Measuring Complexity at the Requirements Stage: Spectral Metrics as Development Effort Predictors

Este estudo demonstra que métricas espectrais extraídas de redes estruturais de requisitos, utilizando integração molecular como proxy controlado, preveem o esforço de integração com correlações superiores a 0,95, preenchendo uma lacuna crítica na quantificação da complexidade em engenharia de requisitos.

O essencial

Imagine que você está construindo uma casa. Antes de colocar o primeiro tijolo, você precisa do projeto (as especificações). Se o projeto estiver confuso, cheio de contradições ou com conexões que não fazem sentido, a construção vai demorar mais, custar mais caro e pode até desmoronar.

Este artigo científico trata exatamente desse problema, mas no mundo da engenharia de sistemas complexos (como aviões, softwares gigantes ou satélites). O foco não é a casa pronta, mas sim o projeto escrito no papel (os "requisitos").

Aqui está a explicação simplificada, usando analogias do dia a dia:

1. O Problema: O "Caos" Escondido no Projeto

Muitas vezes, os engenheiros sabem medir a complexidade da estrutura final (a arquitetura), mas não conseguem medir o "caos" escondido no texto do projeto inicial.

• A Analogia: Imagine que você tem uma lista de compras para fazer um bolo. Se a lista diz "coloque ovos, depois farinha, depois adicione ovos novamente, mas só se a farinha estiver quente", isso cria uma confusão mental.
• O Desafio: Como medir essa confusão antes de começar a cozinhar? Se a lista for muito complexa, o cozinheiro (o engenheiro) vai demorar mais para entender e cometer mais erros.

2. A Solução: Transformando Palavras em "Moléculas"

Os autores do artigo tiveram uma ideia genial: em vez de tentar analisar o texto complicado diretamente, eles transformaram as regras do projeto em moléculas químicas.

• A Analogia: Pense em um projeto de software como um quebra-cabeça. Cada peça é uma regra. Algumas peças se encaixam de forma simples (uma linha reta), outras formam círculos complexos ou redes emaranhadas.
• O Experimento: Eles pegaram 23 pessoas e pediram para elas montarem modelos de moléculas (como se fossem kits de Lego atômicos) em um ambiente virtual.
  • Algumas moléculas eram simples (uma linha reta de átomos).
  • Outras eram complexas (muitos anéis conectados, como uma teia de aranha).
• A Mágica: Eles descobriram que a dificuldade de montar a molécula (o tempo que a pessoa levou) era idêntica à dificuldade de entender um projeto de engenharia com a mesma "forma" de conexões.

3. A Descoberta: A "Energia" do Projeto

Eles usaram matemática avançada (chamada de "espectro" ou análise de ondas) para medir essas formas.

• O que funcionou: Eles descobriram que métricas chamadas "Energia do Gráfico" e "Energia Laplaciana" eram como um "termômetro de esforço".
  • Se a "Energia" da molécula (ou do projeto) era alta, as pessoas levavam muito mais tempo para montar/entender.
  • A correlação foi altíssima (acima de 95%). Basicamente, a matemática previu o esforço humano com quase 100% de precisão.
• O que NÃO funcionou: Métricas simples, como apenas contar quantas conexões existiam (densidade), não serviram.
  • Analogia: Contar apenas o número de fios em um emaranhado não diz o quanto é difícil desembaraçá-los. Dois emaranhados podem ter o mesmo número de fios, mas um é fácil de resolver e o outro é um nó cego impossível. A matemática deles conseguiu ver a diferença; contar fios não.

4. Por que isso é importante? (O "Pulo do Gato")

Antes desse estudo, se um gerente de projeto quisesse saber se um projeto ia atrasar, ele tinha que confiar no "feeling" ou esperar até que o projeto estivesse quase pronto para ver os problemas.

Com essa nova ferramenta:

1. Previsão Antecipada: Assim que o texto do projeto é escrito, um computador pode transformá-lo em uma "molécula" matemática e dizer: "Cuidado! Esta parte do projeto tem uma 'Energia' muito alta. Vai demorar o dobro do tempo para integrar e tem alto risco de erro."
2. Economia de Dinheiro: É muito mais barato arrumar um projeto no papel do que consertar um avião que já foi construído errado.
3. Inteligência Artificial: Com o avanço da IA (como o ChatGPT) escrevendo projetos, essa métrica serve como um "filtro de qualidade". Se a IA gerar um projeto com "Energia" muito alta, o sistema avisa o humano: "Isso está muito confuso, revise antes de construir."

Resumo em uma frase

Os autores criaram uma "régua matemática" que transforma o texto confuso de um projeto em uma forma geométrica, permitindo prever com precisão se a equipe vai ter trabalho duro ou não, muito antes de qualquer código ser escrito ou peça fabricada.

Em suma: Eles provaram que a forma das conexões em um projeto define o esforço necessário para realizá-lo, e agora temos uma maneira de medir essa forma antes que o problema aconteça.

Resumo técnico

Título: Medindo Complexidade na Fase de Requisitos: Métricas Espectrais como Preditores de Esforço de Desenvolvimento

Autores: Dr. Maximilian Vierlboeck, Dr. Antonio Pugliese, Dr. Roshanak Nilchiani, Dr. Paul Grogan, Rashika Sugganahalli Natesh Babu.
Afiliação: Stevens Institute of Technology e Arizona State University.

---

1. O Problema

A complexidade em sistemas engenheirados é um desafio persistente que impulsiona estouro de custos, atrasos de cronograma e falhas de projetos. Embora a complexidade arquitetônica tenha sido amplamente estudada, a complexidade estrutural embutida nas especificações de requisitos permanece pouco compreendida e inadequadamente quantificada.

• A Lacuna: Os requisitos fundamentam o design do sistema; a complexidade introduzida nesta fase propaga-se pela arquitetura, implementação e integração.
• Limitação Atual: As métricas tradicionais de complexidade focam na arquitetura do sistema (após a definição dos componentes) ou em propriedades textuais (comprimento, legibilidade), falhando em capturar as dependências estruturais profundas e as interconexões presentes nos requisitos naturais.
• Necessidade: Há uma urgência em validar métricas que prevejam resultados de desempenho humano (esforço de integração) baseados na estrutura dos requisitos, especialmente com o aumento do uso de Modelos de Linguagem (LLMs) na engenharia de requisitos.

2. Metodologia

Os autores realizaram um estudo de caso experimental controlado para validar se métricas de complexidade estrutural podem prever o esforço de integração.

A. Isomorfismo Estrutural (Requisitos ↔ Moléculas)

Para isolar a complexidade estrutural de fatores confusos (como conhecimento de domínio, ambiguidade semântica ou linguagem), os pesquisadores utilizaram uma analogia isomórfica:

• Premissa: Redes de requisitos e estruturas moleculares podem ser representadas como grafos (nós e arestas) com propriedades topológicas equivalentes.
• Tarefa Experimental: 23 participantes com formação em engenharia (mas sem experiência em química) foram solicitados a montar estruturas moleculares virtuais em 3D usando o software Blender.
• Variável Dependente: O tempo de conclusão da tarefa serviu como proxy para o esforço de integração.
• Vantagem: Isso permitiu manipular a complexidade estrutural de forma controlada, eliminando viés de conhecimento prévio.

B. Extração e Métricas

Utilizando Processamento de Linguagem Natural (NLP), os requisitos são convertidos em grafos ponderados (matrizes de adjacência e Laplaciana). Foram avaliadas várias métricas:

1. Métricas Espectrais: Baseadas nos autovalores das matrizes.
   • Energia do Grafo (Graph Energy - GE): Soma dos valores absolutos dos autovalores da matriz de adjacência.
   • Energia do Grafo Laplaciano (Laplacian Graph Energy - LGE): Derivada da matriz Laplaciana.
2. Métricas Estruturais:
   • Complexidade Ciclomática: Número de caminhos independentes.
   • Densidade e Densidade Delta: Medem a conectividade geral.
3. Métricas Compostas:
   • Carga de Integração (Integration Load): Combina complexidade de componentes e interfaces.

3. Resultados Principais

A análise estatística (regressão linear/quadrática e modelos de efeitos mistos) revelou correlações significativas entre a complexidade estrutural e o tempo de tarefa:

• Alta Correlação das Métricas Espectrais:
  • As métricas Graph Energy (GE) e Laplacian Graph Energy (LGE) no nível de integração apresentaram correlações superiores a 0,95 com o tempo de conclusão.
  • A Complexidade Ciclomática também mostrou alta validade preditiva (correlação > 0,89).
  • A análise de efeitos mistos confirmou que a complexidade da tarefa é o principal motor da variação no tempo, mesmo considerando diferenças individuais entre participantes.
• Ineficácia das Métricas de Densidade:
  • Métricas baseadas em densidade (densidade absoluta, densidade delta) não mostraram validade preditiva significativa (correlações próximas a zero ou negativas e não significativas).
  • Isso indica que a simples contagem de conexões não captura a complexidade cognitiva real necessária para a integração.
• Validação de Nível:
  • Tanto a complexidade dos componentes individuais (nível de molécula) quanto a complexidade emergente da integração (nível de montagem) foram preditores fortes, sendo o nível de integração ligeiramente superior.

4. Contribuições Chave

1. Validação Empírica: É a primeira evidência experimental de que métricas espectrais derivadas de grafos (GE e LGE) preveem diretamente o esforço de integração humana, superando métricas tradicionais baseadas em densidade.
2. Ponte entre Arquitetura e Requisitos: O estudo preenche a lacuna metodológica entre a análise de complexidade arquitetônica (madura) e a engenharia de requisitos (imatura em métricas quantitativas), demonstrando que a complexidade pode ser medida e gerenciada desde o início do ciclo de vida.
3. Framework de Gestão Proativa: Propõe um processo de três etapas para integrar essas métricas na prática:
   • Extração Estrutural: Uso de NLP para converter texto em grafos.
   • Quantificação: Cálculo de métricas espectrais (GE, LGE, Carga).
   • Suporte à Decisão: Uso dos valores para identificar "pontos quentes" de complexidade, alocar recursos e mitigar riscos antes que o design seja congelado.

5. Significado e Implicações

• Gestão de Riscos Antecipada: Permite identificar requisitos problemáticos (como dependências circulares ou acoplamento excessivo) antes que eles se propaguem para a arquitetura, reduzindo custos de retrabalho.
• Independência de Domínio: Como as métricas operam sobre a estrutura do grafo e não sobre o conteúdo semântico, são aplicáveis a diversos domínios (aeroespacial, software, sistemas ciber-físicos) e podem ser usadas para avaliar especificações geradas por IA (LLMs).
• Mudança de Paradigma: Transforma a engenharia de requisitos de uma disciplina predominantemente qualitativa para uma baseada em análise estrutural quantitativa, permitindo a detecção de "vazamento de complexidade" (complexity creep).

Limitações e Trabalhos Futuros

• Validação Direta: O estudo usou moléculas como proxy. A próxima etapa é validar diretamente em tarefas de integração de requisitos de linguagem natural.
• Escalabilidade: Aplicação em sistemas industriais com milhares de requisitos.
• Comparação: Estudos futuros devem comparar diretamente o desempenho preditivo das métricas espectrais contra métricas tradicionais de requisitos (contagem de palavras, legibilidade).

Conclusão: O artigo estabelece que a complexidade introduzida na fase de requisitos é mensurável e que métricas espectrais específicas são preditores robustos do esforço de desenvolvimento, oferecendo uma base validada para a gestão proativa de complexidade em sistemas modernos.