Análisis estadístico neutrosófico del uso de métricas de usabilidad en el proceso de ingeniería de requisitos para aplicaciones móviles

Autores/as

  • María Angélica Pico Pico Universidad Regional Autónoma de Los Andes, Ambato. Ecuador
  • Edwin Fabricio Lozada Torres Universidad Regional Autónoma de Los Andes, Ambato. Ecuador
  • Luis Rafael Freire Lescano Universidad Regional Autónoma de Los Andes, Ambato. Ecuador

Palabras clave:

estadística neutrosófica, aplicaciones móviles, métricas de usabilidad

Resumen

La usabilidad es uno de los requerimientos funcionales más importantes, a considerar en la etapa de definición de requerimientos en el desarrollo de aplicaciones móviles, si se quiere obtener un producto de calidad que cumpla con las expectativas del usuario final. Sin embargo este requerimiento a pesar de ser un factor crítico para el éxito de las aplicaciones móviles es poco considerado en la fase de definición de requisitos ya que en su mayoría los desarrolladores de aplicaciones móviles que consideran la usabilidad hacen uso de métricas tales como la eficiencia, la efectividad, la satisfacción, la producción, la accesibilidad entre otras en las fases de diseño y pruebas de las aplicaciones móviles, dejando de lado la importancia que posee la usabilidad dentro de la ingeniería de requisitos del software. Se empleó un enfoque mixto de la investigación con un diseño transversal. El objetivo de la investigación es realizar un análisis estadístico neutrosófico sobre el uso de métricas de usabilidad en el proceso de ingeniería de requisitos para aplicaciones móviles. Una vez aplicados y tabulados los datos obtenidos se interpretaron los resultados los que tienen un nivel adecuado de validez, pues la neutrosofía permitió obtener resultados con mayor nivel de precisión y fiabilidad.

Publicado

2023-10-01

Número

Sección

Articulos

Cómo citar

Análisis estadístico neutrosófico del uso de métricas de usabilidad en el proceso de ingeniería de requisitos para aplicaciones móviles. (2023). Neutrosophic Computing and Machine Learning. ISSN 2574-1101, 29, 223-232. https://fs.unm.edu/NCML2/index.php/112/article/view/433