في عالم تطوير البرمجيات، تُعتبر متطلبات اللغة الطبيعية (Natural Language Requirements) جسرًا حيويًا للتواصل بين مختلف الأطراف المعنية. ومع ذلك، فإن الغموض الكامن في هذه المتطلبات قد يثير تحديات كبيرة، إذ قد يتم تفسير بعض المتطلبات بشكل خاطئ بسبب تباين المعرفة السياقية وتوقعات كل طرف، وهو ما يُعرف بالغموض البراغماتي.

(المقالة تستعرض نهجًا مبتكرًا تم تقديمه للكشف عن وحل الغموض البراغماتي في هذه المتطلبات، من خلال الاستفادة من تقنيات تعزيز الجيل (Retrieval-Augmented Generation) مع قواعد بيانات معرفية للمبتدئين والمتوسطين والخبراء. يُمكّن هذا النهج من محاكاة أصحاب المصلحة ذوي الخبرات المختلفة في المجال للكشف عن التباينات في تفسير المتطلبات.

تتوج العملية بإنشاء متطلبات مُفككة مبدئيًا تهدف إلى التناسب مع الوظائف المطلوبة، حيث يتم التحقق من صحتها من قبل محلل متطلبات لضمان توافقها مع الاحتياجات الفعلية.

فيما يتعلق بالتقييم، تم استخدام نهج الاختبار على مستندين لمواصفات متطلبات من مجموعة بيانات PUblic REquirements، وتم الاعتماد على أربع نماذج لغوية ضخمة: GPT-4o-mini، Mistral-7B، Llama-3.1-8B، وQwen2.5-7B. أظهرت النتائج أن النموذج GPT-4o-mini حقق أعلى درجات الاستدعاء (Recall) والميزات (F2) التي تدل على فعاليته في كشف الغموض البراغماتي.

مع هذه التطورات، يصبح من الواضح أن استخدام تقنيات التعزيز يمكن أن يُحدث ثورة حقيقية في كيفية تعاملنا مع متطلبات اللغة الطبيعية. هل أنتم متحمسون لمتابعة المزيد من المستجدات في هذا المجال؟ شاركونا آراءكم في التعليقات!