Yapay zeka destekli programlama araçlarının yaygınlaşmasıyla birlikte, bu teknolojilerin farklı programlama dilleri arasındaki adaletsizliği giderek daha görünür hale geliyor. Büyük dil modelleri Python ve Java gibi yaygın dillerde mükemmel performans sergilerken, Ruby ve Rust gibi daha az kullanılan dillerde başarı oranları dramatik şekilde düşüyor.
Bu soruna çözüm arayan araştırmacılar, HELO-APR (Yüksek Kaynaklı Düşük Kaynaklı Otomatik Program Onarımı) adlı yenilikçi bir sistem geliştirdi. Bu çerçeve, popüler dillerden toplanan hata düzeltme bilgilerini, daha az veriye sahip dillere aktarma konusunda ustalaşıyor.
Sistemin çalışma prensibi iki aşamadan oluşuyor. İlk aşamada, C++ gibi veri zengini dillerden alınan hatalı kod örnekleri ve düzeltmeleri, hedef dillerin doğal yapısına uygun şekilde dönüştürülüyor. Bu süreçte hata türleri korunurken, kodun hedef dilin karakteristik özelliklerini yansıtması sağlanıyor.
İkinci aşamada ise kademeli öğrenme stratejisi devreye giriyor. Model önce kaynak dildeki onarım tekniklerini öğreniyor, ardından diller arası uyum sağlıyor ve son olarak hedef dile özel adaptasyon gerçekleştiriyor. Bu metodoloji, yapay zekanın farklı programlama dillerindeki hata düzeltme yeteneklerini önemli ölçüde iyileştiriyor ve teknoloji sektöründe dil adaletsizliğini azaltmaya katkı sağlıyor.