تواجه نماذج التنبؤ بعيوب البرمجيات مشكلة خلل توازن الأصناف، إذ تعيق قدرة النموذج على التمييز بين الحالات المعيبة التي تمثل صنف الأقلية والحالات السليمة التي تمثل صنف الأغلبية، وقد دأبت النماذج التقليدية على معالجة هذا الخلل بتقنيات تخفيض العينة التي تعاني من عيوب جوهرية، منها فقد المعلومات الناجم عن استبعاد عينات من صنف الأغلبية، وتغير توزيع البيانات بما يولد تحيزًا في النموذج، واتجه الباحثون حديثًا إلى تقنيات توزن خصائص الحالات لتتيح ترتيب العينات بحسب ملاءمتها، غير أن مقاربات توزين الخصائص الراهنة تركز غالبًا على أهمية الخصائص منفردة متجاهلة الإسهام الكلي للعينات ذات مجاميع الخصائص المرتفعة
أولًا: أهداف الدراسة ومنهجيتها
هدفت الدراسة إلى معالجة هذا القصور عبر اقتراح إطار جديد هو إطار توزين الخصائص بالتعلم من أجل الترتيب، ينقل التركيز من الخصائص المنفردة إلى الحالات ذاتها، بدمج نموذج للتعلم من أجل الترتيب مع خوارزمية التطور التفاضلي لتحسين أوزان الخصائص، ويستخدم الإطار المقترح خوارزمية التطور التفاضلي في تحسين متجه الأوزان بالجمع بين البحث الشبكي وتحليل ارتباط بيرسون، من أجل ترتيب حالات صنف الأغلبية وإجراء تخفيض انتقائي للعينة يحتفظ بالعينات الغنية بالمعلومات ويخفف في الوقت نفسه من خلل توازن الأصناف، وبذلك يتجاوز الإطار النظرة المتمحورة حول الخصائص التي تعالج أهمية كل خاصية بمعزل عن غيرها وتغفل الإسهام الجماعي للحالات في مهمة التنبؤ، وهو إغفال قد يعرض عينات تحمل معلومات حاسمة للتصنيف إلى الاستبعاد غير المتناسب فيضعف أداء النموذج التنبؤي
ثانيًا: أبرز النتائج
أظهرت النتائج التجريبية على أربعة مصنفات وإحدى وعشرين مجموعة بيانات أن الإطار المقترح يتفوق باستمرار على أساليب تخفيض العينة القائمة، محققًا تحسنًا في مقياس إف واحد بلغ 14.8 في المئة، وفي المساحة تحت المنحنى بلغ 21.9 في المئة في المتوسط، مقارنة بخطوط أساس حديثة مثل طريقتي التعلم من أجل الترتيب لتخفيض العينة، ورغم أن متوسط قيمة دلتا كليف بلغ نحو 0.12 بما يشير إلى حجم أثر صغير، فإن اتساق الدلالة الإحصائية عند مستوى دلالة 0.05 يدل على أن التحسينات التي حققها الإطار قوية وقابلة للتكرار وذات معنى عملي، وأن الاحتفاظ بالعينات ذات الإسهام المعلوماتي المرتفع عند تخفيض صنف الأغلبية يصنع فارقًا حقيقيًا في جودة التنبؤ بعيوب البرمجيات عبر مصنفات ومجموعات بيانات متنوعة
ثالثًا: دلالات الدراسة وتطبيقاتها
تنطوي الدراسة على دلالات عملية لمهندسي البرمجيات وباحثي ضمان الجودة، إذ تقدم إطارًا قابلًا للتطبيق يعالج مشكلة خلل التوازن الشائعة في بيانات العيوب دون التضحية بالعينات الحاسمة، بما يرفع دقة أدوات التنبؤ المبكر بالعيوب ويوجه جهود الاختبار والفحص نحو المكونات الأعلى خطورة، كما تحمل دلالة منهجية أوسع في معالجة خلل توازن الأصناف في مسائل التصنيف عمومًا، ففكرة ترتيب الحالات بحسب إسهامها الجماعي قبل الاستبعاد قابلة للنقل إلى مجالات أخرى تعاني اختلال توزيع الأصناف، وتفتح الباب أمام بحوث لاحقة تطور آليات الترتيب والتوزين وتختبرها على نطاق أوسع من البيانات والتطبيقات
وتكمن الأهمية المنهجية للإطار المقترح في نقله مركز الثقل من الخاصية المنفردة إلى الحالة الكاملة، فالأساليب السابقة حين توزن كل خاصية استقلالًا قد تستبعد عينة تبدو ضعيفة في خصائص متفرقة لكنها تحمل في مجموع خصائصها معلومة حاسمة للفصل بين المعيب والسليم، بينما يرتب الإطار المقترح الحالات بحسب إسهامها الجماعي ثم يستبعد الأقل إسهامًا فقط، وبذلك يحتفظ التخفيض الانتقائي بجوهر المعلومات في صنف الأغلبية ويخفف خلل التوازن دون تشويه توزيع البيانات الأصلي، وتتعزز مصداقية هذا التفوق باتساع قاعدة التحقق التجريبي لتشمل إحدى وعشرين مجموعة بيانات وأربعة مصنفات مختلفة، فلا يعود التحسن مرتبطًا بمصنف بعينه أو بطبيعة بيانات واحدة، كما أن صغر حجم الأثر الإحصائي مع اتساق دلالته يقدم صورة واقعية أمينة، فالتحسينات في هذا المجال تراكمية دقيقة لا قفزات مفاجئة، وقيمتها في ثباتها عبر السياقات المتنوعة
وخلاصة القول إن الدراسة تقدم إطارًا مبتكرًا يجمع بين التعلم من أجل الترتيب والتطور التفاضلي لتوزين الخصائص وترتيب الحالات، فتعالج به قصور الأساليب المتمحورة حول الخصائص المنفردة، وتثبت تجريبيًا تفوقه المتسق على الأساليب القائمة في التنبؤ بعيوب البرمجيات، بما يجعله إضافة منهجية رصينة إلى أدوات هندسة البرمجيات القائمة على البيانات
