در دنیای توسعه نرم‌افزار، ارتباط و همکاری بین توسعه‌دهندگان از اهمیت بسزایی برخوردار است. ابزارهای گفتگوی زنده (Live Chat) در جوامع توسعه‌دهندگان به عنوان یک وسیله ارتباطی کلیدی برای تبادل اطلاعات، حل مشکلات و به اشتراک‌گذاری دانش، محبوبیت فزاینده‌ای پیدا کرده‌اند. در این محیط‌ها، توسعه‌دهندگان اغلب با مشکلاتی نظیر مشکلات نصب، خطاهای کامپایل و سایر چالش‌های فنی مواجه می‌شوند و به دنبال راه‌حل‌هایی برای رفع آنها هستند. این تعاملات، گنجینه‌ای ارزشمند از اطلاعات مربوط به مسائل و راه‌حل‌های مرتبط را در خود جای داده‌اند که در صورت استخراج و سازماندهی مناسب، می‌تواند به تسهیل یادگیری، تسریع فرآیند حل مسئله و جلوگیری از تکرار اشتباهات در آینده کمک کند.

مقاله حاضر، با عنوان “ISPY: استخراج خودکار جفت‌های مسئله-راه‌حل از گفت‌وگوهای زنده جوامع”، به بررسی چالش استخراج خودکار اطلاعات مربوط به مسائل و راه‌حل‌های آن‌ها از داده‌های گفتگوی زنده در جوامع توسعه‌دهندگان می‌پردازد. این مقاله، با ارائه یک رویکرد نوآورانه مبتنی بر پردازش زبان طبیعی (NLP) و یادگیری عمیق (Deep Learning)، سعی در حل این مسئله و ارائه راهکاری کارآمد برای استخراج دانش نهفته در این داده‌ها دارد. اهمیت این تحقیق از آنجا ناشی می‌شود که استخراج دستی این اطلاعات، فرآیندی زمان‌بر، پرهزینه و مستعد خطا است. یک سیستم خودکار، با افزایش سرعت و دقت استخراج، می‌تواند به طور قابل توجهی در زمان و هزینه صرفه‌جویی کرده و دانش ارزشمندی را در اختیار توسعه‌دهندگان قرار دهد.

برای مثال، تصور کنید یک توسعه‌دهنده با خطای کامپایل خاصی مواجه شده است. به جای اینکه ساعت‌ها به دنبال راه‌حل در اینترنت بگردد، می‌تواند با استفاده از یک سیستم مبتنی بر ISPY، به سرعت به گفت‌وگوهایی دسترسی پیدا کند که در آن افراد دیگری با همان خطا مواجه شده‌اند و راه‌حل‌های ارائه شده توسط سایر توسعه‌دهندگان را بررسی کند. این امر نه تنها در زمان صرفه‌جویی می‌کند، بلکه به توسعه‌دهنده کمک می‌کند تا با دیدگاه‌های مختلف در مورد حل مسئله آشنا شود.

این مقاله توسط تیمی از محققان به رهبری Lin Shi, Ziyou Jiang, Ye Yang, Xiao Chen, Yumin Zhang, Fangwen Mu, Hanzhi Jiang, Qing Wang به رشته تحریر درآمده است. زمینه تحقیقاتی این محققان، مهندسی نرم‌افزار و به طور خاص، کاربرد روش‌های هوش مصنوعی و پردازش زبان طبیعی در بهبود فرآیندهای توسعه نرم‌افزار است. تمرکز این تحقیق بر استفاده از داده‌های حاصل از تعاملات توسعه‌دهندگان در جوامع آنلاین برای استخراج دانش و بهبود فرآیند حل مسئله است. این تحقیق در دسته مهندسی نرم‌افزار قرار می‌گیرد و هدف آن، ارائه راهکارهایی برای استفاده موثرتر از داده‌های موجود در جوامع توسعه‌دهندگان است.

چکیده مقاله به این صورت است: گفت‌وگوهای زنده به عنوان یک ابزار ارتباطی برای توسعه‌دهندگان در جوامع آنلاین، روز به روز محبوب‌تر می‌شوند. در این گفت‌وگوها، توسعه‌دهندگان اغلب مشکلات خود را مطرح کرده و سایر توسعه‌دهندگان راه‌حل‌های احتمالی را ارائه می‌دهند. بنابراین، گفت‌وگوهای زنده حاوی اطلاعات ارزشمندی در مورد مسائل گزارش شده و راه‌حل‌های مربوط به آن‌ها هستند که در صورت استخراج و بازیابی به موقع، می‌توانند برای به اشتراک‌گذاری دانش و استفاده مجدد در آینده بسیار مفید باشند. با این حال، استخراج دقیق این دانش به دلیل ماهیت درهم‌تنیده و پر سر و صدای این گفت‌وگوها، چالش‌برانگیز است. در این مقاله، ابتدا مسئله استخراج جفت‌های مسئله-راه‌حل را از داده‌های گفتگوی زنده توسعه‌دهندگان فرموله کرده و سپس یک رویکرد خودکار به نام ISPY را بر اساس پردازش زبان طبیعی و تکنیک‌های یادگیری عمیق با بهبودهای سفارشی‌شده، برای حل این مسئله پیشنهاد می‌کنیم. به طور خاص، ISPY سه وظیفه را به صورت خودکار انجام می‌دهد:

• گسستن لاگ‌های گفتگوی زنده: با استفاده از یک شبکه عصبی پیشخور (Feedforward Neural Network) برای جداسازی خودکار تاریخچه مکالمات به دیالوگ‌های مجزا.
• تشخیص دیالوگ‌هایی که در مورد مسائل بحث می‌کنند: با استفاده از یک شبکه عصبی کانولوشنال (CNN) جدید، که شامل یک لایه embedding مبتنی بر BERT، یک لایه embedding آگاه به متن و یک لایه خروجی است.
• استخراج گفته‌های مناسب و ترکیب آن‌ها به عنوان راه‌حل‌های مربوطه: بر اساس همان ساختار CNN اما با ورودی‌های تغذیه‌ای متفاوت.

برای ارزیابی ISPY، آن را با شش روش پایه (Baseline) مقایسه کرده و از یک مجموعه داده با 750 دیالوگ شامل 171 جفت مسئله-راه‌حل استفاده کردیم. ارزیابی ISPY از هشت جامعه متن‌باز نشان می‌دهد که رویکرد ما برای تشخیص مسئله، به دقت F1 برابر با 76% دست می‌یابد و 30% بهتر از تمام روش‌های پایه عمل می‌کند. همچنین، رویکرد ما برای استخراج راه‌حل، به دقت F1 برابر با 63% دست می‌یابد و 20% بهتر از روش‌های پایه عمل می‌کند.

رویکرد ISPY بر پایه یک معماری سه مرحله‌ای استوار است:

1. گسستن لاگ‌های گفتگو (Dialog Disentanglement): در این مرحله، لاگ‌های گفتگو که اغلب حاوی مکالمات درهم‌تنیده و نامنظم هستند، به دیالوگ‌های مجزا و مستقل تبدیل می‌شوند. این کار با استفاده از یک شبکه عصبی پیشخور انجام می‌شود که قادر است با بررسی محتوای پیام‌ها و ترتیب آن‌ها، تعیین کند که کدام پیام‌ها به یک دیالوگ خاص تعلق دارند.
2. تشخیص مسائل (Issue Detection): در این مرحله، دیالوگ‌هایی که در مورد مسائل و مشکلات فنی بحث می‌کنند، شناسایی می‌شوند. این کار با استفاده از یک شبکه عصبی کانولوشنال (CNN) انجام می‌شود که با استفاده از embeddingهای مبتنی بر BERT (Bidirectional Encoder Representations from Transformers) برای درک معنای جملات و یک لایه آگاه به متن برای در نظر گرفتن context کلی دیالوگ، قادر است به طور دقیق دیالوگ‌هایی که حاوی بحث در مورد مسائل هستند را تشخیص دهد. BERT یک مدل زبانی قدرتمند است که برای درک معنای متون مختلف آموزش داده شده است.
3. استخراج راه‌حل (Solution Extraction): در این مرحله، پاسخ‌ها و راه‌حل‌های مربوط به مسائل شناسایی شده در مرحله قبل، استخراج می‌شوند. این کار نیز با استفاده از یک شبکه عصبی کانولوشنال (CNN) انجام می‌شود، اما با این تفاوت که ورودی‌های آن متفاوت است. در این مرحله، مدل به دنبال جملاتی می‌گردد که به احتمال زیاد حاوی راه‌حل‌های پیشنهادی برای مسائل مطرح شده هستند.

این رویکرد، با ترکیب قدرت پردازش زبان طبیعی (NLP) و یادگیری عمیق (Deep Learning)، سعی در ارائه یک راهکار جامع و کارآمد برای استخراج خودکار جفت‌های مسئله-راه‌حل از داده‌های گفتگوی زنده دارد.

یافته‌های اصلی این تحقیق عبارتند از:

• ISPY در تشخیص مسائل، به دقت F1 برابر با 76% دست یافته است که 30% بهتر از روش‌های پایه است. این نشان می‌دهد که رویکرد پیشنهادی در تشخیص دیالوگ‌هایی که در مورد مسائل بحث می‌کنند، بسیار کارآمد است.
• ISPY در استخراج راه‌حل‌ها، به دقت F1 برابر با 63% دست یافته است که 20% بهتر از روش‌های پایه است. این نشان می‌دهد که رویکرد پیشنهادی در استخراج پاسخ‌ها و راه‌حل‌های مربوط به مسائل مطرح شده، نیز عملکرد خوبی دارد.
• استفاده از embeddingهای مبتنی بر BERT و لایه آگاه به متن، به طور قابل توجهی در بهبود عملکرد مدل در هر دو مرحله تشخیص مسئله و استخراج راه‌حل، موثر بوده است.
• ISPY قادر است به طور خودکار و با دقت بالا، اطلاعات ارزشمندی را از داده‌های گفتگوی زنده استخراج کند که می‌تواند برای به اشتراک‌گذاری دانش و استفاده مجدد در آینده بسیار مفید باشد.

به عنوان مثال، در یکی از موارد بررسی شده، ISPY توانست به طور دقیق، دیالوگی را تشخیص دهد که در آن یک توسعه‌دهنده با مشکل نصب یک کتابخانه خاص مواجه شده بود و سپس، راه‌حلی را که توسط توسعه‌دهنده دیگری ارائه شده بود، با دقت بالا استخراج کند. این امر نشان می‌دهد که ISPY می‌تواند به طور موثر در حل مسائل واقعی توسعه نرم‌افزار کمک کند.

کاربردهای ISPY بسیار گسترده است. برخی از مهم‌ترین کاربردهای آن عبارتند از:

• ایجاد پایگاه دانش: ISPY می‌تواند برای ایجاد یک پایگاه دانش جامع از مسائل و راه‌حل‌های مربوط به آن‌ها، بر اساس داده‌های گفتگوی زنده، مورد استفاده قرار گیرد.
• بهبود فرآیند حل مسئله: با استفاده از ISPY، توسعه‌دهندگان می‌توانند به سرعت به راه‌حل‌های مربوط به مسائل خود دسترسی پیدا کرده و فرآیند حل مسئله را تسریع کنند.
• به اشتراک‌گذاری دانش: ISPY می‌تواند به تسهیل به اشتراک‌گذاری دانش بین توسعه‌دهندگان در جوامع آنلاین کمک کند.
• آموزش توسعه‌دهندگان جدید: ISPY می‌تواند به عنوان یک ابزار آموزشی برای توسعه‌دهندگان جدید مورد استفاده قرار گیرد، به این صورت که آن‌ها می‌توانند با بررسی مسائل و راه‌حل‌های ارائه شده توسط سایر توسعه‌دهندگان، مهارت‌های خود را ارتقا دهند.

به طور کلی، ISPY یک ابزار قدرتمند است که می‌تواند به طور قابل توجهی در بهبود فرآیند توسعه نرم‌افزار و افزایش بهره‌وری توسعه‌دهندگان، نقش داشته باشد.

مقاله ISPY، با ارائه یک رویکرد نوآورانه برای استخراج خودکار جفت‌های مسئله-راه‌حل از داده‌های گفتگوی زنده، گامی مهم در جهت استفاده موثرتر از داده‌های موجود در جوامع توسعه‌دهندگان برداشته است. نتایج این تحقیق نشان می‌دهد که رویکرد پیشنهادی، با دقت بالا قادر به تشخیص مسائل و استخراج راه‌حل‌های مربوط به آن‌ها است. این امر، پتانسیل بالایی برای بهبود فرآیند توسعه نرم‌افزار، تسهیل به اشتراک‌گذاری دانش و افزایش بهره‌وری توسعه‌دهندگان را نشان می‌دهد. در آینده، می‌توان با بهبود بیشتر مدل‌های یادگیری عمیق و استفاده از داده‌های بیشتر، دقت و کارایی ISPY را افزایش داده و کاربردهای آن را گسترش داد. به عنوان مثال، می‌توان ISPY را به گونه‌ای توسعه داد که قادر به تشخیص الگوهای تکراری در مسائل و ارائه راه‌حل‌های پیشگیرانه باشد.