في عالم توليد الأكواد المعتمد على نماذج اللغات الضخمة (Large Language Models)، غالبًا ما تُحدد المتطلبات غير الوظيفية (Non-Functional Requirements) في جمل موجزة. لكن هل يمكن أن يقدم إن grounding هذه المتطلبات وفقًا لمعيار جودة ISO/IEC 25010، سواء ككتابة غنية بلغة طبيعية (NL-rich) أو كتنسيق هيكلي (Structured JSON)، تحسينًا في جودة الأكواد المولدة؟

قمنا بدراسة فعالية أربعة متطلبات غير وظيفية تشمل الأداء، التعامل مع الأخطاء، جودة الكود، والقراءة، من خلال تقييم عشرة متغيرات من المطالبات لكل حالة. وأظهر التحليل غير المعلمي الثنائي أن التحسين المستند إلى معيار ISO يؤدي إلى تحسينات واضحة في مؤشرات الجودة الثابتة، مثل انخفاض كثافة الصعوبة في القراءة عبر جميع المتطلبات غير الوظيفية. على سبيل المثال، انخفضت درجة الأداء من 0.88 إلى 0.69 عند استخدام الأسلوب الغني (NL-rich).

ومع ذلك، فإن النتائج تشير إلى أن هذه التحسينات لا تضمن بالضرورة تحسين الدقة الوظيفية. لاحظنا أن معدل النجاح للاختبارات الممتدة في التعامل مع الأخطاء قد انخفض، مما يشير إلى وجود توتر بين أنماط البرمجة الدفاعية ومعايير النتائج الدقيقة. ومن جهة أخرى، عندما تم تثبيت محتوى ISO، لم يكن هناك فرق ذي دلالة بين أسلوبي الكتابة الغنية والتنسيق الهيكلي من حيث الدقة.

توصي الدراسة للممارسين بالاستثمار في تحسين المحتوى المتعلق بالمعايير بدلاً من التركيز على شكل التسلسل، مما يعكس أهمية المحتوى الدلالي أكثر من تنسيق البيانات. تعد هذه اللحظة مثيرة للتفكير في كيفية توجيه جهود التحسين في عالم الذكاء الاصطناعي وتوليد الأكواد.