Um Mapeamento Sistemático sobre Técnicas de Classificação e Categorização de Bugs em Software
DOI:
https://doi.org/10.5753/reic.2025.6850Keywords:
Classificação de bugs, Categorização de bugs, Mapeamento sistemático, SoftwareAbstract
Este estudo é um mapeamento sistemático da literatura sobre as abordagens de classificação e categorização de bugs em software, analisando 33 artigos finais publicados entre 2019 e 2024. O protocolo foi conduzido seguindo o modelo PRISMA, utilizando a ferramenta Parsifal para triagem, e a busca foi realizada nas bases ISI Web of Science, IEEE Xplore, Scopus e Engineering Village. A síntese dos dados foi realizada através de análise qualitativa e extração padronizada, focando em técnicas, tipos de dados, contextos de aplicação e critérios de categorização. A pesquisa revelou a predominância de algoritmos supervisionados (como Naive Bayes e Support Vector Machine) e a dependência de dados textuais não estruturados de repositórios open-source como Mozilla e Eclipse. A exclusividade de dados open-source restringe a compreensão do ciclo de vida dos bugs em contextos industriais. Consequentemente, identifica-se a necessidade de pesquisas futuras que explorem ambientes corporativos e a integração de modelos híbridos (dados estruturados e não-estruturados) para melhor reflexão do ciclo de vida dos bugs.
Downloads
Referências
Afric, P., Vukadin, D., Silic, M., and Delac, G. (2023). Empirical study: How issue classification influences software defect prediction. IEEE Access, 11:11732–11748. DOI: 10.1109/ACCESS.2023.3242045.
Gunalan, P., Jaiseenu, V., and Madumidha, S. (2022). Natural language processing based bug categorization. In 2022 International Conference on Applied Artificial Intelligence and Computing (ICAAIC), pages 1859–1863. IEEE. DOI: 10.1109/ICAAIC53929.2022.9793205.
Harzevili, N. S., Belle, A. B., Wang, J., Wang, S., Jiang, Z. M. J., and Nagappan, N. (2025). A systematic literature review on automated software vulnerability detection using machine learning. ACM Computing Surveys, 57:1–36. DOI: 10.1145/3699711.
Laiq, M., bin Ali, N., Börstler, J., and Engström, E. (2025). A comparative analysis of ml techniques for bug report classification. Journal of Systems and Software, 227:112457. DOI: 10.1016/j.jss.2025.112457.
Meher, J. P., Biswas, S., and Mall, R. (2024). Deep learning-based software bug classification. Information and Software Technology, 166:107350. DOI: 10.1016/j.infsof.2023.107350.
Ordoñez-Pacheco, R., Cortes-Verdin, K., and Ocharán-Hernández, J. O. (2021). Best Practices for Software Development: A Systematic Literature Review, pages 38–55. DOI: 10.1007/978-3-030-63329-5_3.
Pachouly, J., Ahirrao, S., Kotecha, K., Selvachandran, G., and Abraham, A. (2022). A systematic literature review on software defect prediction using artificial intelligence: Datasets, data validation methods, approaches, and tools. Engineering Applications of Artificial Intelligence, 111:104773. DOI: 10.1016/j.engappai.2022.104773.
Priyadarshini, A. (2025). Software defect prediction across multiple datasets using classification techniques. Journal of Information Systems Engineering and Management, 10:158–167. DOI: 10.52783/jisem.v10i41s.7807.
qahtan yas, Alazzawi, A., and Rahmatullah, B. (2023). A comprehensive review of software development life cycle methodologies: Pros, cons, and future directions. Iraqi Journal for Computer Science and Mathematics, pages 173–190. DOI: 10.52866/ijcsm.2023.04.04.014.
Singh, K., Aggarwal, A., Aneja, R. D., Kumar, R., and Soni, P. (2024). Deep learning models for software defect classification. In 2024 2nd International Conference on Device Intelligence, Computing and Communication Technologies (DICCT), pages 1–4. IEEE. DOI: 10.1109/DICCT61038.2024.10532830.
Zheng, L., Xie, Y., Hou, B., and Xie, X. (2024). Software defect classification and analysis study. In 2024 5th International Conference on Information Science, Parallel and Distributed Systems (ISPDS), pages 621–624. IEEE. DOI: 10.1109/ISPDS62779.2024.10667506.
Downloads
Published
Como Citar
Issue
Section
Licença
Copyright (c) 2025 Os autores
Este trabalho está licenciado sob uma licença Creative Commons Attribution 4.0 International License.
