تعتبر البرمجة متعددة اللغات (Multilingual Programming) استخدام عدة لغات برمجة (Programming Languages) في مشروع واحد ظاهرة شائعة تتزايد أهميتها بفضل فوائدها المتعددة. ولكن، مع هذه الفوائد، تظهر تحديات جديدة مثل الأخطاء عبر اللغات (Cross-Language Bugs - CLBs) التي تنشأ نتيجة التفاعلات بين لغات البرمجة المختلفة، وهذه الأخطاء غالباً ما يصعب اكتشافها باستخدام أدوات كشف الأخطاء التي تركز على لغة برمجة واحدة فقط.

في دراسة جديدة، تم استكشاف قدرة نماذج اللغة البرمجية المُدربة مسبقًا (Pre-trained Code Language Models) في الكشف عن CLBs. تم تطوير أداة جديدة تُدعى CLCFinder، التي تُعتبر أداة لتحديد الأكواد عبر اللغات. كما تم إنشاء مجموعة بيانات تحتوي على أنواع مختلفة من الأخطاء تشمل ثلاثة تركيبات لغوية: (Python-C/C++، Java-C/C++، وPython-Java) مع تسع أنواع من التفاعلات.

شملت الدراسة تحسين 13 نموذجاً من نماذج اللغة البرمجية على هذه المجموعة ومن ثم تقييم أدائها. وقد أظهرت النتائجية أن جميع النماذج قد حسّنت أدائها بعد التحسين، وكان نموذج UniXcoder-base هو الأفضل في سجل النقاط (F1 Score) حيث حقق 0.7407.

المثير للاهتمام، أن النماذج الصغيرة، ضمن هذا الإعداد التجريبي، أظهرت أداءً أفضل مقارنة بالنماذج الأكبر حجماً. كما أن النماذج التي تم تحسينها باستخدام مجموعات بيانات لأخطاء بلغات برمجة واحدة، لم تحقق أداءً جيداً في كشف CLBs، مما يُبرز الفروقات بين هذه الأنواع من الأخطاء.

أيضًا، أظهرت الدراسة أن زيادة حجم مجموعة البيانات المستخدمة في التحسين كان له تأثير إيجابي هرّ على الأداء، بينما لم تسهم أطوال تسلسل الرموز الأطول بالضرورة في تحسين أداء النموذج. وكانت تأثيرات تعليقات الكود متباينة بين النماذج، حيث تحسنت أداء بعض النماذج المتحسنة بينما أظهرت أخرى تراجعاً في الأداء.

في الختام، يُظهر هذا البحث أهمية تطوير أدوات جديدة تعتمد على نماذج لغة برمجية محسنة، خاصةً في ظل تعقيدات البرمجة الحديثة. الإفادة الرئيسية ستكون في تحسين القدرة على كشف الأخطاء عبر اللغات، مما يعزز من جودة البرمجيات المعقدة بطرق مبتكرة. ما رأيكم في أهمية هذه التطورات في عالم البرمجيات؟ شاركونا في التعليقات!