كشف الديون التقنية: استعراض شامل لنماذج الكشف الذاتي على مدار عقد من الزمن

تعتبر الديون التقنية (Technical Debt) من المصطلحات الأساسية في مجال تطوير البرمجيات، حيث تشير إلى التكاليف الطويلة الأجل الناتجة عن اتخاذ قرارات تصميم أو برمجة غير مثالية، غالبًا بهدف تلبية الأهداف القصيرة الأجل. وعندما يدرك المطورون هذه التضحيات بشكل صريح داخل الكود، يُعرف ذلك بدهون التقنية المعترف بها ذاتيًا (Self-Admitted Technical Debt - SATD).

في السنوات الأخيرة، أصبحت تقنيات الكشف عن SATD تكتسب أهمية متزايدة، خاصة مع ظهور تقنيات التعلم الآلي (Machine Learning - ML) والتعلم العميق (Deep Learning - DL) والنماذج المبنية على المحولات (Transformers). فقد أجرى الباحثون مراجعة منهجية للأدبيات العلمية التي تناولت أساليب الكشف عن SATD، حيث شملت دراسات نشرت بين عامي 2014 و2025.

تتبع هذه المراجعة تطور التقنيات من الأساليب القائمة على التحليل الصرف (Heuristic-based Techniques) إلى النماذج المعقدة التي تعتمد على التعلم العميق. كما تتناول مراجعة الأدبيات الاتجاهات الرئيسية في مناهج الكشف عن SATD والأدوات المرتبطة، وتُقيم فعالية الأساليب المختلفة اعتمادًا على مقاييس مثل الدقة (Precision) والاستدعاء (Recall) ودرجة F1.

تسلط النتائج الضوء على أن التقنيات المبكرة القائمة على التحليل الصرف وضعت أساسيات الكشف عن SATD، إلا أن التقدم في تقنيات التعلم العميق ونماذج المحولات قد حسّن بشكل كبير من دقة الكشف. ومع ذلك، لا تزال هناك تحديات، مثل تنوع مجموعات البيانات (Dataset Heterogeneity) وقابلية تعميم النماذج (Model Generalizability) والشمولية (Explainability).

تقدم هذه المراجعة رؤى حول الفجوات البحثية الحالية وتوجيهات للعمل المستقبلي، بهدف تحسين قوة وفعالية أدوات الكشف عن SATD. بالنظر إلى الوصول الواسع إلى البيانات الحديثة، من المتوقع أن تمهد هذه الإبتكارات الجديدة الطريق لزيادة اعتمادية واستدامة أدوات الكشف عن الديون التقنية.