شناسایی نشانه های بد کد با استفاده از مدل های زبانی بزرگ: چالش ها و فرصت ها

نشانه های بد کد نشانه های سطحی از مشکلات عمیق تر در طراحی نرم افزار هستند که بدون تغییر رفتار بیرونی برنامه خوانایی، نگهداشت پذیری و قابلیت اطمینان آن را کاهش می دهند. رویکردهای سنتی شناسایی نشانه های بد کد شامل ابزارهای تحلیل ایستای مبتنی بر قواعد ثابت و طبقه بندهای یادگیری ماشین کلاسیک با محدودیت هایی نظیر عدم انعطاف در برابر تنوع سبک های کدنویسی، وابستگی به مجموعه داده های برچسب خورده حجیم و همخوانی پایین با قضاوت انسانی مواجه اند. ظهور مدل های زبانی بزرگ افق تازه ای برای شناسایی زمینه آگاه و انعطاف پذیر نشانه های بد کد گشوده است. هدف این پژوهش ترکیب و تحلیل تطبیقی شواهد تجربی پژوهش های اخیر در این حوزه است تا تصویری یکپارچه از اثر بخشی، چالش ها و فرصت های به کارگیری مدل های زبانی بزرگ برای شناسایی نشانه های بد کد ارائه شود. روش پژوهش یک مرور هدفمند و ترکیب تحلیلی چند مطالعه کلیدی به همراه مروری گسترده تر بر کارهای مرتبط این حوزه است و یافته های کمی گزارش شده در این مطالعات در قالب تحلیل تطبیقی کنار هم قرار گرفته اند. یافته ها نشان می دهد مدل های زبانی بزرگ در شناسایی نشانه هایی با الگوی ساختاری روشن مانند کلاس متورم و متد دست و پاگیر عملکردی هم تراز یا برتر از ابزارهای سنتی دارند در حالی که برای نشانه های وابسته به زمینه معنایی مانند وراثت نادیده گرفته شده و تغییرات پراکنده میان ماژول ها عملکرد ضعیف تری از خود نشان می دهند. ترکیب مدل زبانی بزرگ با ابزارهای تحلیل ایستا و به کارگیری چارچوب های بازیابی تقویت شده عملکرد را به طور معناداری بهبود می بخشد هرچند با هزینه افزایش هشدارهای کاذب همراه است. پژوهش با تدوین فهرستی از چالش های کلیدی شامل حساسیت به طراحی، پرامپت، محدودیت پنجره زمینه، عدم استانداردسازی معیارهای ارزیابی، نشت داده و نگرانی های امنیتی و فرصت های پیش رو شامل استدلال زنجیره ای، معماری های عاملی، راهبردهای ترکیبی و استقرار انتخابی در خطوط یکپارچه سازی مستمر به نتیجه می رسد و راهنمایی عملی برای پژوهشگران و توسعه دهندگان نرم افزار فراهم می کند.

کلیدواژه ها:

نشانه های بد ، کد ، مدل های زبانی بزرگ ، تحلیل ایستای کد ، بازیابی تقویت شده اطلاعات ، نگهداشت پذیری نرم افزار ، بازآرایی کد