تسارع في استخدام نماذج اللغات الضخمة (Large Language Models) في مجالات المراجعة البرمجية أصبح أمرًا شائعًا، ولكن يبقى التحدي الأساسي هو فهم السبب وراء قراراتها. يواجه المطورون صعوبة في تقدير صحة المراجعات التي تنتجها هذه النماذج، مما يجعل من الصعب تحديد مستوى الثقة الذي يجب وضعه فيها. هنا يأتي دور الذكاء الاصطناعي القابل للتفسير (Explainable AI - XAI) الذي يعد طيفًا محوريًا يستحق البحث.

أجريت دراسة حديثة تضم 34 مشاركًا، حيث تمت مقارنتهم مع ثلاثة أنظمة مراجعة أكواد مدعومة بـ LLM بمستويات مختلفة من دعم XAI: الحالة الأولى (A) التي قدمت شروحًا تفصيلية وملاحظات، الحالة الثانية (B) التي قدمت ملاحظات فقط، والحالة الثالثة (C) التي لم تقدم أي شروح.

وقد تم قياس استجابة المشاركين من حيث مستويات الثقة، والتوافق مع توصيات الذكاء الاصطناعي، والأسباب وراء كل قرار، بالإضافة إلى الوقت المستغرق. وجدت النتائج أن مستوى الشرح الذي يقدمه النظام يؤثر بشكل كبير على الثقة والتوافق مع التوصيات، بطرق مختلفة. حيث حققت الحالة A أعلى مستويات الثقة (M = 3.99/5) لكن لم تحقق أعلى توافق، بينما حققت الحالة B أعلى مستوى من التوافق (89.22%).

هذه النتائج تشير إلى أن وجود المزيد من التفسير قد يجعل المطورين يتساءلون أكثر حول توصيات الذكاء الاصطناعي. بالمقابل، كانت الحالة C التي لم تقدم أي شروح هي الأقل من حيث الثقة والتوافق. ولم يؤثر مستوى الشرح بشكل ملحوظ على الوقت المخصص للمراجعة.

تتطلب هذه النتائج التفكير العميق في كيفية تصميم وتقييم أنظمة مراجعة الأكواد المدعومة بالذكاء الاصطناعي، مما يفتح المجال أمام أبحاث جديدة في مجالات العوامل البشرية في تطوير البرمجيات المعتمدة على الذكاء الاصطناعي. فهل أنتم مع إعطاء المزيد من الشروحات في أنظمة الذكاء الاصطناعي، أم تفضلون حلولًا أكثر بساطة؟ شاركونا آرائكم في التعليقات.