質問応答は、私たちが世界に関する知識を獲得する過程において中心的な役割を果たすため、人間の日常生活において極めて重要な役割を担っている。しかし、現実世界の事実が動的かつ常に変化する性質を持つことから、質問に含まれる時間制約が変われば、答えはまったく異なるものとなることがある。近年、大規模言語モデル（LLM）は質問応答において顕著な知能を示しているが、我々の実験では、上述の問題が既存のLLMにとって依然として大きな課題であることが明らかになった。これは、LLMが表面的なテキスト意味に基づく厳密な推論を行う能力に欠けていることに起因すると考えられる。この制約を克服するため、LLMに直接質問に答えるのではなく、新たなアプローチとして、質問応答（Q）を（A）プログラミング（P）として再定式化する「QAaP」（Question Answering as Programming）を提案する。具体的には、現代のLLMが自然言語とプログラミング言語の両方を優れた能力で理解できることを活用し、多様に表現されたテキストを整然としたコードとして表現し、複数の候補から最適な回答をプログラム的手法により選定する。我々は、時間に依存する質問応答データセットにおいてQAaPフレームワークを評価した結果、強力なベースラインに対して最大で14.5%の改善を達成した。本研究のコードおよびデータは、https://github.com/TianHongZXY/qaap にて公開されている。