تزايد استخدام نماذج اللغات الضخمة (Large Language Models) في تطوير البرمجيات المرنة، مما يطرح تساؤلات حول دقتها في دراسة نظم العمل المعروفة مثل سكريم. في دراسة جديدة نشرت على arXiv، تم فحص مدى قدرة GPT-5 على التعامل مع أسئلة شهادة محترف سكريم (Professional Scrum Master - PSM) باستخدام ثلاثة تقنيات تحفيزية مختلفة: zero-shot، وchain-of-thought، وwith-source citation.

تضمنت الدراسة مجموعة من 993 سؤالًا موثقًا ومرتبطًا بشهادة PSM، حيث حقق النموذج معدلات دقة ملحوظة تتجاوز 85%. أفضل الأداءات كانت مع استخدام تقنية الاقتباس، التي حققت معدل دقة بلغ 89.1% مع أقل معدل للأخطاء. وقد تمحور النجاح حول مواضيع معروفة وواضحة مثل "تعريف الإنجاز"، و"الفعاليات"، و"إدارة منتج القائمة".

في المقابل، ظهرت بعض التحديات في الأسئلة الأكثر تعقيدًا مثل الأسئلة المتعددة الاختيارات والنقاط التأويلية حول فريق العمل وقيمة المنتج. وقد تركزت الأخطاء في عدم التوافق مع دليل سكريم، وتضمن محتوى خارجي، وتفسيرات قديمة أو متحيزة.

أرست هذه الدراسة الأسس لاستخدام نماذج اللغات الضخمة بموثوقية أكبر في تعلم السكريم والاستعداد للشهادات، مما يجعلها أداة فعالة للممارسين الذين يسعون لزيادة معرفتهم ومهاراتهم في البيئات السريعة والمتغيرة.