في عالم البرمجيات الحديث، أصبحت مساعدات البرمجة القائمة على نماذج اللغات الضخمة (Large Language Models) محور اهتمام متزايد. ورغم التقدم الكبير الذي حققته هذه المساعدات، إلا أن معظمها لا يزال يعتمد على نهج رد الفعل، مما يتطلب من المطورين التعبير صراحةً عن احتياجاتهم.

تهدف مساعدات البرمجة الاستباقية إلى استنتاج نوايا المطورين من خلال تفاعلاتهم داخل بيئات التطوير المتكاملة (Integrated Development Environments)، مما يقلل من عبء التفاعل ويدعم مساعدات أكثر سلاسة. لكن البحث في هذا الاتجاه لا يزال محدودًا بسبب نقص بيانات سلوكيات المطورين الحقيقية على نطاق واسع.

يتناول هذا البحث دراسة تجريبية واسعة النطاق، حيث تم جمع بيانات من 1,246 مطوراً محترفاً خلال ثلاثة أيام متتالية باستخدام إضافة مخصصة لـ Visual Studio Code. تم إنشاء مسارات محاكاة للمقارنة، لكن النتائج أظهرت اختلافات كبيرة بين التفاعلات الحقيقية والمحاكاة في التنوع السلوكي والهيكل الزمني والأنماط الاستكشافية.

بناءً على هذه البيانات، تم تقديم
**ProCodeBench**، وهي معيار واقعي لتوقع النوايا الاستباقية. أظهرت التجارب مع نماذج LLM وتطبيقات الزيادة الاسترجاعية أن الأساليب الحالية لا تزال بعيدة عن الاداء الموثوق تحت بيانات IDE الحقيقية، مما يشير إلى أن التقييم القائم على المحاكاة قد يبالغ في تقدير الأداء في العالم الحقيقي.

وأخيراً، تشير النتائج إلى أن البيانات المحاكة لا يمكن أن تعوض عن البيانات الحقيقية، لكنها قد تكون مكملة عند استخدامها قبل ضبط الأنظمة وفقًا للبيانات الحقيقية. تسلط هذه الدراسة الضوء على أهمية استخدام بيانات سلوك المطورين الحقيقية لتقييم وتدريب مساعدات البرمجة الاستباقية بشكل فعال.