什么是众包测试(Crowdsourced testing)

众包测试是一种新兴的软件测试方法,利用全球各地的测试人员进行多元化、经济高效的测试。它能提供广泛的环境和用户场景,降低成本,但同时也面临保密性、沟通和测试管理的挑战。众包测试常用于兼容性测试,与外包测试相比,测试人员分布更广泛,可按错误付费。将众包与专业测试团队结合,可实现更全面的质量保证。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

什么是众包测试(Crowdsourced testing)

众包测试(Crowdsourced Testing)是软件测试的一个新兴趋势,它利用了众包和云平台的优势、有效性和效率。它不同于传统的测试方法,因为测试是由来自不同地方的许多不同的测试人员进行的,而不是由雇佣的顾问和专业人员进行的。该软件在不同的现实平台下进行测试,使其更加可靠、经济高效、快速和无缺陷。[需要引证]此外,众源测试允许远程可用性测试,因为特定的目标群体可以通过人群招募。              

当软件更以用户为中心时,即软件的成功取决于其用户反馈,并且具有不同的用户空间时,考虑采用这种测试方法。当需要在一个地方很难找到的专家进行特定测试时,或者当公司缺乏内部执行测试的资源或时间时,通常使用游戏、移动应用程序来实现。 

众源测试公司为测试周期提供平台,通常免费提供给正在测试产品的公司。然后他们将产品众包给测试人员社区,他们自愿注册测试软件。这些测试人员通常是按错误付费的,这取决于错误的类型及其市场价格。众源测试团队通常是内部质量保证团队的补充,而不是替代团队。根据任务的不同,一些平台通过自助服务模型、提供者管理的服务或两者都提供对人群的访问。 

众包测试的优点

  • 核心测试团队可能没有在不同环境和不同情况下(例如,不同的互联网带宽、设备等)测试软件的所有资源,因为可能无法拥有所有资源来创建应在其中测试软件的不同环境。              
  • 它具有成本效益,因为产品公司只为报告的有效错误付费。通常,测试软件的时间相对较少,因此它会带来更好的生产力,因此比雇佣工程师、设计师和专家更便宜。              
  • 执行这种形式的测试的测试人员对公司的内部问题没有偏见。            
  •  测试人员的池是不同的,在语言和区域中都有不同的变化。这有助于测试基于本地化的应用程序。              
  • 由于同时测试软件的测试人员数量众多,因此可以快速完成测试,从而缩短上市时间。              
  • 执行不同应用程序测试的测试人员将识别常见的反模式。 

众包测试的缺点

  • 随着正在测试的系统中的非内部人员数量的增加,必须密切管理保密性。              
  • 与一群众包测试人员进行即时和迅速的沟通可能很困难。              
  • 众包测试人员根据检测到的错误数量获得补偿,可以检测到更多影响较小的错误,同时跳过更关键或更难复制的错误。
  • 由于测试人员的时区和地点、语言和文化的差异,众包测试将导致对管理监督的需求增加。              
  • 在众包测试中确保测试覆盖可能很困难,因为测试的计划或跟踪方式与传统的瀑布或敏捷测试工作不同。              
  • 创新和新功能泄露给竞争对手的风险。

众包测试与软件外包测试的区别

众包测试与软件外包测试的主要区别在于,在众包测试中,测试人员可能属于不同的工作场所。外包测试时,测试人员来自负责外包的同一公司或工作场所。在众包测试中,人们自愿测试软件,有可能得不到报酬(如果没有发现错误)。外包测试人员的工作总是有报酬的。              

众包测试最适合于测试版和兼容性测试,这是测试的最后必要步骤;但是,大多数软件对于像这样的后期测试来说过于复杂,无法涵盖所有可能的问题。一个专门的外包或内部测试团队将更好地了解软件可能的缺陷,但不会提供接近众包测试范围的任何地方。因此,一个好的解决方案是将多个测试团队集成到任何开发项目中(并且从一开始就考虑到可测试性原则)。

众包可能无法提供应用程序的最佳反馈。将众包测试和专用测试团队结合在一起的多样化测试方法可能是有利的。”拥有这种多样的人员配置,您可以以流动的方式上下扩展您的资源,在开发和测试的高峰期满足紧张的最后期限,同时在缓慢的时期控制成本。 

Li Zhang, Wei-Tek Tsai, Adaptive attention fusion network for cross-device GUI element re-identification in crowdsourced testing, Neurocomputing, Volume 580, 2024, 127502, ISSN 0925-2312, https://doi.org/10.1016/j.neucom.2024.127502. (https://www.sciencedirect.com/science/article/pii/S092523122400273X) Abstract: The rapid growth of mobile devices has ushered in an era of different device platforms. Different devices require a consistent user experience, especially with similar graphical user interfaces (GUIs). However, the different code bases of the various operating systems as well as the different GUI layouts and resolutions of the various devices pose a challenge for automated software testing. Crowdsourced software testing (CST) has emerged as a viable solution where crowdsourced workers perform tests on their own devices and provide detailed bug reports. Although CST is cost-effective, it is not very efficient and requires a large number of workers for manual testing. The potential of optimizing CST reproduction testing through computer vision remains largely untapped, especially when considering the uniformity of GUI elements on different devices. In this study, we present a novel deep learning model specifically designed to re-identify GUI elements in CST reproduction test scenarios, regardless of the underlying code changes on different devices. The model features a robust backbone network for feature extraction, an innovative attention mechanism with learnable factors to enhance the features of GUI elements and minimize interference from their backgrounds, and a classifier to determine matching labels for these elements. Our approach was validated on a large GUI element dataset containing 31,098 element images for training, 115,704 element images from real apps for testing, and 67 different background images. The results of our experiments underline the excellent accuracy of the model and the importance of each component. This work is a major step forward in improving the efficiency of reproduction testing in CST. The innovative solutions we propose could further reduce labor costs for CST platforms. Keywords: Crowdtesting; Computer vision; Convolutional neural network; GUI element re-identification; Adaptive attention mechanism; Cross-device testing
最新发布
03-22
评论 2
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值