بهبود پیش بینی نقص نرم افزار با استفاده از مدل های زبانی بزرگ: رویکرد همکاری انسان و هوش مصنوعی

پیش بینی نقص نرم افزار یکی از چالش های اساسی در مهندسی نرم افزار است که با شناسایی زودهنگام مشکلات، هزینه های توسعه و نگهداری را کاهش می دهد. این مقاله رویکرد نوینی به نام پیش بینی نقص تطبیقی با همکاری انسان و مدل های زبانی بزرگ (HLADP) پیشنهاد می کند که بر پایه ادغام دو مولفه کلیدی همکاری انسان و هوش مصنوعی (HLC) برای پیش بینی تطبیقی و ناشناس سازی خوشه ای مبتنی بر مدل های زبانی بزرگ LLM برای حفظ حریم خصوصی داده ها بنا شده است. این چارچوب در دو حوزه اصلی پیش بینی نقص در الزامات و پیش بینی نقص به هنگام JIT اعمال می شود. HLADP با استفاده از یادگیری در زمینه و زنجیره تفکر (CoT) پیش بینی اولیه LLM را تولید نموده و در موارد عدم قطعیت بالا از بازخورد انسانی برای به روزرسانی پویا پرامپت و نمونه های چندمرحله ای بهره می برد؛ همچنین با خوشه بندی داده های JIT و ارسال آمار خوشه ها به LLM پارامترهای ناشناس سازی تولید شده و داده های خام بدون افشای اطلاعات حساس حفظ می شوند. این رویکرد نه تنها وابستگی به داده های بزرگ برچسب دار را کاهش می دهد، بلکه تعادل مناسبی بین دقت پیش بینی و حریم خصوصی برقرار می کند. ارزیابی تجربی بر روی داده های معیار QURE برای الزامات و ApacheJIT برای JIT نشان می دهد که HLADP در مقایسه با روش های سنتی مانند رگرسیون لجستیک، جنگل تصادفی، BERT-FT و تکنیک های حفظ حریم خصوصی مانند MORPH و LACE۲ بهبود قابل توجهی ایجاد کرده است. کارایی روش پیشنهادی با بهبود ۲۰ درصدی در دقت و ۸۰ درصدی در حفظ حریم خصوصی تایید می شود. همچنین نتایج آماری با آزمون ویلکاکسون و اندازه اثر Cliffs Delta متوسط تا بزرگ پایداری بهبودها را نشان می دهد.

کلیدواژه ها:

مدل های زبانی بزرگ ، پیش بینی نقص نرم افزار ، به هنگام ، همکاری انسان ، هوش مصنوعی ، ناشناس سازی داده ها