في عالم البرمجة، يعد تصحيح الأخطاء البرمجية أحد التحديات الكبرى التي تواجه المطورين. ولتسهيل هذه العملية، ظهرت مفاهيم مثل التصحيح الآلي للبرامج (Automated Program Repair - APR)، والذي يعمل على تصحيح الأخطاء دون تدخل بشري. ومع ذلك، غالباً ما تنتج الأدوات المستخدمة تصحيحات تُعرف بـ"تصحيحات الإفراط في التكيف"، وهو ما يعني أنها تفي بمتطلبات الاختبار ولكنها لا تعالج الخطأ الأساسي.

لمعالجة هذه المشكلة، تم تطوير تقنية جديدة تُعرف باسم تقييم تصحيح التصحيحات الأوتوماتيكية (Automated Patch Correctness Assessment - APCA)، والتي تهدف إلى التعرف على هذه التصحيحات غير الفعالة. ومع ذلك، كانت التقنيات الساكنة المستخدمة حتى الآن تعاني من مشكلات تتعلق بالموثوقية والمرونة والشفافية.

وهنا تتدخل تقنية RePaCA الرائدة، وهي تقنية جديدة تستخدم نماذج لغوية ضخمة (Large Language Models - LLMs) متخصصة في مهام التفكير، لتحليل التصحيحات بشكل دقيق. تعتمد RePaCA على تحليل القطع البرمجية المعطوبة والمصححة، حيث يتم توجيه النموذج لإنتاج سلسلة تفكير (Chain of Thought) تقوم بتحليل الفروقات بين الشيفرات وتقديم تصنيف ثنائي: صحيح أو مفرط في التكيف.

عند تقييم RePaCA على مجموعة بيانات قياسية مأخوذة من Defects4J، حققت تقنية RePaCA أداءً رائدًا، حيث سجلت دقة 83.1% ونقاط F1 بنسبة 84.8%. علاوة على ذلك، أظهرت التقنية قدرة تفوق على التعميم، مما يجعلها تتفوق على الأسلوب التقليدي الرائد.

تُعتبر هذه النتائج دليلاً واضحًا على وعد نماذج اللغات الكبيرة المُحسّنة في دفع تقييم التصحيحات الأوتوماتيكية للأمام، من خلال تعزيز الدقة والشفافية.