تلعب الإجابة على الأسئلة دورًا محوريًا في الحياة اليومية للإنسان، نظرًا لأنها تتعلق باكتساب المعرفة حول العالم. ومع ذلك، نظرًا للطبيعة الديناميكية والتغير المستمر للحقائق الواقعية، يمكن أن تختلف الإجابة تمامًا عند تغير القيود الزمنية المذكورة في السؤال. في الآونة الأخيرة، أظهرت النماذج اللغوية الكبيرة (LLMs) ذكاءً ملحوظًا في إجابة الأسئلة، لكن تجاربنا تُظهر أن المشكلات المذكورة لا تزال تمثل تحديًا كبيرًا أمام النماذج الحالية. ويمكن تفسير ذلك بعجز هذه النماذج عن إجراء استدلال دقيق يستند إلى الدلالات السطحية للنصوص. لتجاوز هذه القيود، بدلًا من طلب الإجابة المباشرة من النموذج، نقترح منهجية جديدة نُعيد فيها صياغة مهمة الإجابة على الأسئلة على شكل برمجة (مُسمّاة QAaP). بشكل محدد، وباستغلال القدرة المتفوقة للنماذج اللغوية الحديثة على فهم كل من اللغة الطبيعية واللغة البرمجية، نسعى إلى تمكين هذه النماذج من تمثيل النصوص المعبّر عنها بشكل متنوع ككود منظم جيدًا، ثم اختيار أفضل إجابة من بين عدة خيارات من خلال عملية برمجية. وقد قمنا بتقييم إطارنا (QAaP) على عدة مجموعات بيانات للإجابة على الأسئلة ذات القيود الزمنية، وحققنا تحسنًا ملحوظًا، يصل إلى 14.5% مقارنة بالأساليب القوية السابقة. تتوفر الشفرة والبيانات المستخدمة في هذا العمل على الرابط: https://github.com/TianHongZXY/qaap