laboratorio-de-experimentacao-de-software

KO | EN

gitlite — search

#python #machine-learning #kotlin #ai #typescript #java #deep-learning #react #android #tailwindcss #docker #automation

laboratorio-de-experimentacao-de-software

★ 41 Open GitHub ↗

Repo Laboratório de Experimentação de Software

// repository documentation

Was this content helpful?

★ 0 (0 ratings)

-----

-----

# Repo Laboratório de Experimentação de Software

![Python Version](https://img.shields.io/badge/python-3.10%2B-blue?style=for-the-badge&logo=python) ![GitHub repo size](https://img.shields.io/github/repo-size/joaopauloaramuni/laboratorio-de-experimentacao-de-software?style=for-the-badge&logo=files) ![GitHub directory file count](https://img.shields.io/github/directory-file-count/joaopauloaramuni/laboratorio-de-experimentacao-de-software?style=for-the-badge&logo=files) ![GitHub stars](https://img.shields.io/github/stars/joaopauloaramuni/laboratorio-de-experimentacao-de-software?style=for-the-badge&logo=github) ![GitHub forks](https://img.shields.io/github/forks/joaopauloaramuni/laboratorio-de-experimentacao-de-software?style=for-the-badge&logo=git) ![GitHub language count](https://img.shields.io/github/languages/count/joaopauloaramuni/laboratorio-de-experimentacao-de-software?style=for-the-badge&logo=python) ![GitHub license](https://img.shields.io/github/license/joaopauloaramuni/laboratorio-de-experimentacao-de-software?style=for-the-badge&color=007ec6&logo=opensourceinitiative) ![GitHub commit activity](https://img.shields.io/github/commit-activity/m/joaopauloaramuni/laboratorio-de-experimentacao-de-software?style=for-the-badge&color=007ec6&logo=gitkraken) ![GitHub last commit](https://img.shields.io/github/last-commit/joaopauloaramuni/laboratorio-de-experimentacao-de-software?style=for-the-badge&logo=clockify) ![Views Counter](https://views-counter.vercel.app/badge?pageId=https%3A%2F%2Fgithub%2Ecom%2Fjoaopauloaramuni%2Flaboratorio-de-experimentacao-de-software&leftColor=555555&rightColor=007ec6&type=total&label=RepoViews)

Disciplina do curso de Engenharia de Software da PUC Minas

- 2°Sem 2024
- 1°Sem 2025
- 2°Sem 2025

-----

### Sumário:
- [Apresentação da disciplina](https://github.com/joaopauloaramuni/laboratorio-de-experimentacao-de-software/tree/main/PDF)
- [Artigos sugeridos](https://github.com/joaopauloaramuni/laboratorio-de-experimentacao-de-software/tree/main/ARTIGOS)
- [Cronograma](https://github.com/joaopauloaramuni/laboratorio-de-experimentacao-de-software/tree/main/CRONOGRAMA)
- [Laboratórios](https://github.com/joaopauloaramuni/laboratorio-de-experimentacao-de-software/tree/main/LABORATORIOS)
- [Templates](https://github.com/joaopauloaramuni/laboratorio-de-experimentacao-de-software/tree/main/TEMPLATES)
  - [Template de Relatório Técnico de Laboratório](https://github.com/joaopauloaramuni/laboratorio-de-experimentacao-de-software/blob/main/TEMPLATES/template_report.md)
    - *Usado para os laboratórios, entregue ao final da Sprint 03 de cada Lab.*
  - [Template de artigo da SBC Conference](https://github.com/joaopauloaramuni/laboratorio-de-experimentacao-de-software/blob/main/TEMPLATES/SBC_Conferences_Template__3_.zip)
    - *Usado em TIS 6 - Trabalho Interdisciplinar VI: Pesquisa em Engenharia de Software e também no Laboratório 04 de LES - Laboratório de Experimentação de Software.*
    - *SBC Conference: Conferência da Sociedade Brasileira de Computação, voltada para a divulgação de pesquisas na área de ciência da computação e engenharia de software.*
- [Projetos em Python](https://github.com/joaopauloaramuni/laboratorio-de-experimentacao-de-software/tree/main/PROJETOS)
- [Plano de Ensino](https://github.com/joaopauloaramuni/laboratorio-de-experimentacao-de-software/tree/main/PLANO%20DE%20ENSINO)

#### Links úteis:

##### Calendário Acadêmico
- 📅 [Calendário Acadêmico 2025 - PUC Minas](https://github.com/user-attachments/files/21538501/FINAL_calendario.academico_2025.pdf)

##### 📚 Referências gerais

###### 📌 Experimentação de Software

- 📘 [Experimentation in Software Engineering (Springer)](https://link.springer.com/book/10.1007/978-3-662-69306-3)  
  Livro referência sobre experimentação na engenharia de software, cobrindo desenho, condução e análise de estudos empíricos.

- 📕 [Empirical Research in Software Engineering: Concepts, Analysis, and Applications (Amazon)](https://www.amazon.com/Empirical-Research-Software-Engineering-Applications/dp/1498719724)  
  Livro introdutório e prático que cobre os fundamentos da pesquisa empírica em engenharia de software, com exemplos e aplicações reais.

- 📙 [Empirical Software Engineering - An International Journal (Springer)](https://link.springer.com/journal/10664)  
  Revista científica de alto impacto que publica estudos empíricos baseados em dados reais sobre engenharia de software, abordando desde estudos de caso até experimentos controlados.

###### 🛠️ Engenharia de Software

- 📗 [Software Engineering – Ian Sommerville](https://www.amazon.com.br/Engenharia-Software-Ian-Sommerville/dp/8543024978)  
  Obra clássica que aborda de forma abrangente os principais conceitos, processos e práticas da engenharia de software, amplamente utilizada em cursos e na indústria.

- 📘 [Engenharia de Software Moderna - Marco Tulio Valente](https://engsoftmoderna.info/)  
  Livro gratuito e atualizado que trata da engenharia de software com foco em práticas modernas, como integração contínua, microserviços e DevOps, com exemplos em Java e Python.
   
   - 🎵 [Podcast / Audiobook no Spotify](https://open.spotify.com/show/4yEKBtRMbtwLtgXP8Gq0Fa)  
     Engenharia de Software Moderna está também disponível no formato de podcast, com resumos de seções do livro gerados por IA por meio do NotebookLM do Google.

- 📚 [IEEE SWEBOK – Software Engineering Body of Knowledge](https://www.computer.org/education/bodies-of-knowledge/software-engineering)  
  - [PDF](https://github.com/joaopauloaramuni/laboratorio-de-experimentacao-de-software/blob/main/SWEBOK/swebok-v4.pdf) - Guia oficial do IEEE que organiza e descreve o corpo de conhecimento essencial da engenharia de software, servindo como referência para profissionais, educadores e certificações.

###### 📖 Leituras essenciais para aprender e dominar Python  
A leitura de bons livros é uma forma sólida e aprofundada de aprender Python, desde os fundamentos até tópicos avançados como orientação a objetos, scraping, boas práticas e uso idiomático da linguagem. A lista a seguir inclui títulos para iniciantes, intermediários e profissionais que desejam escrever código mais limpo e eficaz.

- [📕 Python para Análise de Dados (Wes McKinney)](https://www.amazon.com.br/Python-Para-An%C3%A1lise-Dados-Tratamento/dp/8575228412)
- [📘 Python Fluente - Programação Concisa e Eficaz (Luciano Ramalho)](https://www.amazon.com.br/Python-Fluente-Programação-Concisa-Eficaz/dp/857522462X)
- [📙 Pense em Python - Como um Cientista da Computação (Allen B. Downey)](https://www.amazon.com.br/Pense-Python-Como-Cientista-Computação/dp/8575225081)
- [📒 Python Essential Reference (David Beazley)](https://www.amazon.com.br/Python-Essential-Reference-David-Beazley-dp-0134173279/dp/0134173279)
- [📕 Web Scraping com Python - Coletando Dados da Web (Ryan Mitchell)](https://www.amazon.com.br/Web-Scraping-Com-Python-Coletando/dp/8575227300)
- [📗 Guia do Mochileiro Python (Felipe Furtado)](https://python-guide-pt-br.readthedocs.io/pt-br/latest/)

-----

##### 📚 Leitura complementar

###### 📖 Fontes para aprofundar conhecimentos em engenharia de software empírica  
Além dos estudos focados na linguagem Python, é fundamental explorar abordagens mais amplas e baseadas em evidências sobre o desenvolvimento de software. A engenharia de software empírica fornece métodos e estudos que ajudam a compreender e melhorar práticas, ferramentas e processos de desenvolvimento com base em dados e observações do mundo real. Os recursos abaixo são indicados para quem deseja mergulhar nessa área de pesquisa aplicada.

- 📒 [Software Metrics: A Rigorous and Practical Approach (Fenton & Bieman)](https://www.amazon.com.br/Software‑Metrics‑Rigorous‑Practical‑Approach/dp/1439838224)  
  Referência abrangente sobre métricas de software, incluindo fundamentos teóricos, coleta de dados, planejamento experimental e aplicações práticas na engenharia de software.

- 📗 [IEEE Transactions on Software Engineering](https://ieeexplore.ieee.org/xpl/RecentIssue.jsp?punumber=32)  
  Uma das publicações mais respeitadas da área, apresentando pesquisas de ponta, incluindo estudos empíricos, modelagem, testes e práticas de desenvolvimento.

- 📙 [Applied Software Measurement: Global Analysis of Productivity and Quality (3rd Edition) – Capers Jones](https://www.amazon.com.br/Applied-Software-Measurement-Productivity-Quality/dp/0071502440)  
  Obra abrangente sobre métricas de software, abordando desde pontos de função até metodologias ágeis, com dados de mais de 12.000 projetos em 24 países.

- 📕 [Basics of Software Engineering Experimentation](https://www.amazon.com.br/Software-Engineering-Experimentation-Natalia-Juristo/dp/1441950117)  
  Guia prático que mostra como aplicar desenho e análise de experimentos para validar suposições em engenharia de software. Não exige conhecimento profundo em matemática e usa exemplos reais e fictícios do campo.
  
- 📘 [Guide to Advanced Empirical Software Engineering](https://link.springer.com/book/10.1007/978-1-84800-044-5)  
  Referência avançada que explora técnicas empíricas para pesquisa e prática em engenharia de software, incluindo métodos quantitativos e qualitativos, estudos de caso e análises complexas.

###### 📝 Outras fontes extras

- 📗 [Software Engineering: A Practitioner’s Approach – Roger Pressman](https://www.amazon.com.br/Engenharia-software-Roger-S-Pressman/dp/6558040107)  
  Referência clássica que cobre fundamentos e práticas gerais da engenharia de software, incluindo métricas e validação, mas com abordagem limitada sobre experimentação empírica.

- 📘 [Evidence-Based Software Engineering and Systematic Reviews (Barbara Kitchenham, Per Runeson, et al.)](https://www.amazon.com/Evidence-Based-Software-Engineering-Systematic-Reviews/dp/0367575337)  
  Obra fundamental sobre a aplicação de revisões sistemáticas e práticas baseadas em evidências na engenharia de software.

- 📒 [The Art and Science of Analyzing Software Data (Zeller, Gall, Menzies)](https://www.amazon.com/Art-Science-Analyzing-Software-Data/dp/0124115195)  
  Livro técnico que ensina a coletar, analisar e interpretar dados extraídos de projetos de software para fundamentar decisões técnicas.

- 📕 [ACM Transactions on Software Engineering and Methodology (TOSEM)](https://dl.acm.org/journal/tosem)  
  Periódico acadêmico da ACM focado em métodos, ferramentas e práticas de engenharia de software, com forte ênfase em estudos empíricos e validação experimental.

- 📙 [Mining Software Repositories (MSR Conference)](https://www.msrconf.org/)  
  Conferência internacional dedicada à extração e análise de dados de repositórios de software (como GitHub), com foco em descobrir padrões e gerar insights práticos.

- 📓 [Software Engineering at Google: Lessons Learned from Programming Over Time (O'Reilly)](https://www.oreilly.com/library/view/software-engineering-at/9781492082781/)  
  Livro baseado na experiência do Google, apresentando princípios, práticas e lições aprendidas sobre engenharia de software em larga escala — com abordagem pragmática e baseada em dados.

- 📔 [Guidelines for performing Systematic Literature Reviews in Software Engineering - PDF](https://legacyfileshare.elsevier.com/promis_misc/525444systematicreviewsguide.pdf) *(guia clássico de revisões sistemáticas em SE)*  
  Guia seminal de Kitchenham et al. que apresenta passo a passo como planejar, conduzir e reportar revisões sistemáticas da literatura em engenharia de software.

-----

##### 🧾 Artigos clássicos e leituras sugeridas

**1.** 📄 Basili, V.R., & Weiss, D.M. (1984). [A Methodology for Collecting Valid Software Engineering Data](https://github.com/joaopauloaramuni/laboratorio-de-experimentacao-de-software/blob/main/ARTIGOS/A-methodology-for-collecting-valid-software-engineering-data.pdf). *IEEE Transactions on Software Engineering*  
➤ Este artigo apresenta uma metodologia rigorosa para coleta e análise de dados empíricos em engenharia de software, sendo um marco para experimentação controlada.

**2.** 📊 Kitchenham, B., et al. (2002). [An Empirical Study of Maintenance and Development Estimation Accuracy](https://github.com/joaopauloaramuni/laboratorio-de-experimentacao-de-software/blob/main/ARTIGOS/An-empirical-study-of-maintenance-and-development-estimation-accuracy.pdf). *The Journal of Systems and Software*.  
➤ Estudo empírico que mostra boa acurácia em estimativas feitas por uma empresa, superando modelos por pontos de função.

**3.** 🎯 Basili, V.R., Caldiera, G., & Rombach, H.D. (1994). [The Goal Question Metric Approach](https://github.com/joaopauloaramuni/laboratorio-de-experimentacao-de-software/blob/main/ARTIGOS/The-goal-question-metric-approach.pdf). *Journal of Software Engineering and Knowledge Engineering*.  
➤ Define um framework para definição sistemática de métricas alinhadas a objetivos de negócios e engenharia.

**4.** 🐞 Fenton, N.E., & Neil, M. (1999). [A Critique of Software Defect Prediction Models](https://github.com/joaopauloaramuni/laboratorio-de-experimentacao-de-software/blob/main/ARTIGOS/A-critique-of-software-defect-prediction-models.pdf). *IEEE Transactions on Software Engineering*.  
➤ Análise crítica dos modelos preditivos de defeitos, ressaltando desafios na validação empírica.

**5.** 🧪 Tichy, W.F. (1998). [Should Computer Scientists Experiment More?](https://github.com/joaopauloaramuni/laboratorio-de-experimentacao-de-software/blob/main/ARTIGOS/Should-computer-scientists-experiment-more%3F.pdf). *IEEE Computer*.  
➤ Discussão histórica e crítica sobre a importância da experimentação rigorosa em ciência da computação e engenharia de software.

**6.** 🧾 Runeson, P., & Höst, M. (2009). [Guidelines for conducting and reporting case study research in software engineering](https://github.com/joaopauloaramuni/laboratorio-de-experimentacao-de-software/blob/main/ARTIGOS/Guidelines-for-conducting-and-reporting-case-study-research-in-software-engineering.pdf). *Empirical Software Engineering*  
➤ Artigo fundamental para quem deseja conduzir estudos de caso em engenharia de software com rigor científico e validade externa.

**7.** 🔄 Dyba, T., & Dingsoyr, T. (2008). [Empirical studies of agile software development: A systematic review](https://github.com/joaopauloaramuni/laboratorio-de-experimentacao-de-software/blob/main/ARTIGOS/Empirical-studies-of-agile-software-development-A-systematic-review.pdf). *Information and Software Technology*.  
➤ Revisão sistemática que analisa evidências empíricas sobre métodos ágeis e seu impacto na produtividade, qualidade e satisfação da equipe.

**8.** 📐 Briand, L.C., Morasca, S., & Basili, V.R. (2002). [An operational process for goal-driven definition of measures](https://github.com/joaopauloaramuni/laboratorio-de-experimentacao-de-software/blob/main/ARTIGOS/An-operational-process-for-goal-driven-definition.pdf). *IEEE Transactions on Software Engineering*.  
   Proposta de um processo sistemático para definir métricas a partir de objetivos organizacionais e necessidades específicas de análise.

**9.** 📘 Zelkowitz, M.V., & Wallace, D.R. (1998). [Experimental models for validating technology](https://github.com/joaopauloaramuni/laboratorio-de-experimentacao-de-software/blob/main/ARTIGOS/Experimental-models-for-validating-technology.pdf). *Computer*.  
➤ Apresenta 12 modelos experimentais aplicáveis à engenharia de software para validar novas tecnologias, discutindo como diferentes abordagens afetam a confiabilidade dos resultados empíricos.

**10.** 📄 Kitchenham, B., et al. (2004). [Evidence-Based Software Engineering](https://github.com/joaopauloaramuni/laboratorio-de-experimentacao-de-software/blob/main/ARTIGOS/Evidence-based-software-engineering.pdf). *Proceedings of the 26th International Conference on Software Engineering*.  
➤ Apresenta os fundamentos da engenharia de software baseada em evidências, discutindo benefícios, viés em experimentos e limites de generalização.

**11.** 🧪 Sjøberg, D. I. K., Hannay, J. E., Hansen, O., et al. (2005). [A Survey of Controlled Experiments in Software Engineering](https://github.com/joaopauloaramuni/laboratorio-de-experimentacao-de-software/blob/main/ARTIGOS/A-survey-of-controlled-experiments-in-software-engineering.pdf). *IEEE Transactions on Software Engineering*.  
➤ Estudo abrangente que analisa mais de 100 experimentos controlados, apontando tendências, deficiências metodológicas e oportunidades para pesquisa empírica mais robusta.

**12.** 📄 Zazworka, N., et al. (2013). [Comparing Four Approaches for Technical Debt Identification](https://github.com/joaopauloaramuni/laboratorio-de-experimentacao-de-software/blob/main/ARTIGOS/Comparing-four-approaches-for-technical-debt-identification.pdf). *Software Quality Journal*, pp. 1-24.  
➤ Compara quatro técnicas para identificar dívida técnica no código-fonte, mostrando pouca sobreposição entre elas e destacando a relação entre violações de modularidade e maior incidência de defeitos e mudanças.

**13.** 🧠 Ko, A. J., DeLine, R., & Venolia, G. (2007). [Information Needs in Collocated Software Development Teams](https://github.com/joaopauloaramuni/laboratorio-de-experimentacao-de-software/blob/main/ARTIGOS/Information-needs-in-collocated-software-development-teams.pdf). *Proceedings of the 29th International Conference on Software Engineering (ICSE)*.  
➤ Clássico que investiga as necessidades de informação em equipes de desenvolvimento de software que trabalham fisicamente próximas, ajudando a compreender fluxos de comunicação e colaboração.

**14.** 📈 Arcuri, A., & Briand, L. (2011). [A Practical Guide for Using Statistical Tests to Assess Randomized Algorithms in Software Engineering](https://github.com/joaopauloaramuni/laboratorio-de-experimentacao-de-software/blob/main/ARTIGOS/A-practical-guide-for-using-statistical-tests-to-assess-randomized-algorithms.pdf). *Proceedings of the 33rd International Conference on Software Engineering (ICSE)*.  
➤ Guia prático sobre como aplicar testes estatísticos corretamente na comparação de algoritmos randomizados, com foco em engenharia de software.

**15.** 🌍 Wachs, J., Nitecki, M., Schueller, W., & Polleres, A. *The Geography of Open Source Software: Evidence from GitHub*.

- **15.1** 📄 Wachs, J., Nitecki, M., Schueller, W., & Polleres, A. (2022). [The Geography of Open Source Software: Evidence from GitHub](https://doi.org/10.1016/j.techfore.2022.121478). *Technological Forecasting and Social Change, 176*, 121478.  
  ➤ Publicado na revista *Technological Forecasting and Social Change* (Elsevier), março de 2022, com 17 páginas. O artigo geolocaliza mais de meio milhão de contribuidores ativos do GitHub em 2021, mostrando crescimento da participação da Ásia, América Latina e Europa Oriental, mas também forte concentração regional dentro dos países. Defende políticas locais para apoiar redes de desenvolvedores de OSS.

- **15.2** 📊 Wachs, J., Nitecki, M., Schueller, W., & Polleres, A. (2021). [The Geography of Open Source Software: Evidence from GitHub](https://arxiv.org/abs/2107.03200). arXiv:2107.03200 [cs.SI]. *Computer Science > Social and Information Networks*.  
  ➤ Preprint disponível no arXiv, submetido em 7 de julho de 2021 (v1) e revisado em 12 de outubro de 2021 (v2), com 28 páginas. A versão expandida mantém o foco na distribuição geográfica dos desenvolvedores de OSS no GitHub, discutindo concentração em polos regionais e sugerindo que políticas públicas locais são mais eficazes que estratégias nacionais.

- :octocat: *Dados e scripts disponíveis no GitHub:*  
  ➤ Repositório do pipeline de geocodificação e dados agregados usado no estudo: [Geography-of-Open-Source-Software](https://github.com/n1tecki/Geography-of-Open-Source-Software)

-----

###### 🧹 Leituras sugeridas sobre Análise de Código

**16.** 🧮 Chidamber, S. R., & Kemerer, C. F. (1994). [A Metrics Suite for Object Oriented Design](https://github.com/joaopauloaramuni/laboratorio-de-experimentacao-de-software/blob/main/ARTIGOS/A-metrics-suite-for-object-oriented-design.pdf). *IEEE Transactions on Software Engineering*.  
➤ Artigo seminal que propôs o conjunto de métricas CK (WMC, DIT, NOC, CBO, RFC e LCOM), amplamente utilizadas na avaliação da qualidade de projetos orientados a objetos.

**17.** 🧼 Marinescu, R. (2004). [Detection Strategies: Metrics-Based Rules for Detecting Design Flaws](https://github.com/joaopauloaramuni/laboratorio-de-experimentacao-de-software/blob/main/ARTIGOS/Detection-strategies-metrics-based-rules-for-detecting-design-flaws.pdf). *Proceedings of the 20th IEEE International Conference on Software Maintenance*.  
➤ Propõe o uso de métricas orientadas a objetos para formular regras que detectam automaticamente *code smells* arquiteturais e de design em sistemas Java.

**18.** 📚 Zakeri-Nasrabadi, M., Parsa, S., Esmaili, E., & Palomba, F. (2023). [A Systematic Literature Review on the Code Smells Datasets and Validation Mechanisms](https://github.com/joaopauloaramuni/laboratorio-de-experimentacao-de-software/blob/main/ARTIGOS/A-systematic-literature-review-on-the-code-smells.pdf). *ACM Computing Surveys, 55(13s)*.  
➤ Revisão sistemática de 45 conjuntos de dados utilizados para validar ferramentas de detecção de *code smells*. Os autores analisam propriedades como tamanho, tipos de *smells* representados, balanceamento de amostras e suporte a severidade. O estudo mostra que a maioria dos datasets cobre apenas três tipos (God Class, Long Method e Feature Envy), com vários *smells* do catálogo de Fowler e Beck ainda não representados.

**19.** 🕵️ Tufano, M., Palomba, F., Bavota, G., De Lucia, A., Penta, M. D., & Oliveto, R. (2015). [When and Why Your Code Starts to Smell Bad](https://github.com/joaopauloaramuni/laboratorio-de-experimentacao-de-software/blob/main/ARTIGOS/When-and-why-your-code-starts-to-smell-bad.pdf). *Proceedings of the 37th IEEE/ACM International Conference on Software Engineering (ICSE)*.  
➤ Investiga a origem dos *code smells* em repositórios Java, revelando que muitos surgem logo na introdução do código e não como resultado de manutenção ou degradação gradual.

**20.** 🧭 Palomba, F., Bavota, G., Di Penta, M., Fasano, F., Oliveto, R., & De Lucia, A. (2017). [On the Diffuseness and the Impact on Maintainability of Code Smells: A Large Scale Empirical Investigation](https://github.com/joaopauloaramuni/laboratorio-de-experimentacao-de-software/blob/main/ARTIGOS/On-the-diffuseness-and-the-impact-on-maintainability-of-code-smells-a-large-scale-empirical-investigation.pdf). *Empirical Software Engineering*.  
➤ Estudo empírico com 395 versões de 30 projetos open source, analisando 13 tipos de *code smells*. Conclui que *smells* como *Complex Class* são amplamente difundidos e aumentam a propensão a mudanças e defeitos no código.

**21.** 🔍 Agnihotri, M., & Chug, A. (2020). [A Systematic Literature Survey of Software Metrics, Code Smells and Refactoring Techniques](https://github.com/joaopauloaramuni/laboratorio-de-experimentacao-de-software/blob/main/ARTIGOS/A-systematic-literature-survey-of-software-metrics-code-smells-and-refactoring-techniques.pdf). *Journal of Information Processing Systems Vol. 16, No. 4, pp. 915-934*.  
➤ Revisão de 68 estudos sobre *code smells*, técnicas de refatoração e seu impacto em métricas como acoplamento e complexidade. Os *smells* mais abordados foram *long method*, *feature envy* e *data class*, sendo o *extract class* a técnica de refatoração mais aplicada.
    
**22.** 👃 Virgínio, T. et al. (2021). [On the test smells detection: an empirical study on the JNose Test accuracy](https://github.com/joaopauloaramuni/laboratorio-de-experimentacao-de-software/blob/main/ARTIGOS/On-the-test-smells-detection.pdf). *Journal of Software Engineering Research and Development*.  
➤ Estudo que avalia a acurácia do JNose na detecção de *test smells* em código Java. Útil para entender limitações e implicações da qualidade dos testes automatizados.
    
**23.** 🔬 Subramanyam, R., & Krishnan, M. S. (2003). [Empirical Analysis of CK Metrics for Object-Oriented Design Complexity: Implications for Software Defects](https://github.com/joaopauloaramuni/laboratorio-de-experimentacao-de-software/blob/main/ARTIGOS/Empirical-analysis-of-CK-metrics-for-object-oriented-design-complexity.pdf). *IEEE Transactions on Software Engineering*, 29(4), 297–310.  
➤ Estudo empírico que investiga a relação entre as métricas CK (Chidamber & Kemerer) de design orientado a objetos e a incidência de defeitos em software. Os resultados indicam que métricas como CBO e WMC têm forte correlação com defeitos, sugerindo seu valor preditivo em qualidade de software.
    
**24.** 📄 Destefanis, G., Counsell, S., Concas, G., & Tonelli, R. (2014). [Software Metrics in Agile Software: An Empirical Study](https://github.com/joaopauloaramuni/laboratorio-de-experimentacao-de-software/blob/main/ARTIGOS/Software-metrics-in-agile-software-an-empirical-study.pdf). *Agile Processes in Software Engineering and Extreme Programming (XP 2014)*, pp. 157–170.  
➤ Análise empírica que mostra que métricas de software (como LOC e métricas CK) têm distribuições semelhantes em sistemas ágeis e tradicionais, sugerindo que a metodologia usada não afeta significativamente a estrutura do código.
    
**25.** 📈 Kurmangali, A., Rana, M. E., & Ab Rahman, W. N. W. (2022). [Impact of Abstract Factory and Decorator Design Patterns on Software Maintainability: Empirical Evaluation using CK Metrics](https://github.com/joaopauloaramuni/laboratorio-de-experimentacao-de-software/blob/main/ARTIGOS/Impact-of-abstract-factory-and-decorator-design-patterns-on-software-maintainability.pdf). *2022 International Conference on Decision Aid Sciences and Applications (DASA)*, 23–25 March.  
➤ Estudo empírico que avalia o impacto dos padrões Abstract Factory e Decorator na manutenibilidade de software, usando métricas CK. Os resultados mostram melhoria em atributos de qualidade após a aplicação dos padrões, reforçando seu valor em projetos orientados a objetos.

-----

###### 📅 2025

**26.** 🤖 Recupito, G., Giordano, G., Ferrucci, F., Di Nucci, D., & Palomba, F. (2025). [When Code Smells Meet ML: On the Lifecycle of ML-specific Code Smells in ML-enabled Systems](https://github.com/joaopauloaramuni/laboratorio-de-experimentacao-de-software/blob/main/ARTIGOS/When-code-smells-meet-ML.pdf). *Empirical Software Engineering: Volume 30, article number 139*.  
➤ Estudo que investiga *code smells* específicos de sistemas baseados em Machine Learning. Analisa sua prevalência, evolução e remoção em mais de 400 mil commits de 337 projetos reais, usando a ferramenta CodeSmile para detecção automatizada.

**27.** 🧠 De Martino, V., Castaño, J., Palomba, F., Franch, X., & Martínez-Fernández, S. (2025). [A Framework for Using LLMs for Repository Mining Studies in Empirical Software Engineering](https://github.com/joaopauloaramuni/laboratorio-de-experimentacao-de-software/blob/main/ARTIGOS/A-framework-for-using-LLMs-for-repository-mining-studies-in-empirical-software-engineering.pdf). *2025 IEEE/ACM International Workshop on Methodological Issues with Empirical Studies in Software Engineering (WSESE)*.  
➤ Propõe o framework PRIMES para apoiar o uso de LLMs em estudos de mineração de repositórios. O foco está na criação e refinamento de prompts, controle de resultados e reprodutibilidade, com lições práticas de dois estudos empíricos.

**28.** 🗂️ Alomari, N., Alazba, A., Aljamaan, H., & Alshayeb, M. (2025). [SmellyCode++: Multi-Label Dataset for Code Smell Detection](https://github.com/joaopauloaramuni/laboratorio-de-experimentacao-de-software/blob/main/ARTIGOS/SmellyCode%2B%2B.pdf). *Sci Data 12, 1207 (2025)*.  
➤ Apresenta um dataset multi-label com mais de 107 mil amostras para detecção de *code smells* em Java, incluindo God Class, Data Class, Feature Envy e Long Method. O dataset integra métricas numéricas e texto, melhorando a realismo na detecção e suporte para treinamento de LLMs.
    
**29.** 🐍 Boloori, A., & Sharma, T. (2025). [DPy: Code Smells Detection Tool for Python](https://github.com/joaopauloaramuni/laboratorio-de-experimentacao-de-software/blob/main/ARTIGOS/DPy-code-smells-detection-tool-for-python.pdf). *Proceedings of the 2025 IEEE/ACM 22nd International Conference on Mining Software Repositories (MSR)*.  
➤ Apresenta o DPy, ferramenta para detecção de *code smells* em Python, suportando 8 *design smells* e 11 *implementation smells*, além de métricas de qualidade. Disponibiliza pacote de replicação completo para validação e uso.

**30.** 🧱 Tamanna, M., Chandrani, Y., Burrows, M., Wroblewski, B., Williams, L., & Wermke, D. (2025). [Build It Clean: Large-Scale Detection of Code Smells in Build Scripts](https://github.com/joaopauloaramuni/laboratorio-de-experimentacao-de-software/blob/main/ARTIGOS/Build-it-clean-large-scale-detection-of-code-smells-in-build-scripts.pdf). *arXiv preprint arXiv:2506.17948*.   
➤ Estudo sobre *code smells* em scripts de build (Maven, Gradle, CMake e Makefiles), com análise de 5882 scripts de 4877 repositórios. A ferramenta Sniffer identificou 13 tipos de smells, somando 10.895 ocorrências. Oferece recomendações para melhorar a manutenção e confiabilidade dos scripts.

**31.** 🔍 Balla, S., Degueule, T., Robbes, R., Falleri, J.-R., & Zacchiroli, S. (2025). [Automatic Classification of Software Repositories: a Systematic Mapping Study](https://github.com/joaopauloaramuni/laboratorio-de-experimentacao-de-software/blob/main/ARTIGOS/Automatic-classification-of-software-repositories.pdf). *International Conference on Evaluation and Assessment in Software Engineering (EASE 2025)*, Jun 2025, Istanbul, Turkey.  
➤ Revisão sistemática de 43 estudos (2002–2023) sobre classificação automática de repositórios de software usando aprendizado de máquina. Analisa objetivos, entradas, saídas, treinamentos e avaliações dos estudos.

-----

##### 📊 Relatórios e benchmarks da indústria

- 📈 [2025 Software Engineering Benchmarks Report – LinearB](https://linearb.io/resources/software-engineering-benchmarks-report)  
  Relatório anual da LinearB que apresenta métricas e benchmarks baseados em dados empíricos coletados de milhares de equipes de engenharia de software. Fornece insights sobre produtividade, fluxo de desenvolvimento e práticas de alto desempenho, permitindo comparar times e identificar oportunidades de melhoria.

- 🧭 [The State of Software Engineering Excellence 2025 – Harness](https://www.harness.io/the-state-of-software-engineering-excellence)  
  Relatório global da Harness que analisa o estado da excelência em engenharia de software em 2025. Apresenta métricas de eficiência, qualidade e automação em pipelines de entrega, destacando práticas de elite em CI/CD, DevOps, confiabilidade e cultura de engenharia de alto desempenho.

-----

##### 📰 Notícias

###### 🗞️ Atualizações e novidades sobre experimentação em engenharia de software  
Principais notícias e artigos que destacam práticas, métricas e estudos empíricos em engenharia de software em 2025.

- **September 16, 2025**  
  [How tech companies measure the impact of AI on software development](https://newsletter.pragmaticengineer.com/p/how-tech-companies-measure-the-impact-of-ai)  
  Artigo da Pragmatic Engineer que explora como empresas como GitHub, Google, Dropbox, Monzo e Atlassian avaliam a eficácia das ferramentas de IA para desenvolvedores.

-----

##### 🗞️ Newsletters e publicações sugeridas

###### 🌍 Publicações e portais de referência global em engenharia de software e experimentação empírica

Básicas:

- [**Pragmatic Engineer Newsletter**](https://newsletter.pragmaticengineer.com/): Newsletter semanal com análises de práticas de engenharia de software, produtividade de equipes e experimentação em grandes empresas de tecnologia.

- [**Software Engineering Daily**](https://softwareengineeringdaily.com/): Podcast e newsletter com entrevistas e discussões sobre métricas, produtividade e experimentos em engenharia de software.

- [**ACM Queue**](https://queue.acm.org/): Revista com artigos sobre engenharia de software, práticas experimentais, métricas e estudos de caso em empresas e projetos reais.

Complementares:

- [**Software Lead Weekly**](https://softwareleadweekly.com/): Newsletter focada em liderança técnica, métricas de engenharia, experimentos de produtividade e práticas empíricas em desenvolvimento de software.

- [**CTO Craft Newsletter**](https://www.ctocraft.com/): Insights de CTOs sobre métricas, experimentação, decisões técnicas e engenharia de software empírica em grandes empresas.

- [**LeadDev Newsletter**](https://www.leaddev.com/newsletter): Newsletter sobre liderança de engenharia, produtividade de times e experiências empíricas em projetos de software.

-----

##### 🛠️ IDEs e Ferramentas

###### ⚙️ Ambientes de desenvolvimento para produtividade e depuração  
IDE (Ambiente de Desenvolvimento Integrado) e editores especializados ajudam a escrever, depurar e manter código com mais eficiência. Ferramentas como **PyCharm**, **VS Code** e **Python Tutor** oferecem recursos como autocompletar, depuração visual, linting, integração com Git e visualização de execução passo a passo.

- [💡 PyCharm - IDE da JetBrains](https://www.jetbrains.com/pt-br/pycharm/)
- [🧩 Visual Studio Code - Editor leve e extensível da Microsoft](https://code.visualstudio.com/)
- [🔍 Python Tutor - Visualizador de Código Python](https://pythontutor.com/python-compiler.html)

-----

###### 🎓 Como obter o PyCharm Professional gratuitamente com o GitHub Student Developer Pack
Ao se cadastrar no **GitHub Student Developer Pack**, você garante acesso gratuito à **versão profissional das ferramentas da JetBrains**, como o **PyCharm Professional** 🧠💻. Essa é uma excelente oportunidade para utilizar recursos avançados de desenvolvimento, como depuração visual, análise de código, suporte a frameworks e muito mais — tudo **sem custo** para estudantes! 🚀

###### ✅ Passo a passo:
1️⃣ **Adicione seu e-mail institucional** da PUC Minas (terminado em `@sga.pucminas.br`) como **e-mail secundário** na sua conta do GitHub em [https://github.com/settings/emails](https://github.com/settings/emails)  
2️⃣ Acesse a caixa de entrada do e-mail e **clique no link de confirmação** enviado pelo GitHub.  
3️⃣ Ao acessar o [GitHub Student Developer Pack](https://education.github.com/pack), **permita que o navegador compartilhe sua localização atual** 🌍.  
4️⃣ **Selecione "PUC Minas"** como sua instituição, envie um **print da sua carteirinha digital do app PUC Mobile** ou um **comprovante de matrícula recente** como forma de verificação. Depois, aguarde até **2 dias úteis** para que o selo **GitHub Pro** 🏅 seja ativado na sua conta.  
5️⃣ Acesse: [https://www.jetbrains.com/shop/eform/students](https://www.jetbrains.com/shop/eform/students)  
 ➡ Vá até a aba **GitHub** e clique em **"Authorize with GitHub"** 🔑.  
6️⃣ **Instale o PyCharm** e, ao abrir o programa, vá em **"Ativar licença"**. Escolha a opção **"Log in with GitHub"**, faça login com sua conta GitHub (que já possui o selo **GitHub Pro** 🏅 e que você autorizou previamente no site da JetBrains — [passo 5](https://www.jetbrains.com/shop/eform/students)), e a **licença Professional será ativada automaticamente** 🎉.

🏁 Pronto! Agora você pode aproveitar todos os benefícios do **GitHub Pro** 🏅, incluindo:

- Acesso gratuito às **ferramentas profissionais da JetBrains**, como o **PyCharm Professional** 🧠💻  
- **GitHub Copilot** com sugestões inteligentes de código (com testes gratuitos por tempo limitado) 🤖  
- Repositórios privados ilimitados 🔒  
- **Insights avançados de contribuições**, métricas e estatísticas dos seus projetos 📊  
- Ferramentas de CI/CD integradas com GitHub Actions ⚙️  
- Integrações com dezenas de serviços e ferramentas educacionais 🧩

Esses recursos ajudam a **elevar seu aprendizado, organizar seus projetos e turbinar sua produtividade como desenvolvedor** 💼🚀

🔗 Confira todos os detalhes do plano GitHub Pro para estudantes aqui:  
- [https://docs.github.com/pt/get-started/learning-about-github/githubs-plans#github-pro](https://docs.github.com/pt/get-started/learning-about-github/githubs-plans#github-pro)

-----

##### 📚 Documentação oficial

###### 🧾 Fontes confiáveis e completas sobre a linguagem e suas bibliotecas  
A documentação oficial é a principal referência para aprender, consultar funcionalidades e entender o comportamento da linguagem Python e suas bibliotecas padrão. Essencial tanto para iniciantes quanto para desenvolvedores experientes que desejam usar recursos da linguagem da forma correta e atualizada.

- [📖 Documentação Oficial do Python](https://docs.python.org/3/)

-----

##### 🔌 APIs e acesso a dados

###### 🐙 GitHub REST API
A GitHub REST API permite acessar e manipular repositórios, issues, pull requests, commits e outros recursos do GitHub via requisições HTTP. Ideal para automações, integração de sistemas e extração de dados sobre projetos de software.

- [Documentação GitHub REST API](https://docs.github.com/pt/rest)

###### 🔎 GraphQL
GraphQL é uma linguagem de consulta desenvolvida pelo Facebook que permite solicitar apenas os dados necessários. A API GraphQL do GitHub é uma alternativa mais flexível à REST API, ideal para otimizar a comunicação com o servidor e obter dados estruturados em uma única requisição.

- [GraphQL - Guia de aprendizado](https://graphql.org/learn/)
- [Documentação da API do GraphQL do GitHub](https://docs.github.com/pt/graphql)
- [The GraphQL Python community](https://github.com/graphql-python)

###### 🏗️ Roadmap GraphQL

Um **roadmap** é um guia visual que apresenta etapas, habilidades ou conhecimentos necessários para atingir um objetivo específico. Ele ajuda a organizar o aprendizado ou desenvolvimento ao longo do tempo, mostrando caminhos recomendados e prioridades.

- 🗺️ [Roadmap GraphQL - Roadmap.sh](https://roadmap.sh/graphql)

Veja também:  
- 🐍 [Roadmap Python - Roadmap.sh](https://roadmap.sh/python)
- 📊 [Roadmap Data-analyst - Roadmap.sh](https://roadmap.sh/data-analyst)

-----

##### 📊 Bibliotecas Python para análise de dados

###### 🐼 Pandas
Pandas é uma biblioteca poderosa de Python para análise de dados, oferecendo estruturas de dados como DataFrames e ferramentas para manipulação, limpeza, agregação e exportação de dados.

- [Documentação Oficial do Pandas](https://pandas.pydata.org/)
- [Pacote Pandas no PyPI](https://pypi.org/project/pandas/)
- [Tutorial de Pandas - W3Schools](https://www.w3schools.com/python/pandas/default.asp)
- [Tutorial - Ensinando Pandas (17 episódios) – Canal Téo me Why](https://www.youtube.com/watch?v=9Cw7iIjFlBc&list=PLvlkVRRKOYFQHnDhjTmXLEz3HU5WTgOcF)

###### 📊 Matplotlib
Matplotlib é uma biblioteca de visualização de dados em Python que permite criar gráficos estáticos, animados e interativos de forma altamente personalizável.

- [Documentação Oficial do Matplotlib](https://matplotlib.org/)
- [Tutorial de Matplotlib - W3Schools](https://www.w3schools.com/python/matplotlib_intro.asp)
  - [Pyplot - W3Schools](https://www.w3schools.com/python/matplotlib_pyplot.asp)
- [Pacote Matplotlib no PyPI](https://pypi.org/project/matplotlib/)

###### 🧊 Seaborn
Seaborn é uma biblioteca de visualização estatística baseada no Matplotlib. Ela fornece uma interface de alto nível para criação de gráficos informativos e atrativos, como mapas de calor, gráficos de dispersão com regressão, boxplots e violin plots. Ideal para análise exploratória de dados e visualização de padrões estatísticos.

- [Documentação Oficial do Seaborn](https://seaborn.pydata.org/)
- [Tutorial de Seaborn - W3Schools](https://www.w3schools.com/python/numpy/numpy_random_seaborn.asp)
- [Tutorial de Seaborn - Geeks for Geeks](https://www.geeksforgeeks.org/python/python-seaborn-tutorial/)
- [Pacote Seaborn no PyPI](https://pypi.org/project/seaborn/)

###### ⚗️ SciPy
SciPy é uma biblioteca de código aberto em Python voltada para computação científica e técnica. Baseada no NumPy, oferece ferramentas avançadas para **álgebra linear, otimização, estatística, integração numérica, processamento de sinais e imagens**. É amplamente usada em análise de dados, machine learning e engenharia.

- [Documentação Oficial do SciPy](https://docs.scipy.org/doc/scipy/)
- [Pacote SciPy no PyPI](https://pypi.org/project/scipy/)
- [Tutorial de SciPy - W3Schools](https://www.w3schools.com/python/scipy/index.php)
- [SciPy Lecture Notes](https://scipy-lectures.org/)

###### 📗 Openpyxl
Openpyxl é uma biblioteca em Python que permite ler, criar e modificar arquivos do Excel no formato `.xlsx`. É útil para automação de planilhas, relatórios e integração com dados tabulares.

- [PyPi - Openpyxl](https://pypi.org/project/openpyxl/)
- [Documentação Oficial do OpenPyXL](https://openpyxl.readthedocs.io/en/stable/)

-----

##### 🌊 Desenvolvimento de aplicações interativas com Python

###### 🚀 Streamlit: prototipagem rápida e dashboards  
O Streamlit permite criar aplicações interativas, como dashboards para análise de dados, visualizações de modelos de machine learning e protótipos de APIs ou serviços web com interface gráfica, de forma simples e rápida. É ideal para aprendizado de máquina, visualização de dados e demonstração de projetos em Python.

- [📖 Documentação oficial - Streamlit](https://docs.streamlit.io/)  
- [🎨 Gallery - Exemplos de apps](https://streamlit.io/gallery)  
- [🐍 Streamlit Cloud - Hospedagem gratuita](https://streamlit.io/cloud)

-----

##### 📈 Ferramentas de Visualização e Storytelling com Dados

###### 📈 Data to Viz - Guia de escolha de gráficos
Data to Viz é um guia interativo que ajuda a escolher o melhor tipo de gráfico para representar os dados com base na estrutura da informação e na mensagem que se deseja transmitir.

- [Data to Viz](https://www.data-to-viz.com/)

###### 📉 Tableau - Ferramenta de visualização de dados e análise de dados
Tableau é uma ferramenta poderosa de Business Intelligence (BI) que permite criar dashboards interativos e explorar dados de forma visual. Suporta conexão com múltiplas fontes de dados e é amplamente usada em análise exploratória e storytelling com dados.

- [Tableau - Public](https://public.tableau.com/app/discover)

###### 🪟 Microsoft Power BI - Ferramenta de visualização e análise de dados
Power BI é uma ferramenta de visualização de dados da Microsoft que possibilita transformar dados em insights interativos, com suporte a relatórios dinâmicos e integração com o ecossistema Office.

- [Microsoft Power BI](https://www.microsoft.com/pt-br/power-platform/products/power-bi)

###### 🌸 Flourish
Flourish é uma plataforma de visualização de dados que permite criar gráficos interativos, mapas e infográficos sem necessidade de programação. É amplamente utilizada para storytelling com dados, facilitando a criação de apresentações visuais impactantes.

- [Flourish](https://flourish.studio/)
- [Flourish for developers](https://developers.flourish.studio/)

-----

##### 📊 Datasets e Machine Learning

###### 🐙 Kaggle
[Kaggle](https://www.kaggle.com/) é uma das maiores plataformas para **datasets públicos, aprendizado de machine learning e exploração de dados**. Permite acessar milhares de conjuntos de dados de diversas áreas, criar notebooks colaborativos, experimentar algoritmos e compartilhar análises com a comunidade. Ideal para projetos de ciência de dados, experimentação empírica e aprendizado prático.

Junte-se a mais de **27M+ machine learners** para explorar, testar e se atualizar nas últimas técnicas e tecnologias de ML. Descubra um vasto repositório de **dados, modelos e códigos publicados pela comunidade** para usar em seus projetos.

- 🌐 [Acesse o Kaggle](https://www.kaggle.com/)
- 💡 Explore datasets, notebooks e recursos de aprendizado de machine learning.

-----

##### 🧹 Análise de Código
Ferramentas para análise estatística de código, detecção de *code smells*, métricas de qualidade e identificação de más práticas de programação.

- **PMD**: Ferramenta que verifica problemas comuns em código Java, como variáveis não utilizadas, duplicação de código e estilos de codificação.
  - 🌐 [PMD](https://pmd.github.io/)
  - :octocat: [PMD - GitHub](https://github.com/pmd/pmd)
- **SonarQube**: Plataforma para análise contínua de qualidade de código, cobrindo múltiplas linguagens. Avalia bugs, vulnerabilidades e cobertura de testes.
  - 🌐 [SonarQube](https://www.sonarsource.com/products/sonarqube/)
  - :octocat: [SonarQube - GitHub](https://github.com/SonarSource/sonarqube)
- **Qodana**: Plataforma de análise estática de código desenvolvida pela JetBrains. Integra-se com IDEs, CI/CD e repositórios para detectar *code smells*, vulnerabilidades de segurança e violações de boas práticas, com suporte a múltiplas linguagens como Java, Kotlin, PHP, Python e JavaScript.  
  - 🌐 [Qodana](https://www.jetbrains.com/qodana/)  
  - :octocat: [Qodana - GitHub](https://github.com/JetBrains/Qodana)
- **JNose**: Ferramenta focada na identificação de *test smells* e *design smells* em código Java. Ajuda na compreensão de problemas relacionados à testabilidade e manutenibilidade.
  - 👃 [JNose](https://jnosetest.github.io/)
  - :octocat: [JNose - GitHub](https://github.com/arieslab/jnose)
- **Code Climate**: Ferramenta de análise contínua de qualidade de código que gera métricas como complexidade ciclomática, duplicação, cobertura de testes e *code smells*. Suporta diversas linguagens e se integra com GitHub, GitLab e outros.
  - 🌐 [Code Climate](https://codeclimate.com/)
  - :octocat: [Code Climate - GitHub](https://github.com/codeclimate)
- **CodeQL**: Plataforma de análise de segurança e qualidade de código da GitHub, que permite executar consultas para detectar vulnerabilidades, bugs e más práticas em diversos tipos de código fonte.
  - 🌐 [CodeQL](https://securitylab.github.com/tools/codeql)
  - :octocat: [CodeQL - GitHub](https://github.com/github/codeql)
- **CK**: Ferramenta de linha de comando para análise estática de código Java. Extrai métricas como CBO, LCOM, WMC, RFC, DIT, NOM e LOC, úteis para avaliar a complexidade e a qualidade do código.
  - :octocat: [CK - GitHub](https://github.com/mauricioaniche/ck)

-----

##### 📊 Tendências e pesquisas

###### 📈 Relatórios e estudos sobre o mercado de tecnologia e comportamento de desenvolvedores  
Relatórios anuais e pesquisas globais ajudam a entender as principais linguagens, ferramentas, salários, preferências e tendências no mercado de desenvolvimento de software. São ótimos para orientar decisões de carreira e identificar habilidades em alta.

- [DevSkiller Report 2025](https://devskiller.com/it-skills-report/)
  - [PDF - DevSkiller Future Skills Report 2025](https://github.com/joaopauloaramuni/projeto-de-software/blob/main/ARTIGOS/DevSkiller-Future-Skills-Report-2025.pdf)
- [Stack Overflow Developer Survey 2025](https://survey.stackoverflow.co/2025/)
- [Stack Overflow Developer Survey 2024](https://survey.stackoverflow.co/2024/)
- [JetBrains Developer Ecosystem 2024](https://www.jetbrains.com/pt-br/lp/devecosystem-2024/)
- [GitHub Octoverse 2024](https://github.blog/news-insights/octoverse/octoverse-2024/)

-----

-----

laboratorio-de-experimentacao-de-software

Explore Similar Repositories

Was this content helpful?

Recent Feedback

Download README