Empirisk programvaruteknik

Lärandemål

• Kunskaper och förståelse:
• Beskriva, förstå och tillämpa empiri inom programvaruteknik
• Beskriva, förstå och delvis tillämpa principerna bakom fallstudier/experiment/enkätstudier.
• Beskriva och förstå de underliggande principerna för meta-analytiska studier
• Förklara vikten av forskningsetik.
• Känna till och definiera "code of ethics" gällande forskning inom
• programvaruteknik.
• Redogöra för och förklara vikten av validitetshot och hur man kan kontrollera dessa typer av hot.
• Beskriva och förklara koncepten sannolikhetsrymd, (inkl. betingad sannolikhet), stokastiska variabler, väntvärden, och stokastiska processer, samt känna till flertal konkreta exampel på dessa koncept
• Beskriva Markov chain Monte Carlo metoder så som Metropolis
• Beskriva och förklara Hamiltonian Monte Carlo
• Beskriva och förklara multicollinarity, post-treatment bias, collider bias, confounding
• Beskriva och förklara sätt att undvika overfitting.
• Färdigheter och förmågor:
• Utvärdera lämpligheten av, och använda, analysmetoder på data
• Analysera deskriptiv statistik och definiera lämpliga analysmetoder.
• Använda och förklara "code of ethics" för programvaruteknisk forskning.
• Designa statistiska modeller matematiskt och implementera dessa i ett programspråk.
• Använda sig av konceptet stokastiska processer, dvs Bernoulli, Binomial, Gaussian, och Poisson, med spridningsinslag.
• Använda sig av ordnade kategoriska utfall (ordered-logit) och prediktorer
• Utvärdera lämpligheten, från ett ontologiskt och epistemologiskt perspektiv, av olika distributioner
• Använda sig av och utvärdera directed acyclic graphs för att argumentera för kausalitet
• Värderingsförmåga och förhållningssätt:
• Ange och diskutera verktyg för dataanalys och, i synnerhet, bedöma verktygens resultat.
• Bedöma lämpligheten i olika empiriska metoder och deras tillämpbarhet i att lösa olika och disparata programvarutekniska problemställningar.
• Ifrågasätta och bedöma vanliga etiska frågeställningar inom programvarutekniskforskning.
• Utvärdera diagnostik från Hamiltonian Monte Carlo och kvadratisk approximering genom att använda koncept from informationsteori, dvs informationsentropi, WAIC och PSIS-LOO.
• Bedöma en posteriori sannolikhetsdistribution för prediktering utanför urval och för posteriori prediktionskontroller.