EXPLORAÇÃO DE ATRIBUTOS INFLUENTES NO DESEMPENHO DE EQUIPES DE DESENVOLVIMENTO DE SOFTWARE GEOGRAFICAMENTE DISTRIBUÍDAS

Resumo

Na gestão remota de equipes de desenvolvimento de software, a tecnologia nos permite transformar desafios em oportunidades, e este artigo explora o desempenho de algoritmos de classificação na previsão do desempenho de equipes de engenharia de software. Utilizando um conjunto de dados com 85 atributos, incluindo métricas de equipe e características individuais, aplicamos os algoritmos Decision Tree Learner, Gradient Boosted Learner, Naive Bayes Learner, Random Forest Learner e Support Vector Machine para avaliar sua precisão, sensibilidade e outras métricas. O GBT obteve a maior precisão de 91,17%, embora seja computacionalmente intensivo, enquanto o RFL alcançou 90,42% de precisão ao considerar apenas sete atributos, destacando a importância da seleção de atributos no desempenho do modelo. Este estudo enfatiza o equilíbrio entre precisão e eficiência computacional, identificando atributoschave relevantes para a gestão de equipes de desenvolvimento de software remotas.