مقدمة
في عالم يتسارع فيه التطور التقني، باتت **نماذج اللغة الكبيرة (LLMs)** تلعب دوراً محورياً في مجالات متعددة، ولا سيما في **هندسة المتطلبات (Requirements Engineering)**. هذه النماذج تتيح إمكانية معالجة وإنشاء المستندات بشكل تلقائي، مما يعزز من كفاءة الفرق الفنية.
المقالة
تتطرق الدراسة المقدمة إلى آلية أوتوماتيكية لاستخراج الأهداف الوظيفية من الوثائق البرمجية من خلال ثلاث مراحل رئيسية:
1. **تحديد الجهات الفاعلة (Actor Identification)**: تحديد الأدوار المعنية في عملية التطوير.
2. **استخراج الأهداف العليا والدنيا (High and Low-Level Goal Extraction)**: استخراج الأهداف الأساسية والتفصيلية.
لتطبيق هذه الوظائف، تم اقتراح سلسلة من نماذج اللغة الكبيرة تدعمها **نصوص مدروسة (Engineered Prompts)**. تم إجراء تجارب متنوعة على أساليب التعلم التضميني وقياس التشابه بين بيانات الإدخال والأمثلة المقدمة، مما ساعد على فهم تأثيرها.
إحدى العناصر الرئيسية الأخرى هي آلية **التوليد والنقد (Generation-Critic Mechanism)**، التي تم تنفيذها كدورة تغذية راجعة تنطوي على نموذجين مختلفين من LLM. ورغم تحقيق دقة تصل إلى 61% في تحديد الأهداف الدنيا، فإن النتائج تشير إلى أن هذه الطريقة تعد أداة لتحفيز الاستخراج اليدوي بدلاً من استخدامها كبديل كامل.
النتائج
أظهرت الدراسة أن الدورة التغذوية بدون **Zero-shot** تفوقت على التقنيات المستقلة **Few-shot**، مع دراسة توضح أن الأداء يتدهور قليلاً في حالة غياب الدورة التغذوية. ومع ذلك، تم الإبلاغ عن أن الجمع بين آلية التغذية الراجعة وFew-shot لا يوفر أي ميزة، مما قد يشير إلى أن الحد الأقصى للأداء يعتمد على الاستراتيجية المستخدمة في نموذج 'النقد'. ومع التحسين المستمر لكل من كمية ونوعية أمثلة Shot، سوف تدمج الأبحاث المستقبلية تقنيات **التوليد المعزز بالاسترجاع (Retrieval-Augmented Generation)** و**التفكير التسلسلي (Chain-of-Thought)** لتحسين الدقة.
خاتمة
إن هذه الدراسة تمثل خطوة نحو دمج الذكاء الاصطناعي في عالم هندسة البرمجيات، ورغم التحديات، فإن المستقبل يبدو مشرقًا. فهل أنتم مستعدون لاستكشاف هذه الثورة الرقمية؟