در دنیای پیچیده و پویای توسعه نرم‌افزار، برنامه‌نویسان همواره با چالش‌های متعددی روبرو هستند. یکی از این چالش‌ها، دسترسی سریع و کارآمد به دانش مورد نیاز برای حل مسائل برنامه‌نویسی است. این دانش به دو دسته اصلی تقسیم می‌شود: دانش “چیستی” (Know-What) که شامل اطلاعات مربوط به APIها، توابع، و ساختارهای داده‌ای است، و دانش “چگونگی” (Know-How) که شامل رویه‌ها، الگوهای طراحی، و راهکارهای حل مسئله است. مقاله حاضر با عنوان “۱+۱>۲: هم‌جوشی دانش چیستی و چگونگی برنامه‌نویسی، غنی‌سازی معنایی و کاربرد منسجم آن” به بررسی این دو نوع دانش و ارائه راهکاری برای ادغام و غنی‌سازی آن‌ها می‌پردازد. این مقاله با رویکردی نوآورانه، به دنبال ایجاد یک منبع دانش جامع و یکپارچه است که به برنامه‌نویسان در یافتن پاسخ سوالاتشان یاری رساند و فرآیند توسعه نرم‌افزار را تسهیل نماید.

این مقاله حاصل تلاش جمعی از محققان برجسته در زمینه مهندسی نرم‌افزار است: Qing Huang, Zhiqiang Yuan, Zhenchang Xing, Zhengkang Zuo, Changjing Wang, Xin Xia. این محققان با تخصص‌های گوناگون در حوزه‌های پردازش زبان طبیعی (NLP)، استخراج دانش، و مهندسی دانش، گرد هم آمده‌اند تا به این مسئله مهم بپردازند. زمینه اصلی تحقیق آن‌ها، بهبود دسترسی و کاربردپذیری دانش برنامه‌نویسی از طریق ادغام و غنی‌سازی منابع مختلف دانش موجود است. آن‌ها با بررسی چالش‌های موجود در این زمینه و با استفاده از روش‌های نوین NLP، سعی در ارائه راهکاری جامع و کارآمد برای مدیریت دانش برنامه‌نویسی دارند.

همانطور که اشاره شد، برنامه‌نویسی به هر دو نوع دانش API (چیستی) و دانش مربوط به وظایف برنامه‌نویسی (چگونگی) نیازمند است. حجم زیادی از این دانش به صورت متن در مستندات API و آموزش‌های برنامه‌نویسی موجود است. برای بهبود دسترسی و استفاده از این دانش، مطالعات اخیر از روش‌های پردازش زبان طبیعی (NLP) برای ساختن گراف دانش API (API-KG) و گراف دانش وظایف برنامه‌نویسی (Task-KG) از مستندات نرم‌افزاری استفاده کرده‌اند. با وجود اینکه این روش‌ها امیدوارکننده هستند، API-KG و Task-KG فعلی مستقل از یکدیگر هستند و بنابراین فاقد ارتباطات ذاتی بین این دو نوع دانش هستند. مطالعه تجربی نویسندگان بر روی پرسش‌های Stack Overflow تأیید می‌کند که تنها 36% از مشکلات استفاده از API را می‌توان با دانش چگونگی یا چیستی به تنهایی پاسخ داد، در حالی که بقیه سؤالات به ترکیبی از هر دو نیاز دارند. با الهام از این مشاهدات، نویسندگان اولین تلاش را برای ادغام API-KG و Task-KG از طریق پیوند موجودیت API انجام داده‌اند. این هم‌جوشی، نه دسته از روابط معنایی API و دو نوع رابطه معنایی وظیفه را ایجاد می‌کند که در API-KG یا Task-KG مستقل وجود ندارد. بر اساس تعاریف این روابط معنایی API و وظیفه جدید، رویکرد آن‌ها عمیق‌تر از پیوند API سطحی API-KG و Task-KG است و نه دسته از روابط معنایی API را از توضیحات وظیفه و دو نوع رابطه معنایی وظیفه را با کمک API-KG استنباط می‌کند، که روابط اعلانی یا نحوی در API-KG و Task-KG فعلی را غنی می‌کند. API-Task KG هم‌جوش و غنی‌شده از نظر معنایی، از جستجوی دانش منسجم API/Task محور توسط پرسش‌های متنی یا کد پشتیبانی می‌کند.

محققان در این مقاله از یک روش‌شناسی دقیق و چند مرحله‌ای برای دستیابی به اهداف خود استفاده کرده‌اند. مراحل اصلی این روش‌شناسی عبارتند از:

• استخراج دانش از منابع مختلف: آن‌ها دانش API (چیستی) و دانش وظایف برنامه‌نویسی (چگونگی) را از منابع مختلفی مانند مستندات API، آموزش‌های آنلاین، و پرسش و پاسخ‌های موجود در سایت‌هایی مانند Stack Overflow استخراج کردند.
• ساخت گراف‌های دانش (Knowledge Graphs): پس از استخراج دانش، آن‌ها از روش‌های NLP برای ساخت گراف‌های دانش API (API-KG) و گراف‌های دانش وظایف برنامه‌نویسی (Task-KG) استفاده کردند. در این گراف‌ها، گره‌ها نشان‌دهنده مفاهیم (مانند کلاس‌ها، توابع، و وظایف) و یال‌ها نشان‌دهنده روابط بین این مفاهیم هستند.
• پیوند موجودیت‌ها (Entity Linking): محققان از تکنیک‌های پیوند موجودیت‌ها برای شناسایی و پیوند موجودیت‌های API در Task-KG به موجودیت‌های متناظر در API-KG استفاده کردند. این کار باعث ایجاد ارتباط بین دانش چیستی و دانش چگونگی شد. به عنوان مثال، اگر یک قطعه کد در Task-KG از یک تابع خاص API استفاده کند، این تابع به موجودیت متناظر در API-KG پیوند داده می‌شود.
• استنتاج روابط معنایی جدید: با استفاده از پیوند موجودیت‌ها، محققان توانستند روابط معنایی جدیدی را بین APIها و وظایف برنامه‌نویسی استنتاج کنند. این روابط، اطلاعات بیشتری را در مورد نحوه استفاده از APIها در وظایف مختلف فراهم می‌کنند. به عنوان مثال، آن‌ها توانستند روابطی مانند “این API برای انجام این کار استفاده می‌شود” یا “این وظیفه نیازمند استفاده از این API است” را استنتاج کنند.
• ارزیابی نتایج: در نهایت، محققان کارایی رویکرد خود را با استفاده از داده‌های واقعی از Stack Overflow ارزیابی کردند. آن‌ها نشان دادند که با استفاده از گراف دانش ادغام‌شده، می‌توان به سوالات بیشتری در مورد استفاده از APIها پاسخ داد و در نتیجه، به برنامه‌نویسان در حل مسائلشان کمک کرد.

یافته‌های کلیدی این تحقیق به شرح زیر است:

• اهمیت ادغام دانش چیستی و چگونگی: تحلیل داده‌های Stack Overflow نشان داد که بسیاری از سوالات مربوط به استفاده از APIها، نیازمند ترکیبی از دانش چیستی و چگونگی هستند. این یافته، اهمیت ادغام این دو نوع دانش را برجسته می‌کند. به طور خاص، آن‌ها دریافتند که تنها 36% از سوالات را می‌توان با دانش چیستی یا چگونگی به تنهایی پاسخ داد، در حالی که 64% باقی‌مانده نیازمند ترکیبی از هر دو هستند.
• ایجاد روابط معنایی جدید: ادغام API-KG و Task-KG منجر به ایجاد نه دسته رابطه معنایی جدید API و دو نوع رابطه معنایی وظیفه شد که در گراف‌های دانش مستقل وجود نداشتند. این روابط جدید، اطلاعات بیشتری را در مورد نحوه ارتباط APIها با وظایف برنامه‌نویسی فراهم می‌کنند. به عنوان مثال، آن‌ها توانستند روابطی مانند “این API برای انجام این کار استفاده می‌شود” یا “این وظیفه نیازمند استفاده از این API است” را استنتاج کنند.
• بهبود دسترسی به دانش: گراف دانش ادغام‌شده، امکان جستجوی منسجم دانش را بر اساس متن یا کد فراهم می‌کند. این امر به برنامه‌نویسان کمک می‌کند تا به سرعت و به آسانی به اطلاعات مورد نیاز خود دسترسی پیدا کنند.

به عنوان مثال، فرض کنید یک برنامه‌نویس می‌خواهد بداند چگونه یک فایل را در پایتون باز کند و محتوای آن را بخواند. با استفاده از گراف دانش ادغام‌شده، او می‌تواند با جستجوی عبارت “باز کردن فایل در پایتون” به سرعت به اطلاعات مربوط به تابع open() و نحوه استفاده از آن برای خواندن محتوای فایل دسترسی پیدا کند. همچنین، او می‌تواند نمونه کد‌هایی را ببیند که نشان می‌دهند چگونه این تابع در یک وظیفه واقعی استفاده می‌شود.

نتایج این تحقیق دارای کاربردهای متعددی در زمینه توسعه نرم‌افزار است. برخی از کاربردها و دستاوردهای مهم این تحقیق عبارتند از:

• بهبود مستندسازی API: روابط معنایی استنتاج شده می‌توانند برای غنی‌سازی مستندات API استفاده شوند. این امر به برنامه‌نویسان کمک می‌کند تا درک بهتری از نحوه استفاده از APIها در وظایف مختلف پیدا کنند.
• تسهیل یادگیری برنامه‌نویسی: گراف دانش ادغام‌شده می‌تواند به عنوان یک ابزار آموزشی برای کمک به مبتدیان در یادگیری برنامه‌نویسی استفاده شود. این ابزار می‌تواند به آن‌ها کمک کند تا به سرعت مفاهیم APIها و نحوه استفاده از آن‌ها را در وظایف مختلف یاد بگیرند.
• توسعه ابزارهای توسعه نرم‌افزار هوشمند: نتایج این تحقیق می‌تواند برای توسعه ابزارهای توسعه نرم‌افزار هوشمند مانند IDEهای هوشمند، ابزارهای تکمیل خودکار کد، و ابزارهای پیشنهاد کد استفاده شود. این ابزارها می‌توانند به برنامه‌نویسان کمک کنند تا کد با کیفیت‌تری را سریع‌تر و آسان‌تر تولید کنند.
• بهبود جستجو در مستندات: روش پیشنهادی در این مقاله می‌تواند در بهبود موتورهای جستجو در مستندات نرم‌افزاری مورد استفاده قرار گیرد تا نتایج دقیق‌تر و مرتبط‌تری را به کاربران ارائه دهد.

مقاله “۱+۱>۲: هم‌جوشی دانش چیستی و چگونگی برنامه‌نویسی، غنی‌سازی معنایی و کاربرد منسجم آن” یک گام مهم در جهت بهبود دسترسی و کاربردپذیری دانش برنامه‌نویسی است. این مقاله با ارائه یک رویکرد نوآورانه برای ادغام دانش چیستی و چگونگی، و با استفاده از روش‌های NLP، توانسته است روابط معنایی جدیدی را بین APIها و وظایف برنامه‌نویسی استنتاج کند. این روابط جدید، اطلاعات بیشتری را در مورد نحوه استفاده از APIها در وظایف مختلف فراهم می‌کنند و به برنامه‌نویسان کمک می‌کنند تا به سرعت و به آسانی به اطلاعات مورد نیاز خود دسترسی پیدا کنند. نتایج این تحقیق دارای کاربردهای متعددی در زمینه توسعه نرم‌افزار است و می‌تواند به بهبود مستندسازی API، تسهیل یادگیری برنامه‌نویسی، و توسعه ابزارهای توسعه نرم‌افزار هوشمند کمک کند. در نهایت، این مقاله نشان می‌دهد که با ادغام و غنی‌سازی منابع مختلف دانش، می‌توان به نتایجی فراتر از مجموع اجزای منفرد دست یافت، و این همان دلیلی است که ۱+۱ بزرگتر از ۲ می‌شود.