Курсовая работа на тему: Выявление ошибок и рефакторинг программы расчета среднего балла

Наиболее частые проблемы связаны с неверной моделью предметной области (например, как учитывать пересдачи или зачёты), некорректными формулами агрегирования (смешение средних по разным уровням), а также с пограничными случаями данных (пустые списки оценок, нулевое число оценённых дисциплин, некорректный диапазон значений). Диагностика должна опираться на сочетание статического анализа, модульных тестов с валидацией входов и трассировки вычислений по шагам, чтобы связать наблюдаемые расхождения с конкретной логикой в коде.

Практически целесообразно вынести вычислительные правила в чистые функции или отдельный слой доменной логики, который не зависит от формата ввода и способа вывода результата. Такой подход позволяет фиксировать ожидания через автоматические тесты на доменных функциях, а затем безопасно менять интерфейсы или UI/консольную часть без влияния на корректность вычислений. Дополнительно полезно применить валидацию входных данных на границе системы и передавать во внутренний слой уже нормализованные структуры.

Для вариативных методик лучше использовать стратегию/полиморфизм: общий интерфейс для «правила агрегации», а отдельные реализации под каждый тип среднего (арифметический, взвешенный, с ограничениями). Это снижает число условных ветвлений в одном месте и упрощает расширение системы. Также важно явно фиксировать правило округления и порядок операций (например, округлять только в конце), чтобы воспроизводимость результатов сохранялась при любых тестовых данных.

Ранее нередко полагались на ручные проверки небольших наборов примеров и считали, что «формула одна и всегда верна», что скрывало дефекты в редких сценариях: пустые ведомости, смешанные типы оценок или исключения при некорректных диапазонах. Также распространённой была проблема недостаточной спецификации: методика расчёта оставалась в голове разработчика, а не в виде формальных требований и тестов. В результате рефакторинг выполнялся без надёжной «сетки безопасности», и ошибки повторялись при каждой переработке.

В образовательной практике расчёты среднего балла влияют на академические решения: стипендии, допуск к сессиям, рейтинги и переводные критерии. Даже небольшие расхождения из‑за округления, неверного учёта отдельных предметов или ошибок в преобразовании данных могут приводить к конфликтам и необходимости пересчёта «вручную», что снижает доверие к системе. Поэтому повышение надёжности через тестирование, воспроизводимость вычислений и прослеживаемую логику становится не просто технической задачей, а качественной характеристикой продукта.

Часть разработчиков округляет промежуточные значения, чтобы упростить представление чисел, но это может менять итог из‑за накопления ошибок и асимметрии правил округления. Другая линия — выполнять вычисления в высокой точности и округлять только после завершения агрегации — обычно обеспечивает более строгую воспроизводимость, но требует дисциплины в реализации. Дискуссия также возникает вокруг того, как трактовать «плавающие» значения и какую политику применять к граничным случаям (например, точное попадание в порог).

Ключевую роль играет устранение неявных преобразований (например, преобразование строк в числа с разными локалями), явная типизация (int/float/decimal) и контроль порядка операций в агрегации. Для детерминизма полезно фиксировать формат представления результата, правила округления и точность вычислений, а также обеспечивать одинаковые входные структуры для тестов. Если используется внешний источник данных, следует нормализовать вход до запуска вычислений, чтобы одинаковые логические значения давали одинаковые результаты.

Сначала формируют тесты по спецификации: обычные кейсы, граничные условия и «болезненные» сценарии (несколько предметов, отсутствующие оценки, разные типы зачётов/экзаменов). Далее добавляют тесты на инварианты: монотонность при добавлении оценок (если это следует правилам), корректность числа учитываемых дисциплин, и воспроизводимость округления. При рефакторинге важно закрепить текущее корректное поведение (если оно подтверждено) либо явно зафиксировать ожидаемое новое поведение после изменения методики.