در دنیای پیچیده توسعه نرم‌افزار، فهم کد و مستندات مرتبط با آن، یک وظیفه حیاتی و زمان‌بر است. توسعه‌دهندگان نرم‌افزار به طور مداوم به متن‌های زبان طبیعی موجود در مصنوعات مهندسی نرم‌افزار، مانند الزامات، نظرات کد، و پاسخ‌های پرسش و پاسخ‌های آنلاین، برای دسترسی به اطلاعات کلیدی اتکا می‌کنند. این اطلاعات برای ساخت، نگهداری و بهبود سیستم‌های نرم‌افزاری ضروری است. مقاله حاضر با عنوان “ارزیابی چارچوب‌های معنایی برای پشتیبانی از فعالیت‌های فهم برنامه” به بررسی روش‌های نوین برای تسهیل این فرایند می‌پردازد.

این مقاله توسط آرتور مارکز، جیووانی ویویانی، و گیل سی. مورفی به رشته تحریر درآمده است. نویسندگان با تخصص در حوزه‌های مهندسی نرم‌افزار و پردازش زبان طبیعی، به دنبال یافتن راه‌هایی برای بهبود فهم کد با استفاده از تکنیک‌های تحلیل معنایی هستند. تحقیقات این گروه بر استفاده از روش‌های پردازش زبان طبیعی برای استخراج اطلاعات معنادار از متن‌های مرتبط با توسعه نرم‌افزار تمرکز دارد.

چکیده مقاله بیان می‌کند که توسعه‌دهندگان نرم‌افزار به طور گسترده از متن‌های زبان طبیعی در مصنوعات مهندسی نرم‌افزار برای دسترسی به اطلاعات مهم استفاده می‌کنند. برای کمک به توسعه‌دهندگان در دسترسی و استفاده از این اطلاعات، محققان مهندسی نرم‌افزار اغلب از تکنیک‌های پردازش زبان طبیعی استفاده می‌کنند. این مقاله بررسی می‌کند که آیا معناشناسی قاب (Frame Semantics)، یک رویکرد کلی زبانی که بر روی متن الزامات استفاده شده است، می‌تواند به حل مشکلاتی که در هنگام اعمال تکنیک‌های مبتنی بر تحلیل واژگانی بر روی متن مرتبط با فعالیت‌های فهم برنامه رخ می‌دهد، کمک کند یا خیر. نویسندگان به ارزیابی کاربرد تجزیه معنایی قاب‌های عمومی برای این منظور پرداخته و بر اساس نتایج، SEFrame را برای تطبیق تجزیه معنایی قاب برای استفاده در فهم برنامه پیشنهاد می‌دهند. نتایج نشان می‌دهد که SEFrame در ۷۳٪ تا ۷۴٪ موارد صحیح عمل می‌کند و می‌تواند متن را از انواع مصنوعات نرم‌افزاری مورد استفاده برای پشتیبانی از فهم برنامه تجزیه کند. مقاله همچنین به بررسی نحوه استفاده از این رویکرد برای بهبود روش‌های موجود برای شناسایی معنای نیت از متون مهندسی نرم‌افزار می‌پردازد.

روش‌شناسی تحقیق در این مقاله شامل چندین مرحله کلیدی است:

• بررسی ادبیات موجود: نویسندگان ابتدا به بررسی تحقیقات پیشین در زمینه استفاده از پردازش زبان طبیعی برای فهم کد و همچنین کاربرد معناشناسی قاب در مهندسی نرم‌افزار پرداخته‌اند.
• ارزیابی چارچوب‌های معنایی عمومی: در این مرحله، نویسندگان چارچوب‌های معنایی عمومی موجود را برای تجزیه و تحلیل متن‌های مرتبط با فهم برنامه مورد ارزیابی قرار داده‌اند. هدف از این ارزیابی، شناسایی نقاط قوت و ضعف این چارچوب‌ها در زمینه خاص فهم برنامه بوده است. به عنوان مثال، یک عبارت در کامنت کد مانند “این تابع محاسبه مقدار میانگین را انجام می‌دهد” می‌تواند با استفاده از چارچوب معنایی عمومی مورد تجزیه و تحلیل قرار گیرد تا نقش‌های معنایی مختلف (مانند “تابع”، “محاسبه”، “مقدار میانگین”) شناسایی شوند.
• توسعه SEFrame: بر اساس نتایج ارزیابی، نویسندگان چارچوب معنایی جدیدی به نام SEFrame را طراحی و پیاده‌سازی کرده‌اند. SEFrame به طور خاص برای پاسخگویی به نیازهای فهم برنامه طراحی شده است و شامل مجموعه‌ای از قاب‌های معنایی سفارشی‌سازی شده برای این منظور است.
• ارزیابی SEFrame: در نهایت، نویسندگان SEFrame را بر روی مجموعه‌ای از متن‌های مرتبط با فهم برنامه (مانند نظرات کد، مستندات API، و پاسخ‌های پرسش و پاسخ) مورد ارزیابی قرار داده‌اند. این ارزیابی به منظور تعیین دقت، کارایی و قابلیت اطمینان SEFrame انجام شده است. دقت با مقایسه نتایج SEFrame با برچسب‌گذاری دستی متخصصان اندازه‌گیری شده است.

به طور خلاصه، این تحقیق از یک رویکرد ترکیبی شامل بررسی ادبیات، ارزیابی چارچوب‌های موجود، طراحی و پیاده‌سازی یک چارچوب جدید، و ارزیابی تجربی استفاده می‌کند.

یافته‌های کلیدی این تحقیق به شرح زیر است:

• محدودیت چارچوب‌های معنایی عمومی: نویسندگان دریافتند که چارچوب‌های معنایی عمومی موجود، به دلیل عدم تطابق با ویژگی‌های خاص متن‌های مرتبط با فهم برنامه، کارایی محدودی دارند. به عنوان مثال، این چارچوب‌ها ممکن است در شناسایی اصطلاحات فنی و مفاهیم خاص دامنه نرم‌افزار با مشکل مواجه شوند.
• کارایی SEFrame: SEFrame، چارچوب معنایی سفارشی‌سازی شده، دقت و کارایی بالاتری نسبت به چارچوب‌های معنایی عمومی در تجزیه و تحلیل متن‌های مرتبط با فهم برنامه دارد. دقت SEFrame بین ۷۳٪ و ۷۴٪ گزارش شده است.
• قابلیت تجزیه انواع مصنوعات نرم‌افزاری: SEFrame قادر است متن را از انواع مختلف مصنوعات نرم‌افزاری، از جمله نظرات کد، مستندات API، و پاسخ‌های پرسش و پاسخ، تجزیه و تحلیل کند. این قابلیت، SEFrame را به یک ابزار قدرتمند برای پشتیبانی از فعالیت‌های فهم برنامه تبدیل می‌کند.

به عنوان مثال، SEFrame می‌تواند در یک نظر کد، نقش‌های معنایی فعل “اجرا کردن” را به درستی شناسایی کند. در عبارت “این تابع یک الگوریتم مرتب‌سازی را اجرا می‌کند“، SEFrame می‌تواند “تابع” را به عنوان عامل، “الگوریتم مرتب‌سازی” را به عنوان مفعول، و “اجرا کردن” را به عنوان فعل اصلی شناسایی کند.

این تحقیق دارای کاربردها و دستاوردهای متعددی است:

• بهبود ابزارهای فهم کد: SEFrame می‌تواند به عنوان یک جزء کلیدی در ابزارهای فهم کد مورد استفاده قرار گیرد. این ابزارها می‌توانند از SEFrame برای استخراج اطلاعات معنادار از متن‌های مرتبط با کد و نمایش این اطلاعات به توسعه‌دهندگان به صورت سازمان‌یافته استفاده کنند.
• تسهیل نگهداری نرم‌افزار: با استفاده از SEFrame، توسعه‌دهندگان می‌توانند سریع‌تر و آسان‌تر کد و مستندات موجود را درک کنند. این امر منجر به کاهش زمان و هزینه نگهداری نرم‌افزار می‌شود.
• پشتیبانی از مهندسی معکوس: SEFrame می‌تواند در فرآیند مهندسی معکوس نرم‌افزار مورد استفاده قرار گیرد. با تحلیل متن‌های مرتبط با کد، می‌توان اطلاعاتی در مورد معماری، طراحی و عملکرد سیستم به دست آورد.
• بهبود مستندسازی نرم‌افزار: با استفاده از SEFrame می‌توان به طور خودکار مستندات نرم‌افزار را تولید کرد. این مستندات می‌توانند شامل خلاصه‌ای از عملکرد کد، توصیف پارامترهای ورودی و خروجی توابع، و توضیحات مربوط به الگوریتم‌های استفاده شده باشند.

به عنوان مثال، با استفاده از SEFrame می‌توان وابستگی‌های بین ماژول‌های مختلف یک سیستم نرم‌افزاری را به طور خودکار استخراج کرد. این اطلاعات می‌تواند به توسعه‌دهندگان در درک بهتر معماری سیستم و شناسایی نقاط ضعف احتمالی کمک کند.

مقاله “ارزیابی چارچوب‌های معنایی برای پشتیبانی از فعالیت‌های فهم برنامه” نشان می‌دهد که استفاده از معناشناسی قاب می‌تواند به طور قابل توجهی به بهبود فهم کد و مستندات نرم‌افزار کمک کند. SEFrame، چارچوب معنایی سفارشی‌سازی شده، دقت و کارایی بالاتری نسبت به چارچوب‌های معنایی عمومی در تجزیه و تحلیل متن‌های مرتبط با فهم برنامه دارد. این تحقیق، گامی مهم در جهت توسعه ابزارهای هوشمند برای پشتیبانی از توسعه و نگهداری نرم‌افزار است. در آینده، می‌توان با گسترش SEFrame و ادغام آن با سایر تکنیک‌های پردازش زبان طبیعی، ابزارهای قدرتمندتری برای فهم کد و مستندات نرم‌افزار ایجاد کرد.