كيف تعمل كاشفات الذكاء الاصطناعي فعلًا (ولماذا ترصد كتابتك)

ما الذي يقيسه كاشف الذكاء الاصطناعي فعلًا

لا يعرف كاشف الذكاء الاصطناعي من كتب الجملة. فهو لم يرَ مستندك من قبل، ولا يستطيع مقارنته بقاعدة بيانات خفية لمخرجات ChatGPT. وبدلًا من ذلك، يقيّم مدى قابلية التنبؤ بنصك مقارنة بالأنماط التي تميل النماذج اللغوية الكبيرة إلى إنتاجها.

الكاشفات الحديثة هي نفسها نماذج تعلم آلي دُرّبت على ملايين المقاطع البشرية والمولّدة بالذكاء الاصطناعي. فهي تبحث عن البصمات الإحصائية التي يخلّفها التوليد وراءه، ثم تُخرج احتمالًا. لا شيء في هذه السلسلة يتحقق من هوية الكاتب. فالكاشف لا يرى سجل تصفحك ولا يراقبك وأنت تكتب؛ كل ما يستطيع قوله إن نصك يشبه، أو لا يشبه، الكتابة الآلية التي دُرّب عليها.

تخيّله مثل مرشّح البريد المزعج. لقد تعلّم الشكل المعتاد للرسائل غير المرغوب فيها، فيرصد الرسائل التي تشاركها تلك السمات، لكنه لا يستطيع الجزم بشأن أي رسالة بعينها. يعمل كشف الذكاء الاصطناعي بالطريقة نفسها، ما يعني أن كل درجة هي حدس مغلّف برقم. وهذا يغيّر أيضًا طريقة قراءتك للنتيجة: "85% ذكاء اصطناعي" لا تعني أن 85% من نصك كتبته آلة، بل تعني أن الكاشف واثق إلى حد معقول من مجرد تخمين.

الحيرة: ما مدى مفاجأة كلماتك

الحيرة (Perplexity) هي الإشارة الأهم على الإطلاق. فهي تقيس مدى مفاجأة النموذج اللغوي بكل كلمة اخترتها. إذا كانت كل كلمة تالية هي بالضبط ما كان النموذج سيتنبأ به، تكون الحيرة منخفضة، ويبدو النص مكتوبًا آليًا. أما البشر فأقل قابلية للتنبؤ: نلتقط صفة غريبة، أو نكسر قاعدة، أو نصوغ فكرة بطريقة غير متوقعة قليلًا، وكل خيار من هذه يرفع الحيرة.

مثال ملموس يوضح الأمر. الجملة الأولى: "التمارين المنتظمة مهمة لأنها تحسّن الصحة الجسدية والنفسية معًا." الجملة الثانية: "أواظب على التمارين لأن ركبتيّ تشتكيان أقل، ولأن بريدي الوارد يبدو أقل رعبًا بعدها." كلتا الجملتين سليمة نحويًا وتؤديان المعنى الأساسي نفسه، لكن الأولى مركّبة بالكامل من كلمات سيصنّفها النموذج اللغوي على أنها الخيار التالي الأرجح؛ فعبارة "التمارين المنتظمة مهمة لأنها" تكاد تكون قالبًا جاهزًا. أما الثانية فتغامر مغامرات صغيرة: ركبتان تشتكيان، وبريد وارد يثير الرعب. النموذج الذي يقيّم احتمال كل كلمة على حدة يجد الجملة الأولى متوقعة تمامًا والثانية عصيّة فعلًا على التنبؤ، فتُقرأ الأولى على أنها ذكاء اصطناعي والثانية على أنها بشرية.

ولهذا السبب أيضًا تُرصد الكتابة المصقولة العمومية حتى عندما يكتب الإنسان كل كلمة فيها. فالحيرة لا تقيس الجهد ولا الصدق، بل قابلية التنبؤ فقط، وبعض الكتابة البشرية تمامًا قابلة للتنبؤ إلى حد بعيد.

التقطع: إيقاع الكتابة الحقيقية

التقطع (Burstiness) يقيس التنوع في بنية الجمل وطولها. فالناس يكتبون على دفعات: جملة طويلة متعرجة تليها جملة قصيرة. ثلاث كلمات فقط. ثم عبارة معقدة محمّلة بالتفاصيل تمتد أطول مما ينبغي على الأرجح.

أما مخرجات الذكاء الاصطناعي فأكثر نعومة. فالنموذج المتروك على إعداداته الافتراضية ينتج جملًا تحوم حول الطول نفسه، وتُفتتح بتراكيب متشابهة، وتنتهي بالإيقاع المتساوي ذاته، فقرة بعد فقرة. ضع النصين جنبًا إلى جنب وستتمكن غالبًا من تمييز الفرق قبل قراءة كلمة واحدة: النص البشري يبدو متعرجًا على الصفحة، والنص الآلي يبدو كبناء من الطوب المتراص.

تقوم الكاشفات بتحويل هذا التعرج إلى أرقام. فانخفاض التقطع مع انخفاض الحيرة هو التوقيع الكلاسيكي للذكاء الاصطناعي، وعندما تجتمع الإشارتان يزداد الكاشف ثقة بأن النص مولّد، حتى لو كان الموضوع والقواعد بلا عيب. لكن كل إشارة بمفردها ضعيفة. فالشاعر يكتب بتقطع جامح والمحامي المتخصص في العقود يكاد يكتب بلا تقطع، وكلاهما بشر، ولهذا تجمع الأدوات الجادة الإشارتين دائمًا.

احتمالات الرموز خلف الكواليس

تكتب النماذج اللغوية رمزًا (Token) واحدًا في كل مرة، ويأتي كل رمز مصحوبًا بدرجة احتمال. تقوم الكاشفات بتقدير هذه الاحتمالات وتفحص ما إذا كان نصك يقع داخل "منطقة الراحة" الخاصة بالنموذج من الخيارات المرجحة. فعندما يكون المقطع مبنيًا بالكامل تقريبًا من رموز عالية الاحتمال مرتبة بإيقاع متساوٍ، فإنه يطابق الطريقة التي يولّد بها ChatGPT وGemini وClaude نصوصهم افتراضيًا، ويحوّل الكاشف هذا النمط إلى النسبة المئوية التي تراها.

وهذا يفسّر أيضًا لماذا لا يمكن الاعتماد على اختبار المقاطع القصيرة. فمع جملة أو جملتين فقط، لا توجد إشارة كافية للتمييز بين إنسان متأنٍّ ونموذج، فتتأرجح الدرجات بعنف. ومعظم الشركات تقرّ بذلك ضمنيًا: العديد منها يرفض تقييم أي نص يقل عن بضع مئات من الكلمات، لأن الحساب تحت هذا الطول أقرب إلى رمي عملة منه إلى قياس.

الكاشفات الإحصائية مقابل الكاشفات القائمة على المصنّفات

تنقسم أدوات الكشف إلى عائلتين، ومعرفة أيهما تواجه تفسّر كثيرًا من النتائج الغريبة. الكاشفات الإحصائية تستخدم نموذجًا لغويًا مرجعيًا لحساب الاحتمالات مباشرة: فهي تمرّر نصك عبر النموذج، وتقيس الحيرة والتقطع وكميات أخرى مرتبطة بهما، ثم تطبّق عتبة. تعمل بهذه الطريقة أساليب بحثية مثل GLTR وDetectGPT، وكذلك آلية التقييم خلف كثير من أدوات الفحص المجانية. قوتها أنها لا تحتاج إلى بيانات تدريب موسومة؛ وضعفها أن الحكم يعتمد بشدة على النموذج المرجعي الذي يتولى التقييم.

أما الكاشفات القائمة على المصنّفات فتُدرَّب تدريبًا. إذ تجمع الشركة مجموعات ضخمة من نصوص بشرية مؤكدة ونصوص ذكاء اصطناعي مؤكدة، ثم تضبط نموذجًا، غالبًا محوّل من طراز RoBERTa، ليفرّق بين الاثنين. وقد بُنيت Turnitin وOriginality.ai وCopyleaks بهذه الطريقة. تلتقط المصنّفات إشارات دقيقة تتجاوز الحيرة الخام، فتميل إلى دقة أعلى على النصوص المشابهة لبيانات تدريبها، لكن أداءها يتدهور مع كتابات النماذج الأحدث واللغات الأخرى والمجالات التي لم ترها قط، ولا أحد خارج الشركة يمكنه فحص ما تعلمته فعلًا.

معظم المنتجات التجارية اليوم هجينة تجمع النهجين، وهذا أحد أسباب صعوبة تفسير درجاتها، وصعوبة مقارنتها بين الأدوات المختلفة أكثر.

لماذا تُرصد مخرجات ChatGPT وGemini وClaude

تُدرَّب النماذج المتقدمة لتكون واضحة وآمنة وسلسة، والجولة الأخيرة من ذلك التدريب تكافئ الإجابات التي يقيّمها معظم المراجعين على أنها حسنة الصياغة. وهذا يدفع المخرجات نحو جمل متوازنة، وانتقالات مرتبة مثل "علاوة على ذلك" و"في الختام"، ومفردات تبقى في المنتصف الإحصائي للطريق.

هذه الصفات ذاتها هي بالضبط ما تطارده الكاشفات. فكلما كانت الكتابة أكثر صقلًا و"متوسطية"، انخفضت حيرتها وتقطعها، وارتفعت درجة الذكاء الاصطناعي. ومن المفارقات أن المسودات البشرية الخام المليئة بالأخطاء المطبعية والغرابات تمرّ غالبًا بسهولة أكبر من مسودة أولى نظيفة كتبها الذكاء الاصطناعي، لأن العيوب هي ما يحمل الإشارة البشرية.

ما الذي تفحصه فعلًا GPTZero وTurnitin وZeroGPT وغيرها

تتقاسم الأدوات الكبرى المنطق الجوهري نفسه لكنها تضبطه بطرق مختلفة. فقد جعلت GPTZero تقييم الحيرة والتقطع شائعًا، وهي تعرض كليهما على مستوى الجملة. أما Turnitin AI فيدمج الكشف في حزمة فحص الانتحال الخاصة بالمدارس، إذ يقسّم المستندات إلى مقاطع متداخلة ويرصد تلك التي يعتقد مصنّفه أنها مكتوبة بنموذج.

وتقدّم ZeroGPT قراءة سريعة مجانية لكل جملة، بينما تستهدف Originality.ai الناشرين وفرق تحسين محركات البحث بدرجة صارمة مرجحة بالثقة. وتركّز Copyleaks على تغطية لغات متعددة وتقارير المؤسسات. كل هذه الأدوات احتمالية، ولهذا لا تستطيع أي منها أن تدّعي الكمال بصدق، ولهذا أيضًا يصف التسويق الخاص بدقة كل شركة، بهدوء، اختبارات صممتها الشركة نفسها.

لماذا تختلف الكاشفات فيما بينها

الصق المقال نفسه في ثلاثة كاشفات وقد تحصل على 2% ذكاء اصطناعي من أحدها، و45% من آخر، و88% من ثالث. هذا التفاوت ليس خللًا في أحدها؛ إنه ما يحدث عندما تُخرج أنظمة مختلفة تخمينات مختلفة من الدليل نفسه.

فكل أداة مدرّبة على مجموعتها الخاصة من النصوص، وتقيّم بنموذجها المرجعي الخاص، وتقطّع النص بطريقة مختلفة (المستند كاملًا مقابل جملة جملة)، وتحدد عتبتها الخاصة لما يُعد "ذكاء اصطناعيًا مرجحًا". فالأداة المعايرة لتجنب الاتهامات الباطلة ستكون متحفظة وترصد أقل من اللازم؛ والأداة التي تُسوَّق على أنها تمسك بالغشاشين ستكون عدوانية وترصد النص نفسه أكثر من اللازم. كما أنها تتحدث في مواعيد مختلفة، فالكاشف الذي ضُبط قبل إطلاق نموذج جديد سيسيء الحكم على أسلوب ذلك النموذج لشهور.

الدرس العملي هو أنه لا توجد درجة واحدة حاسمة، وأن الخلاف بين الأدوات دليل مباشر على حجم التخمين في العملية. إذا كانت مؤسستك التعليمية تفحص بأداة Turnitin، فحكم Turnitin وحده هو المهم، ودرجة نظيفة في مكان آخر لا تتنبأ به ولا تحميك منه.

النتائج الإيجابية الخاطئة: الأرقام المنشورة

لأن الكاشفات تحكم على قابلية التنبؤ، فهي تخطئ بانتظام، وهذه الأخطاء ليست افتراضية. فمصنّف OpenAI نفسها، الذي أُطلق في يناير 2023، لم يتعرف إلا على 26% من النصوص المكتوبة بالذكاء الاصطناعي بينما صنّف خطأً 9% من النصوص البشرية على أنها ذكاء اصطناعي، وسحبته الشركة خلال ستة أشهر لتدني دقته. وتدّعي Turnitin أن معدل النتائج الإيجابية الخاطئة على مستوى المستند أقل من 1%، لكنها أقرّت بأن الجمل المرصودة منفردة أقل موثوقية بكثير، ولهذا تحجب الدرجات عن المستندات التي لا تحتوي إلا على كميات صغيرة من النص المشتبه به.

أكثر النتائج إثارة للقلق تخص غير الناطقين بالإنجليزية كلغة أم. فقد اختبر باحثون من ستانفورد سبعة كاشفات شائعة على مقالات كتبها طلاب حقيقيون لاختبار TOEFL ووجدوا أن 61% في المتوسط من هذه المقالات البشرية رُصدت على أنها مولّدة بالذكاء الاصطناعي، وأن جميعها تقريبًا رصده كاشف واحد على الأقل. بينما مرّت مقالات الطلاب الأمريكيين الناطقين بالإنجليزية عبر الأدوات نفسها دون أن تُمس تقريبًا.

الآلية هي بالضبط ما يصفه هذا المقال: الكتّاب الذين يكتبون بلغة ثانية يميلون إلى مفردات أكثر أمانًا وتراكيب جمل أكثر انتظامًا، وهو ما يخفض الحيرة، وهو ما يُقرأ نصًا آليًا. فالانحياز مغروس في المنهجية ذاتها. ولهذا تتعامل المدارس المسؤولة مع درجة الكاشف على أنها بداية حوار، لا دليلًا. فالرقم ليس بيّنة.

العلامة المائية: الحل الذي لم يُطلق بعد

طالما جادل الباحثون بأن الحل الحقيقي هو العلامة المائية: أن يقوم نموذج الذكاء الاصطناعي نفسه بتضمين توقيع إحصائي غير مرئي وقت التوليد. في أشهر المخططات، يفضّل النموذج سرًا "قائمة خضراء" متغيرة من الرموز أثناء الكتابة. لا يستطيع القارئ ملاحظة النمط، لكن الكاشف الذي يملك المفتاح يمكنه اختباره بدقة أفضل بكثير من تخمين الحيرة.

لكن هذا الحل لم يُطلق في معظمه. فقد بنت OpenAI أداة علامة مائية نصية قيل داخليًا إن فعاليتها تبلغ نحو 99.9% على المقاطع الطويلة، وأبقتها حبيسة الأدراج، متذرعة بمخاوف من أن إعادة الصياغة أو الترجمة تمحو العلامة، وأنها قد توصم غير الناطقين بالإنجليزية الذين يستخدمون الذكاء الاصطناعي للتحسين بشكل مشروع، وبسبب أقل نبلًا: أن المستخدمين سينتقلون ببساطة إلى أدوات لا تضع علامة مائية. أما SynthID-Text من Google فهي الاستثناء، إذ تعمل داخل Gemini وصدرت مفتوحة المصدر، لكنها لا تسم إلا مخرجات Gemini نفسها.

وهنا المشكلة الجوهرية: العلامة المائية لا تغطي إلا النماذج التي يتعاون صانعوها، والنماذج مفتوحة الأوزان التي يمكن لأي شخص تشغيلها محليًا لن تحمل علامة أبدًا. لذا فالكاشف الذي تستخدمه مدرستك أو جهة عملك اليوم لا يزال يمارس الإحصاء، لا قراءة العلامات المائية، بكل ما ينطوي عليه ذلك من لايقين.

كيف تتعامل الكاشفات مع النص المختلط بين البشري والذكاء الاصطناعي

نادرًا ما تكون المستندات الحقيقية شيئًا واحدًا صافيًا. فالطالب يكتب المقدمة بيده، ويطلب من ChatGPT توسيع فقرتين في المتن، ثم يحرر النص كله. تتعامل الكاشفات مع هذا بتمرير نافذة منزلقة عبر المستند، وتقييم كل جملة أو مقطع على حدة، وإبراز الأجزاء التي تبدو مولّدة.

الخلط يُضعف كل إشارة. فالتحريرات البشرية داخل فقرة الذكاء الاصطناعي ترفع حيرتها؛ وجمل الذكاء الاصطناعي داخل قسم بشري تجرّ إيقاعه نحو الانتظام. والنتيجة درجة متوسطة قد تعني "نصف النص ذكاء اصطناعي" أو "كله بشري لكنه مكتوب بغرابة"، والإبرازات على مستوى الجملة أقل موثوقية بشكل ملحوظ من الرقم الإجمالي. فقد صرّحت Turnitin مثلًا بأن إشاراتها على مستوى الجملة تحمل معدل خطأ أعلى من درجة المستند، ولفترة رفضت عرض النسب المنخفضة أصلًا لأنها كانت شديدة الهشاشة.

باختصار: كلما ازداد امتزاج المستند، ازداد الحكم ضبابية، والجمل المبرزة في التقرير تستحق شكوكًا أكبر حتى من النسبة المئوية الرئيسية.

كيف تخفض الأنسنة الدرجة

إذا كانت الكاشفات تكافئ الحيرة والتقطع المرتفعين، فالحل هو أن تكتب أكثر شبهًا بالإنسان: نوّع طول الجمل، واستخدم خيارات كلمات أقل قابلية للتنبؤ، وأضف انتقالات طبيعية، واكسر الإيقاع الموحّد. لكن فعل ذلك يدويًا عبر مستند كامل بطيء، ولهذا وُجدت أداة أنسنة الذكاء الاصطناعي لإعادة كتابة النص واستعادة ذلك التنوع البشري تلقائيًا.

أداة مثل Humanize AI تعيد صياغة مخرجات النموذج لتستعيد تقطعها الطبيعي وصياغتها الأقل قابلية للتنبؤ، فتساعدها على تجاوز كشف الذكاء الاصطناعي مع الحفاظ على معناك سليمًا. والأهم أنها تعرض درجة قبل وبعد من كاشفات حقيقية، فتكون بذلك تقيس التغيير بدل أن تتمناه. الهدف ليس الخداع، بل كتابة تبدو أخيرًا وكأنها أنت.

ماذا يعني هذا لك عمليًا

تنبثق بضع عادات مباشرة من طريقة عمل هذه التقنية. اختبر قبل أن تسلّم، لأن تخمين الدرجة عبث ما دام الفحص مجانيًا؛ يمكنك تمرير مسودتك عبر أداة أنسنة الذكاء الاصطناعي المجانية ورؤية أرقام الكاشفات قبل أي شخص آخر. لا تثق أبدًا بحكم صادر على مقطع قصير، وتعامل مع الإبرازات على مستوى الجملة بوصفها دليلًا واهنًا في أحسن الأحوال.

إذا كنت تكتب بأمانة، فاحتفظ بإثباتاتك: نسخ المسودات والملاحظات وسجل التحرير أدلة على التأليف أفضل بكثير من أي درجة مضادة، خصوصًا إذا كنت غير ناطق بالإنجليزية كلغة أم وتكتب بالأسلوب الرسمي الذي تسيء الكاشفات الظن به. وإذا كنت تواجه أداة فحص محددة، فتعلّم سلوكها المحدد؛ ولدى Turnitin بالذات خصائص تستحق المعرفة، ولهذا كتبنا دليل Turnitin رفيقًا لهذا المقال.

وفوق كل شيء، تذكّر ما هو الكاشف. إنه أداة مطابقة أنماط تقيّم قابلية التنبؤ، بنتها شركة، وضُبطت على عتبة، وتخطئ بمعدل قابل للقياس في الاتجاهين. مفيد أحيانًا. دليل قاطع، أبدًا.

الأسئلة الشائعة