UNESUM-Ciencias: Revista Científica Multidisciplinaria ISSN 2602-8166
LA INTELIGENCIA ARTIFICIAL EN LA CALIDAD DEL SOFTWARE
© Universidad Estatal del Sur de Manabí. Jipijapa, Ecuador.
75
LA INTELIGENCIA ARTIFICIAL EN LA CALIDAD DEL SOFTWARE: UNA
REVISIÓN SISTEMÁTICA DE LA LITERATURA
AUTORES: Lenin Jonatan Pin García
1
María Magdalena Toala Zambrano
2
José Efraín Álava Cruzatty
3
4
5
6
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
1
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.
2
Ingeniera Civil y Máster en Seguridad y Salud Ocupacional. Personal académico auxiliar 1. Profesor. Universidad
Estatal del Sur de Manabí. Jipijapa, Manabí - Ecuador.
3
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...
76
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 gica 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
© Universidad Estatal del Sur de Manabí. Jipijapa, Ecuador.
77
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...
78
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.
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
© Universidad Estatal del Sur de Manabí. Jipijapa, Ecuador.
79
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...
80
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
7
Rechazados
58
Aceptados
26
Total
91
Fuente: Elaboración propia
Cuadro 2. Artículos aceptados.
No
Titulo
Autores
Journal/conferencia
Año
de
publicación
UNESUM-Ciencias: Revista Científica Multidisciplinaria ISSN 2602-8166
LA INTELIGENCIA ARTIFICIAL EN LA CALIDAD DEL SOFTWARE
© Universidad Estatal del Sur de Manabí. Jipijapa, Ecuador.
81
1
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
2
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
3
Empirical analysis of change metrics for
software fault prediction
Garvit Rajesh, Sandep
Kumar, Kuldep Kuma,
Computers &
Electrical Engineering
2016
Alok Mishra,
Cagatay,Cata
4
Deep neural network based hybrid approach
for software defect prediction using
software metrics
Manjula, C and
Florence, Lilly.
Cluster Computing
2018
5
Data analysis tool supporting software
development process
Rafał Kozik, Michał
Choraś, Rafał Renk,
Damian Puchalski.
IEEE 14a Conferencia
científica internacional
sobre informática 2017
2017
6
Automated Parameter Tuning of Artificial
Neural Networks for Software Defect
Prediction
Zhao Yang, Hongbing
Qian.
2nd International
Conference on
Advances in Image
Processing.
2018
7
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
8
Analyzing fault prediction usefulness from
cost perspective using source code metrics
Lov Kumar, Ashish
Sureka.
Tenth International
Conference on
Contemporary
Computing (IC3)
2017
9
A combined-learning based framework for
improved software fault prediction
Chubato Wondaferaw
Yohannese, Tianrui Li.
Computational
Intelligence Systems
2017
10
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
11
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
12
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...
82
UNESUM-Ciencias. Publicación cuatrimestral. Vol. 4, Año 2020, No. 1 (Enero - Abril)
13
Software Reliability Assessment Using
Machine Learning Technique
· Ranjan Kumar
Behera, Suyash Shukla,
Sanjay Misra.
International
Conference on
Computational
Science and Its
Applications
2018
14
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
15
Software Quality Predictive Modeling: An
Effective Assessment of Experimental Data
Ruchika Malhotra
10th Innovations in
Software Engineering
Conference
2017
16
Software defect prediction techniques using
metrics based on neural network classifier
· Lilly Florence,
Jayanthi R.
Cluster Computing
2018
17
Software bug prediction using machine
learning approach
Awni Hammouri,
Mustafa Hammad,
Mohammad Alnabhan,.
(IJACSA)
International Journal
of Advanced
Computer Science and
Applications
2018
18
Predicting defect-prone software modules
using support vector machines
Karin Elish, Mahmoud
O
Journal of Sytems and
Software
2018
19
A method of prediction of errors based on
learning for object-oriented systems
RhymendUthariarajb,
Sankaranarayanan V,
Thambidurai O.
Information and
Software Technology
2018
20
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
21
An extensive analysis of search-based
techniques to predict defective classes
Ruchika Malhotra.
Computers &
Electrical Engineering
2018
22
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
23
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
24
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
25
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
© Universidad Estatal del Sur de Manabí. Jipijapa, Ecuador.
83
Software Engineering
(ICSE)
26
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...
84
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
© Universidad Estatal del Sur de Manabí. Jipijapa, Ecuador.
85
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, 2429.
Callaos, N., & Callaos, B. (1994). Designing with Systemic Total Quality. Educational Technology, 34(1), 2936.
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), 14861491. https://doi.org/10.1145/2851613.2851788
Lenin Jonatan Pin García, María Magdalena Toala Zambrano, José Efraín Álava Cruzatty...
86
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, 327329.
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), 549556. https://doi.org/10.1590/S0104-11692004000300014
Holtel, S. (2016). Artificial intelligence creates a wicked problem for the enterprise. Procedia Computer Science, 99,
171180. 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),
715. https://doi.org/10.1016/J.INFSOF.2008.09.009
pez Echeverry, A., Valencia Ayala, L., & Cabrera, C. (2008). Introducción a la calidad de software. Scientia et
Technica, 2(39), 326331. 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), 8389. 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), 647662.
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), 112134. https://doi.org/10.17013/risti.25.112-134