La réponse aux questions joue un rôle fondamental dans la vie quotidienne humaine, car elle est étroitement liée à notre acquisition de connaissances sur le monde. Toutefois, en raison de la nature dynamique et en constante évolution des faits réels, la réponse peut être radicalement différente selon les contraintes temporelles mentionnées dans la question. Récemment, les grands modèles linguistiques (LLMs) ont démontré une intelligence remarquable dans la réponse aux questions, mais nos expérimentations révèlent que les problèmes susmentionnés posent encore un défi majeur aux LLMs existants. Cette limitation peut être attribuée à l’incapacité des LLMs à mener des raisonnements rigoureux fondés sur la sémantique superficielle du texte. Pour surmonter cette limitation, au lieu de demander directement aux LLMs de répondre à une question, nous proposons une nouvelle approche qui reformule la tâche de Question Answering as Programming (QAaP). Plus précisément, en exploitant la capacité exceptionnelle des LLMs modernes à comprendre à la fois le langage naturel et les langages de programmation, nous cherchons à utiliser ces modèles pour représenter des textes exprimés de manière variée sous forme de code bien structuré, puis à sélectionner la meilleure réponse parmi plusieurs candidats à l’aide de raisonnements programmés. Nous évaluons notre cadre QAaP sur plusieurs jeux de données de réponse aux questions sensibles au temps et obtenons des améliorations significatives, allant jusqu’à 14,5 % par rapport aux modèles de référence performants. Nos codes et données sont disponibles à l’adresse suivante : https://github.com/TianHongZXY/qaap