في عالم تتزايد فيه أهمية البرمجة المدفوعة بالذكاء الاصطناعي، تبرز مخاوف بشأن وجود شوائب غير مقصودة في أكواد البرمجة التي تنتجها هذه الأنظمة. تركزت دراسة حديثة على نماذج اللغة الضخمة (Large Language Models - LLMs) وكيف يمكن أن تُستخدم في تحديد وتصنيف وشرح هذه الشوائب.

تطرق الباحثون إلى وجود أدلة تعزز فكرة أن الشوائب موجودة بالفعل في الأكواد المولدة بواسطة الذكاء الاصطناعي، إلا أن القليل من الأبحاث كانت قد تناولت هذا الموضوع بطريقة منهجية. قامت هذه الدراسة بتوسيع مجموعة بيانات قائمة من الأكواد البرمجية المولدة بواسطة الذكاء الاصطناعي، حيث تمت إضافة تصنيفات للشوائب وتبريرات من تأليف البشر لتأسيس مجموعة بيانات موثوقة.

استخدمت الدراسة نماذج LLMs، سواء كانت خاصة أو مفتوحة المصدر، كأنظمة للكشف التلقائي عن الشوائب وتجهيز التبريرات عبر إطار عمل يعتمد على التصنيف. كانت النتائج مثيرة للإعجاب، حيث أظهرت أن نموذج Gemini حقق دقة تصنيف بلغت 80.14%، مع نسبة دقة تصل إلى 84% واسترجاع 95.7%. بالمقابل، حقق النموذج البديل المفتوح المصدر Qwen3-coder دقة 82.45%.

بالإضافة إلى ذلك، أظهر التحليل أن النماذج حققت نجاحًا ملحوظًا في التوافق مع تبريرات الخبراء، مما يدل على إمكانية الاستفادة من LLMs في الكشف عن التعقيدات المحتملة في الأكواد.

هذه النتائج تفتح آفاقًا جديدة لفهم كيفية تعامل الذكاء الاصطناعي مع المشكلات الأخلاقية والتقنية المرتبطة بتوليد الأكواد البرمجية، وتضع أساسًا لمزيد من الأبحاث في هذا المجال الحيوي.