Text to Test Mapper
Authors
Raudive, Edgars ; Ukrinas, Marius
Term
4. term
Publication year
2019
Submitted on
2019-06-05
Pages
105
Abstract
This thesis tackles the low rate of test automation in software development by exploring how machine learning, combined with a web application, can automate Behavior Driven Development (BDD) test case creation. Using GN ReSound as a case context, the Text‑to‑Test‑Mapper (TTTM) system is designed and prototyped to translate users’ free‑text test descriptions into standardized test steps via semantic matching. The solution integrates a ReactJS client, a Node.js server, a MongoDB database, and an LSTM neural network that maps user inputs to predefined test step formulations. The work includes a review of relevant technologies, selection of web and ML tools, requirements specification, dataset preparation from existing test documentation, low‑fi prototype user testing, and subsequent ML accuracy testing and black‑box software testing. The goal is to raise automation levels, reduce manual effort, and bridge the gap between developers and requirements stakeholders. This excerpt outlines objectives, design, and methods; detailed quantitative results are not presented here, and reflections and future enhancements—such as dynamic variable detection and user‑driven test step expansion—are discussed.
Denne afhandling adresserer den lave grad af testautomatisering i softwareudvikling ved at undersøge, hvordan maskinlæring kombineret med en webapplikation kan automatisere oprettelsen af testcases baseret på Behavior Driven Development (BDD). Med GN ReSound som case udformes og prototypetestes systemet Text‑to‑Test‑Mapper (TTTM), der hjælper med at konvertere brugernes fritekst‑testbeskrivelser til standardiserede testskridt gennem semantisk sammenligning. Løsningen består af en ReactJS‑klient, en Node.js‑server, en MongoDB‑database og en LSTM‑neuralt netværk, der matcher brugerinput til foruddefinerede testskridtformuleringer. Arbejdet omfatter en gennemgang af beslægtede teknologier, udvælgelse af web‑ og ML‑værktøjer, kravspecificering, datasætforberedelse fra eksisterende testdokumentation, low‑fi prototype‑brugertest samt efterfølgende nøjagtighedstests af ML‑delen og black‑box softwaretest. Projektet sigter mod at øge graden af automatisering, reducere manuel testindsats og bygge bro mellem udviklere og kravstillere. Uddraget beskriver mål, design og metode; detaljerede kvantitative resultater fremgår ikke af denne del, men der skitseres refleksioner og mulige forbedringer såsom dynamisk variabeldetektion og brugerdrevet udvidelse af testskridtsamlingen.
[This apstract has been generated with the help of AI directly from the project full text]
Keywords
Neural Network ; LSTM ; Node.js ; React.js ; BDD