su proceso de aseguramiento de calidad del software.?

En la búsqueda preliminar que se realizó no se obtuvo ningún hallazgo de la existencia de algún

estudio redactado en español donde se obtenga información acerca de cuál es la aplicación de la

inteligencia artificial en la calidad del software. De esta inexistencia surge la necesidad de realizar

y redactar una revisión sistemática que permita conocer derivaciones del tema planteado.

DESARROLLO

La investigación llevó a cabo un proceso científico, para realizarla se cumplió con los

requerimientos de un proceso sistemático, donde se hace uso de la búsqueda, recaudación, análisis

y la compresión de información sobre un tema establecido. La revisión sistemática forma parte de

la investigación secundaria, la cual parte del estudio de las pruebas disponibles sobre un

determinado tema, con el objeto de responder a cuestiones concretas, siguiendo una metodología

explícita y rigurosa (Sampaio & Mancini, 2007). Para realizar una revisión sistemática es necesario

seguir las fases, se empieza con el planteamiento de la pregunta que se desea responder, esta

pregunta debe de plantearse de la manera más clara, precisa y concisa para que se pueda interpretar,

una vez especificado el objetivo de la investigación después se deberá, realizar la búsqueda y

selección de los estudios, esta etapa consiste en buscar los estudios de investigación que den

respuesta a las preguntas planteadas (Kitchenham et al., 2009).

Las revisiones sistemáticas, tienen tres etapas las cuales no son completamente secuenciales, se

empieza el proceso con la etapa de planificación, en donde se debe desarrollar un protocolo de

Lenin Jonatan Pin García, María Magdalena Toala Zambrano, José Efraín Álava Cruzatty...

UNESUM-Ciencias. Publicación cuatrimestral. Vol. 4, Año 2020, No. 1 (Enero - Abril)

revisión sistemática en el que se especifica el contexto de la revisión, las preguntas de

investigación, la estrategia de búsqueda, criterios y procedimientos de selección y evaluación de

los artículos, estrategias de extracción y síntesis de datos, y el cronograma del proyecto; luego en

la ejecución de la revisión sistemática se lleva a cabo lo planificado y por último se realiza el

informe o publicación de resultados (Kitchenham et al., 2009). Otros autores como Galvão,

Sawada, Trevizan, & Trevizan (2004) sostienen que una revisión sistemática consta de seis fases

bien definidas tales como: construcción de protocolo, definición de preguntas, búsqueda de

estudios, selección de estudios, evaluación critica de los estudios, recolección de datos y síntesis

de los datos. Como se observa en la figura 1, las fases descritas en Kitchenham et al. (2009)

agrupan algunas de las fases presentadas en Galvão et al. (2004), pero en esencia son las mismas

actividades.

Autor

Kitchenham

Galvão

Fases de una

revisión

sistemática

Planificación

Construcción de Protocolo

Definición de preguntas

Ejecución

Búsqueda de estudios

Selección de estudios

Evaluación crítica de estudios

Recolección de datos.

Publicación de Resultados

Síntesis de datos

Figura 1. Fases de una revisión sistemática.

Fuente: (Galvão et al., 2004; Kitchenham et al., 2009).

El estudio de Yupanqui & Oré (2017) describe al detalle los pasos de un protocolo de revisión

sistemática, los cuales pueden ser apreciados en la figura 2. Y son los que se han seguido en la

ejecución del presente trabajo. De manera general estos pasos coinciden con los descritos en el

trabajo de Sampaio & Mancini (2007).

UNESUM-Ciencias: Revista Científica Multidisciplinaria ISSN 2602-8166

LA INTELIGENCIA ARTIFICIAL EN LA CALIDAD DEL SOFTWARE

Figura 2. Diagrama del protocolo de Revisión Sistemática

Fuente: (Yupanqui & Oré, 2017)

A continuación, se resume el protocolo que se desarrolló para la presente revisión sistemática.

Preguntas de Investigación.

A partir de la pregunta general “Cual es la aplicación de la inteligencia artificial en la calidad del

software” se formularon preguntas (P) específicas usando los criterios PICOC (Kitchenham et al.,

2009).

P1.- ¿Qué metodologías de desarrollo de software han permitido la aplicación de la inteligencia

artificial para el aseguramiento de la calidad del software?

P2.- ¿Qué dimensiones de calidad se han evaluado aplicando inteligencia artificial?

P3.- ¿Cuáles son los clasificadores o algoritmos de inteligencia artificial que se han aplicado en el

ámbito de la calidad del software?,

P4.- ¿Cuáles son los estándares de calidad que tienen las empresas que han aplicado inteligencia

artificial como parte de su proceso de aseguramiento de calidad del software??

Criterio de inclusión

Lenin Jonatan Pin García, María Magdalena Toala Zambrano, José Efraín Álava Cruzatty...

UNESUM-Ciencias. Publicación cuatrimestral. Vol. 4, Año 2020, No. 1 (Enero - Abril)

Criterios de inclusión Todo artículo completo localizado escrito en inglés y español puiblicado a

partir del año 1998, en donde se describa claramente que la inteligencia artificial aplica en la calidad

de software localizado en la base de datos de Scopus.

Criterios de exclusión

Todo artículo que no describa casos de estudio, o metodologías, o herramientas, o algoritmos

utilizados en aplicaciones prácticas de la Inteligencia Artificial en la calidad del software y que no

responda ninguna de las preguntas planteadas

Herramientas aplicadas para el registro de datos.

Para la realización de la revisión sistemática se utilizó una herramienta en línea situada en

https://parsif.al, la cual está diseñada para ayudar a los investigadores a realizar revisiones

sistemáticas dentro del contexto de la ingeniería de software en donde los investigadores

distribuidos geográficamente pueden trabajar juntos en un espacio virtual de trabajo compartido.

La herramienta sigue los lineamientos descritos en Kitchenham et al. (2009) proporcionando una

forma de documentar todo el proceso; en la planificación, Parsif.al ayuda con los objetivos PICOC,

preguntas de investigación, cadenas de búsqueda, palabras clave y selección de fuentes o bases de

datos, los criterios de inclusión y exclusión. También proporciona una lista de verificación para

poder evaluar la calidad de los artículos encontrados, y cuenta con formularios para poder realizar

la extracción de los datos.

Resultados.

Selección de artículos La ejecución de la revisión sistemática se desarrolló en el mes de junio del

2019 y a partir de la búsqueda se obtuvieron un total de 91 artículos, de los cuales 26 cumplieron

con los criterios de inteligencia artificial aplicada a la calidad del software. 58 de estos artículos

fueron rechazados y 7 coincidieron como duplicados. En el cuadro 1 se muestran la clasificación y

el número de estudios encontrados.

Cuadro 1. Selección de artículos

Clasificación

Número de artículos

Duplicados

Rechazados

Aceptados

Total

Fuente: Elaboración propia

Cuadro 2. Artículos aceptados.

Titulo

Autores

Journal/conferencia

Año

publicación

UNESUM-Ciencias: Revista Científica Multidisciplinaria ISSN 2602-8166

LA INTELIGENCIA ARTIFICIAL EN LA CALIDAD DEL SOFTWARE

Feature Selection Techniques to Counter

Class Imbalance Problem for Aging Related

Bug Prediction: Aging Related Bug

Prediction

Kumar Lov, Sureka,

Ashish.

Innovations in

Software Engineering

Conference

2018

Evaluating micro patterns and software

metrics in vulnerability prediction

Sultana kazi, Zakia

Williams, Byron J.

Urban, IL, USA UU.

2017 6th International

Workshop on Software

Mining

(SoftwareMining)

2017

Empirical analysis of change metrics for

software fault prediction

Garvit Rajesh, Sandep

Kumar, Kuldep Kuma,

Computers &

Electrical Engineering

2016

Alok Mishra,

Cagatay,Cata

Deep neural network based hybrid approach

for software defect prediction using

software metrics

Manjula, C and

Florence, Lilly.

Cluster Computing

2018

Data analysis tool supporting software

development process

Rafał Kozik, Michał

Choraś, Rafał Renk,

Damian Puchalski.

IEEE 14a Conferencia

científica internacional

sobre informática 2017

2017

Automated Parameter Tuning of Artificial

Neural Networks for Software Defect

Prediction

Zhao Yang, Hongbing

Qian.

2nd International

Conference on

Advances in Image

Processing.

2018

Assessment of defect prediction models

using machine learning techniques for

object-oriented systems

Ruchika Malhotra,

Shivani Shukla, Geet

Sawhney.

5th International

Conference on

Reliability, Infocom

Technologies and

Optimization (Trends

and Future Directions)

(ICRITO)

2016

Analyzing fault prediction usefulness from

cost perspective using source code metrics

Lov Kumar, Ashish

Sureka.

Tenth International

Conference on

Contemporary

Computing (IC3)

2017

A combined-learning based framework for

improved software fault prediction

Chubato Wondaferaw

Yohannese, Tianrui Li.

Computational

Intelligence Systems

2017

On the application of search-based

techniques for software engineering

predictive modeling: A systematic review

and future directions

Ruchika Malhotra,

Rajeev R,

Megha Khanna.

Enjambre y

computación evolutiva

2017

Software Defect Prediction: A Comparison

Between Artificial Neural Network and

Support Vector Machine

· Ishani Arora, Anju

Saha.

Advances in

Intelligent Systems

and Computing, vol

562. Springer,

Singapore

2018

Software reusability metrics prediction by

using evolutionary algorithms: The

interactive mobile learning application

RozGaar

Padhy, Neelamadhab,

Satapathy, Mohanty JR ,

Suresh Chandra,

International Journal

of Knowledge-based

and Intelligent

Engineering Systems,

2018

Lenin Jonatan Pin García, María Magdalena Toala Zambrano, José Efraín Álava Cruzatty...

UNESUM-Ciencias. Publicación cuatrimestral. Vol. 4, Año 2020, No. 1 (Enero - Abril)

Software Reliability Assessment Using

Machine Learning Technique

· Ranjan Kumar

Behera, Suyash Shukla,

Sanjay Misra.

International

Conference on

Computational

Science and Its

Applications

2018

Software metrics for fault prediction using

machine learning approaches: A literature

review with PROMISE repository dataset

Meiliana,Syaeful

Karim,Ford Lumban

Gaol,Benfano Soewito.

IEEE International

Conference on

Cybernetics and

Computational

Intelligence

(CyberneticsCom)

2017

Software Quality Predictive Modeling: An

Effective Assessment of Experimental Data

Ruchika Malhotra

10th Innovations in

Software Engineering

Conference

2017

Software defect prediction techniques using

metrics based on neural network classifier

· Lilly Florence,

Jayanthi R.

Cluster Computing

2018

Software bug prediction using machine

learning approach

Awni Hammouri,

Mustafa Hammad,

Mohammad Alnabhan,.

(IJACSA)

International Journal

of Advanced

Computer Science and

Applications

2018

Predicting defect-prone software modules

using support vector machines

Karin Elish, Mahmoud

Journal of Sytems and

Software

2018

A method of prediction of errors based on

learning for object-oriented systems

RhymendUthariarajb,

Sankaranarayanan V,

Thambidurai O.

Information and

Software Technology

2018

A comparison of nano-patterns vs. Software

metrics in vulnerability prediction

Kazi Zakia Sultana,

Byron J. Williams,

Amiangshu Bosu.

25th Asia-Pacific

Software Engineering

Conference (APSEC)

2018

An extensive analysis of search-based

techniques to predict defective classes

Ruchika Malhotra.

Computers &

Electrical Engineering

2018

The analysis of software metrics for design

complexity and its impact on reusability

Aditya Pratap Singh,

Pradeep Tomar.

3rd International

Conference on

Computing for

Sustainable Global

Development.

2016

Defect prediction based on the

characteristics of the multilayer structure of

the software network

Jian Li, Pinjia

He,Jieming Zhu,

Michael R. Lyu.

IEEE International

Conference on

Software Quality,

Reliability and

Security (QRS)

2018

Improving software quality using machine

learning

Kanika Chandra,Gagan

Kapoor, Rashi Kohli,

Archana Gupta.

International

Conference on

Innovation and

Challenges in Cyber

Security (ICICCS-

INBUSH)

2016

Semantic learning features for predicting

software defects by embedding code

comments

Xiaodong Gu, Hongyu

Zhang, Sunghun Kim.

IEEE/ACM 40th

International

Conference on

2018

UNESUM-Ciencias: Revista Científica Multidisciplinaria ISSN 2602-8166

LA INTELIGENCIA ARTIFICIAL EN LA CALIDAD DEL SOFTWARE

Software Engineering

(ICSE)

A meta-learning framework for algorithm

recommendation in software fault

prediction

Silvia Dolores N,

Luciano Alves.

31st Annual ACM

Symposium on

Applied Computing

2016

Fuente: Elaboración propia

Figura 3. Actualidad de las publicaciones

Fuente: Elaboración propia

En el cuadro 2 consta el detalle de todos los artículos localizados en Scopus y aceptados según la

cadena de búsqueda siguiente:

TITLE-ABS-KEY ("Inteligencia Artificial" OR "Machine Learning") AND TITLE-ABS-KEY

("Calidad del Software" OR "Software quality") AND TITLE-ABS-KEY("Aplicaciones" OR

"Applications") AND PUBYEAR > 1998.

En la figura 3, se puede apreciar la actualidad que tienen las publicaciones que tratan sobre el tema,

las cuales tienen una mayor frecuencia a partir del año 2010.

Respuestas a las preguntas de Investigación.

A continuación se sintetizan las respuestas ( R ) a las preguntas que se formularon y que dieron

origen a la investigación.

P1.- ¿Qué metodologías de desarrollo de software han permitido la aplicación de la inteligencia

artificial para el aseguramiento de la calidad del software?

R1.- Se encontró que los métodos de desarrollo de software en los cuales se aplicó inteligencia

artificial en la evaluación de la calidad son los definidos en ingeniería de software como cascada,

espiral, desarrollo ágil y prototipos.

Lenin Jonatan Pin García, María Magdalena Toala Zambrano, José Efraín Álava Cruzatty...

UNESUM-Ciencias. Publicación cuatrimestral. Vol. 4, Año 2020, No. 1 (Enero - Abril)

P2.- ¿ Qué dimensiones de calidad se han evaluado aplicando inteligencia artificial?

R2.- Conforme se puede apreciar en la figura 4, los criterios de calidad que se encontraron fueron

tratados aplicando inteligencia artificial son los siguientes: Funcionalidad 34%, Usabilidiad 32%,

Procesamiento 27% y sin definir 7%.

Figura 4. Criterios de calidad evaluados aplicando IA

Fuente: Elaboración propia

P3.- ¿Cuáles son los clasificadores o algoritmos de inteligencia artificial que se han aplicado en el

ámbito de la calidad del software?

R3.- En la figura 5 se puede apreciar que la mayoría de las publicaciones no especifica los

clasificadores aplicados para evaluar los criterios de calidad de software, y los que se mencionan

son los siguientes: Red Bayesiana, Redes Neuronales, Algoritmos genéticos, Regresión logística,

Random Forest y Rough Set.

Figura 5. Clasificadores de Inteligencia Artificial aplicados a casos de Calidad del Software

Fuente: Elaboración propia

UNESUM-Ciencias: Revista Científica Multidisciplinaria ISSN 2602-8166

LA INTELIGENCIA ARTIFICIAL EN LA CALIDAD DEL SOFTWARE

P4.- ¿Cuáles son los estándares de calidad que tienen las empresas que han aplicado inteligencia

artificial como parte de su proceso de aseguramiento de calidad del software?

En la figura 6 se aprecian los estándares de gestión de calidad según los hallazgos en las

publicaciones aceptadas, los estándares de calidad la famlia de las ISO son los únicos que aparecen

en los casos.

Figura 6. Estándares de gestión de calidad de los casos que aplicaron IA para la calidad del software

Fuente: Elaboración propia

CONCLUSIONES

Luego del análisis de los hallazgos en función de las preguntas de investigación que orientaron la

revisión sistemática se pueden sintetizar las conclusiones siguientes:

• La inteligencia artificial se puede aplicar con cualquier metodología de desarrollo de

software.

• Las dimensiones o criterios de calidad en donde se aplica inteligencia artificial pueden ser

de diversa indole.

• Los clasificadores de inteligencia artificial para control de calidad van a depender del tipo

de data que se requiera evaluar.

• Los casos en los que se han aplicado inteligencia artificial en el aseguramiento de calidad

del software corresponden a empresas de desarrollo estructuradas puesto que poseen

certificaciones de calidad con estándares ampliamente reconocidos.

REFERÉNCIAS BIBLIOGRÁFICAS

Ammar, H. H., Abdelmoez, W., & Hamdi, M. S. (2012). Software Engineering Using Artificial Intelligence

Techniques : Current State and Open Problems. Software Engineering Using Artificial Intelligence

Techniques: Current State and Open Problems, 24–29.

Callaos, N., & Callaos, B. (1994). Designing with Systemic Total Quality. Educational Technology, 34(1), 29–36.

Das Dôres, S. N., Alves, L., Ruiz, D. D., & Barros, R. C. (2016). A meta-learning framework for algorithm

recommendation in software fault prediction. Proceedings of the ACM Symposium on Applied Computing, 04-

08-Apri(April 2018), 1486–1491. https://doi.org/10.1145/2851613.2851788

Lenin Jonatan Pin García, María Magdalena Toala Zambrano, José Efraín Álava Cruzatty...

UNESUM-Ciencias. Publicación cuatrimestral. Vol. 4, Año 2020, No. 1 (Enero - Abril)

Diao, L., Zuo, M., & Liu, Q. (2009). The artificial intelligence in personal knowledge management. 2009 2nd

International Symposium on Knowledge Acquisition and Modeling, KAM 2009, 3, 327–329.

https://doi.org/10.1109/KAM.2009.269

Galvão, C. M., Sawada, N. O., Trevizan, M. A., & Trevizan, M. A. (2004). Revisão sistemática: recurso que

proporciona a incorporação das evidências na prática da enfermagem. Revista Latino-Americana de

Enfermagem, 12(3), 549–556. https://doi.org/10.1590/S0104-11692004000300014

Holtel, S. (2016). Artificial intelligence creates a wicked problem for the enterprise. Procedia Computer Science, 99,

171–180. https://doi.org/10.1016/j.procs.2016.09.109

Kitchenham, B., Pearl Brereton, O., Budgen, D., Turner, M., Bailey, J., & Linkman, S. (2009). Systematic literature

reviews in software engineering – A systematic literature review. Information and Software Technology, 51(1),

7–15. https://doi.org/10.1016/J.INFSOF.2008.09.009

López Echeverry, A., Valencia Ayala, L., & Cabrera, C. (2008). Introducción a la calidad de software. Scientia et

Technica, 2(39), 326–331. https://doi.org/10.22517/23447214.3241

Sampaio, R., & Mancini, M. (2007). Estudos de revisão sistemática: Um guia para síntese criteriosa da evidência

científica. Rev. Bras. Fisioter, 11(1), 83–89. Retrieved from https://www.unicid.edu.br/wp-

content/uploads/2014/12/Estudos-de-revisão-sistemática_-um-guia-para-síntese-criteriosa-da-evidência-

científica.pdf

Yohannese, C. W., & Li, T. (2017). A Combined-Learning based framework for improved software fault prediction.

International Journal of Computational Intelligence Systems, 10(1), 647–662.

https://doi.org/10.2991/ijcis.2017.10.1.43

Yupanqui, J. R. A., & Oré, S. B. (2017). Políticas de Seguridad de la Información: Revisión Sistemática de las

Teorías que Explican su Cumplimiento. RISTI - Revista Ibérica de Sistemas e Tecnologias de Informação,

25(25), 112–134. https://doi.org/10.17013/risti.25.112-134