في عصر التكنولوجيا الحديثة، تُعتبر اختبارات البرمجيات ضرورية للتحقق من أن الأنظمة تلبي المتطلبات المحددة. ومع ذلك، تبقى هذه العملية واحدة من أكثر المهام استهلاكًا للوقت وتكلفة في مجال تطوير البرمجيات.

تعتمد عملية توليد حالات الاختبار بناءً على المتطلبات على إنشاء حالات اختبار مبكرة من الوثائق المتعلقة بالمتطلبات، لكن التحدي الأكبر يكمن في توليدها مباشرة من اللغة الطبيعية بسبب الغموض والدقة غير الكافية التي تتسم بها. لحسن الحظ، أدت التطورات الأخيرة في الذكاء الاصطناعي (AI) ومعالجة اللغة الطبيعية (NLP) ونماذج اللغات الضخمة (LLMs) إلى جعل أتمتة هذه العملية أكثر قابلية للتحقيق. ومع ذلك، تأتي هذه التغيرات مع مخاطر جديدة مثل الهلاوس (Hallucination) وتقليل إمكانية التتبع (Traceability) والتقييم غير المتسق.

تناولت دراسة شاملة عدداً من الأسئلة البحثية المهمة، من بينها: ما هي التقنيات المستخدمة في الذكاء الاصطناعي ومعالجة اللغة الطبيعية لتوليد حالات الاختبار من متطلبات اللغة الطبيعية؟ ما هي الأدوات والأطر التي تدعم هذه الأساليب؟ كيف يتم تقييم حالات الاختبار التي تم توليدها؟ وما هي الفجوات البحثية التي لا تزال قائمة؟

وقد تم تنظيم الأدبيات إلى ثلاثة عصور تطورية، مما يكشف عن أنه لا توجد أي مقاربة حالية تلبي في الوقت ذاته ستة أبعاد جودة رئيسية: الأتمتة (Automation)، ومعالجة الغموض، وقابلية التطبيق في المجالات المختلفة، وإمكانية التتبع، وشمولية التقييم، والتحكم في الهلاوس.

تقدم هذه الدراسة ثلاثة مساهمات رئيسية: تركيب تطوري يتكون من ثلاثة عصور لإنتاج الاختبارات المعتمد على الذكاء الاصطناعي؛ تحليل الفجوات استناداً إلى ستة معايير، مما يُظهر أن أي مقاربة حالية لا تغطي جميع أبعاد الجودة؛ وأربع إرشادات بحثية قابلة للتنفيذ تستهدف الهلاوس، وإمكانية التتبع، والحساسية تجاه التعقيد، والامتثال.

تقنيات الذكاء الاصطناعي في مجال البرمجيات تعيد صياغة مفهوم الاختبار، ولكن السؤال يبقى: ما هي استراتيجياتنا لمواجهة التحديات الحالية؟ شاركونا آراءكم في التعليقات.