أصبحت النصوص المولدة بالذكاء الاصطناعي واحدة من أبرز التحديات التي تواجه قطاعات متعددة خلال السنوات الأخيرة، إذ أدى الانتشار الواسع للمحتوى الذي تنتجه النماذج اللغوية الكبيرة إلى إثارة مشكلات أخلاقية ومهنية، فضلاً عن تعقيد عمل المؤسسات الأكاديمية ودور النشر والجهات المعنية بإنتاج المحتوى.
ورغم ظهور العديد من الأدوات التي تدعي قدرتها على اكتشاف النصوص المولدة بالذكاء الاصطناعي ، مثل GPTZero وPangram، فإن دقة هذه الأدوات لا تزال موضع جدل واسع، خصوصاً بسبب نتائجها الخاطئة التي تضع أحياناً كتاباً ومؤلفين في دائرة الاتهام باستخدام الذكاء الاصطناعي، رغم أن أعمالهم مكتوبة بالكامل بواسطة البشر.
وتواجه كواشف النصوص التقليدية مجموعة من التحديات، أبرزها اعتمادها على بيانات تدريب ثابتة تتضمن نماذج من النصوص البشرية والمولدة بالذكاء الاصطناعي، دون تحديث مستمر لقدراتها بالتزامن مع تطور النماذج اللغوية.
ويجعل ذلك هذه الأدوات أكثر عرضة للإخفاق أمام الأجيال الجديدة من نماذج الذكاء الاصطناعي، التي أصبحت قادرة على إنتاج نصوص تحاكي الأسلوب البشري بدرجة متزايدة من الدقة، بحسب تقرير نشره موقع "digitaltrends" واطلعت عليه "العربية Business".
لماذا تفشل أدوات اكتشاف النصوص المولدة بالذكاء الاصطناعي؟
لا تقتصر المشكلة على تطور نماذج الذكاء الاصطناعي، بل تمتد أيضاً إلى طبيعة اللغة البشرية نفسها، إذ تشير الأبحاث إلى أن أساليب التعبير والكتابة تتأثر باستمرار بالمحتوى الذي يتعرض له الأشخاص، سواء عبر الأفلام أو منصات التواصل الاجتماعي أو غيرها من وسائل الإعلام.
واللافت أن هناك أدلة متزايدة على أن التفاعل المتكرر مع أدوات الذكاء الاصطناعي بدأ يؤثر أيضاً في مفردات المستخدمين وطريقة تعبيرهم، مع انتشار كلمات وعبارات تستخدمها النماذج اللغوية الكبيرة بصورة متكررة.
ويثير ذلك تساؤلات حول قدرة أدوات الكشف الحالية على الحفاظ على دقتها بمرور الوقت، خصوصاً أن الأسلوب البشري نفسه يتغير، ما يعني أن النص الذي يبدو بشرياً اليوم قد يحمل أنماطاً مختلفة في المستقبل.
لكن التحدي الأكبر يتمثل في أدوات تحويل النصوص المولدة بالذكاء الاصطناعي إلى نصوص تبدو وكأنها مكتوبة بواسطة البشر، والمعروفة باسم Humanizers.
وتنتشر هذه الأدوات على نطاق واسع، كما يمكن للمستخدمين تطوير أدوات مشابهة بسهولة نسبية.
وأظهرت أبحاث سابقة أن تدريب نموذج لغوي إضافي على محاكاة أسلوب كاتب معين يمكن أن يساعد النصوص التي ينتجها على تجاوز اختبارات الكشف بدرجة كبيرة.
ويعني ذلك أن أدوات الكشف التقليدية تواجه سباقاً مستمراً مع نماذج الذكاء الاصطناعي وأدوات إعادة صياغة المحتوى، وهو سباق يصعب حسمه باستخدام أنظمة تعتمد على قواعد وبيانات تدريب ثابتة.
إطار عمل جديد يتعلم أثناء فحص النصوص
في محاولة لمعالجة هذه المشكلات، طور باحثون من جامعة كورنيل ومعهد ماساتشوستس للتكنولوجيا MIT أسلوباً جديداً يعتمد على تقنية تُعرف باسم التكيف أثناء الاختبار (Test-Time Adaptation - TTA)، بهدف جعل أدوات اكتشاف النصوص أكثر قدرة على التكيف مع المحتوى الذي تفحصه.
وتعتمد الفكرة الأساسية على عدم الاكتفاء بالمعلومات التي اكتسبها نظام الكشف خلال مرحلة التدريب الأولية، بل منحه القدرة على التعلم أيضاً من النصوص الجديدة التي يُطلب منه تحليلها.
فعلى سبيل المثال، عندما يتلقى النظام مجموعة كبيرة من النصوص لفحصها، مثل مجموعة من المقالات أو الأبحاث الطلابية، فإنه لا يتعامل مع كل نص بصورة منفصلة، وإنما يبحث عن الأنماط المشتركة بين جميع النصوص.
وتستند هذه الطريقة إلى ملاحظة بحثية مفادها أن النصوص المولدة بالذكاء الاصطناعي تميل إلى إظهار قدر من التشابه والانتظام عندما تُفحص مجموعات كبيرة منها معاً، وهي الظاهرة التي يطلق عليها الباحثون اسم "التجانس أثناء الاستدلال".
وبدلاً من الاعتماد على تحليل النصوص بشكل فردي، يجمع النظام بين معرفته السابقة المستمدة من أمثلة مصنفة مسبقاً، والبيانات الجديدة غير المصنفة التي يتلقاها، بهدف تحديد الأنماط التي تشير إلى الكتابة البشرية وتلك التي تكشف عن الطابع الموحد للنصوص المولدة بالذكاء الاصطناعي.
ولا يتوقف الأمر عند ذلك، إذ يعمل النظام على تحديث حدود القرار الخاصة به بصورة مستمرة باستخدام المواد التي يفحصها، ما يعني أن كل مجموعة جديدة من النصوص تصبح في الوقت نفسه مهمة للكشف ومصدراً إضافياً للتعلم.
وبهذه الطريقة، تتحسن قدرة النظام تدريجياً على التمييز بين الكتابة البشرية والمحتوى الذي تنتجه نماذج الذكاء الاصطناعي، حتى عندما يواجه أنماطاً لم تكن موجودة ضمن بيانات تدريبه الأصلية.
دقة 93.3% في اكتشاف النصوص التي تخفي هويتها
أظهرت الاختبارات الأولية تفوق أسلوب TTA على أداة Pangram التجارية، التي اختارها الباحثون معياراً للمقارنة، بعدما أشارت أبحاث سابقة إلى أنها تسجل من بين أدنى معدلات الخطأ مقارنة بأدوات الكشف الشائعة.
وكان الاختبار الأكثر أهمية متعلقاً بالنصوص التي تنتجها نماذج الذكاء الاصطناعي ثم تمرر عبر أدوات Humanizer لتغيير أسلوبها وجعلها تبدو وكأنها مكتوبة بواسطة البشر.
وفي هذا الاختبار، لم تتمكن أداة Pangram من اكتشاف سوى 27% من النصوص المولدة بالذكاء الاصطناعي التي خضعت لعملية التمويه، بينما نجح نظام TTA في اكتشاف 93.3% منها.
نسبة اكتشاف النصوص المولدة بالذكاء الاصطناعي بعد تمريرها عبر أدوات إضفاء الطابع البشري، وفق الاختبارات المذكورة في البحث.
وتكشف هذه النتائج عن فارق كبير بين النظامين، خصوصاً أن أدوات تحويل النصوص إلى أسلوب بشري أصبحت من أبرز الوسائل المستخدمة للتحايل على كواشف الذكاء الاصطناعي التقليدية.
النظام الجديد يتفوق أيضاً مع نماذج الذكاء الاصطناعي الحديثة
اختبر الباحثون قدرة النظام على التعامل مع نماذج ذكاء اصطناعي جديدة لم تكن موجودة ضمن بيانات التدريب الأصلية.
وأظهرت النتائج أن أداة Pangram واجهت صعوبة في اكتشاف النصوص التي أنتجها نموذج GPT-5.4 من شركة OpenAI، الذي أُطلق في مارس، إذ لم تصنف سوى 34% من مخرجاته باعتبارها مكتوبة بالكامل أو جزئياً بواسطة الذكاء الاصطناعي.
ورغم تحسن أداء الأداة بصورة ملحوظة بعد حصولها على تحديث في مايو، فإن نظام TTA حافظ على أداء أكثر استقراراً مع النماذج التي لم يتدرب عليها مسبقاً، محققاً معدلات اكتشاف تراوحت بين 87% و94%.
وتشير هذه النتيجة إلى أن قدرة النظام على التعلم من النصوص الجديدة تمنحه ميزة مهمة عند التعامل مع الأجيال المتعاقبة من نماذج الذكاء الاصطناعي، بدلاً من انتظار تحديث بيانات تدريبه الأساسية في كل مرة يظهر فيها نموذج جديد.
تقليل اتهام الكتاب البشريين باستخدام الذكاء الاصطناعي
لم يقتصر اهتمام الباحثين على اختبار قدرة النظام على اكتشاف النصوص المولدة بالذكاء الاصطناعي، بل شمل أيضاً قياس مدى قدرته على تجنب النتائج الإيجابية الخاطئة، وهي المشكلة التي تسببت في أزمات للطلاب والباحثين والكتاب الذين اتُهموا باستخدام أدوات الذكاء الاصطناعي رغم اعتمادهم على الكتابة البشرية.
ولفحص هذه المشكلة، اختبر الباحثون تأثير التغير الطبيعي في اللغة البشرية بمرور السنوات على أداء أدوات الكشف.
وأظهرت النتائج أن أداة تقليدية جرى تدريبها على نصوص قديمة نجحت في التعرف على الكتابة البشرية بنسبة 85.9% في البداية، لكن هذه النسبة تراجعت إلى 73.4% بعد مرور عشر سنوات.
في المقابل، حافظ النظام المعتمد على تقنية TTA على مستوى أكثر استقراراً، إذ تراوحت قدرته على التعرف على النصوص البشرية بين نحو 86% و90% خلال الفترة نفسها.
وتكمن أهمية هذه النتيجة في أن النظام الجديد لا يكتفي بتحسين اكتشاف النصوص المولدة بالذكاء الاصطناعي، بل يساعد أيضاً على الحد من اتهام الكتاب البشريين باستخدام هذه التقنيات نتيجة تغير أساليب الكتابة واللغة بمرور الوقت.
استخدامات تتجاوز الجامعات ودور النشر
يرى فريق البحث أن التقنية الجديدة يمكن أن تكون مفيدة لمجموعة واسعة من القطاعات التي تحتاج إلى التحقق من مصدر المحتوى المكتوب.
وأوضح الباحثون في بيان صحفي أن هذه الطريقة يمكن أن تساعد المعلمين والمحررين والناشرين ومسؤولي التوظيف على اكتشاف النصوص التي تنتجها النماذج اللغوية الكبيرة ويحاول أصحابها تقديمها باعتبارها أعمالاً مكتوبة بواسطة البشر.
كما يمكن توظيفها في مجال الأمن السيبراني، لمساعدة المتخصصين على اكتشاف رسائل التصيد الاحتيالي التي تُنشأ باستخدام الذكاء الاصطناعي، أو تحديد ممارسات التلاعب بمحتوى محركات البحث وتحسين ترتيبه بصورة غير مشروعة.
ومن المقرر أن يعرض فريق البحث نتائجه خلال مؤتمر NeurIPS المتخصص في أنظمة معالجة المعلومات العصبية، والمقرر انعقاده في وقت لاحق من العام الجاري.
ورغم النتائج الواعدة، فإن نجاح هذه التقنية لا يعني بالضرورة نهاية الأخطاء في أدوات اكتشاف النصوص المولدة بالذكاء الاصطناعي، لكنه يقدم نهجاً مختلفاً عن الأنظمة التقليدية، يقوم على التعلم المستمر والتكيف مع تغير اللغة وتطور النماذج، بدلاً من الاعتماد على بيانات ثابتة قد تفقد فعاليتها مع مرور الوقت.
ورغم ظهور العديد من الأدوات التي تدعي قدرتها على اكتشاف النصوص المولدة بالذكاء الاصطناعي ، مثل GPTZero وPangram، فإن دقة هذه الأدوات لا تزال موضع جدل واسع، خصوصاً بسبب نتائجها الخاطئة التي تضع أحياناً كتاباً ومؤلفين في دائرة الاتهام باستخدام الذكاء الاصطناعي، رغم أن أعمالهم مكتوبة بالكامل بواسطة البشر.
وتواجه كواشف النصوص التقليدية مجموعة من التحديات، أبرزها اعتمادها على بيانات تدريب ثابتة تتضمن نماذج من النصوص البشرية والمولدة بالذكاء الاصطناعي، دون تحديث مستمر لقدراتها بالتزامن مع تطور النماذج اللغوية.
ويجعل ذلك هذه الأدوات أكثر عرضة للإخفاق أمام الأجيال الجديدة من نماذج الذكاء الاصطناعي، التي أصبحت قادرة على إنتاج نصوص تحاكي الأسلوب البشري بدرجة متزايدة من الدقة، بحسب تقرير نشره موقع "digitaltrends" واطلعت عليه "العربية Business".
لماذا تفشل أدوات اكتشاف النصوص المولدة بالذكاء الاصطناعي؟
لا تقتصر المشكلة على تطور نماذج الذكاء الاصطناعي، بل تمتد أيضاً إلى طبيعة اللغة البشرية نفسها، إذ تشير الأبحاث إلى أن أساليب التعبير والكتابة تتأثر باستمرار بالمحتوى الذي يتعرض له الأشخاص، سواء عبر الأفلام أو منصات التواصل الاجتماعي أو غيرها من وسائل الإعلام.
واللافت أن هناك أدلة متزايدة على أن التفاعل المتكرر مع أدوات الذكاء الاصطناعي بدأ يؤثر أيضاً في مفردات المستخدمين وطريقة تعبيرهم، مع انتشار كلمات وعبارات تستخدمها النماذج اللغوية الكبيرة بصورة متكررة.
ويثير ذلك تساؤلات حول قدرة أدوات الكشف الحالية على الحفاظ على دقتها بمرور الوقت، خصوصاً أن الأسلوب البشري نفسه يتغير، ما يعني أن النص الذي يبدو بشرياً اليوم قد يحمل أنماطاً مختلفة في المستقبل.
لكن التحدي الأكبر يتمثل في أدوات تحويل النصوص المولدة بالذكاء الاصطناعي إلى نصوص تبدو وكأنها مكتوبة بواسطة البشر، والمعروفة باسم Humanizers.
وتنتشر هذه الأدوات على نطاق واسع، كما يمكن للمستخدمين تطوير أدوات مشابهة بسهولة نسبية.
وأظهرت أبحاث سابقة أن تدريب نموذج لغوي إضافي على محاكاة أسلوب كاتب معين يمكن أن يساعد النصوص التي ينتجها على تجاوز اختبارات الكشف بدرجة كبيرة.
ويعني ذلك أن أدوات الكشف التقليدية تواجه سباقاً مستمراً مع نماذج الذكاء الاصطناعي وأدوات إعادة صياغة المحتوى، وهو سباق يصعب حسمه باستخدام أنظمة تعتمد على قواعد وبيانات تدريب ثابتة.
إطار عمل جديد يتعلم أثناء فحص النصوص
في محاولة لمعالجة هذه المشكلات، طور باحثون من جامعة كورنيل ومعهد ماساتشوستس للتكنولوجيا MIT أسلوباً جديداً يعتمد على تقنية تُعرف باسم التكيف أثناء الاختبار (Test-Time Adaptation - TTA)، بهدف جعل أدوات اكتشاف النصوص أكثر قدرة على التكيف مع المحتوى الذي تفحصه.
وتعتمد الفكرة الأساسية على عدم الاكتفاء بالمعلومات التي اكتسبها نظام الكشف خلال مرحلة التدريب الأولية، بل منحه القدرة على التعلم أيضاً من النصوص الجديدة التي يُطلب منه تحليلها.
فعلى سبيل المثال، عندما يتلقى النظام مجموعة كبيرة من النصوص لفحصها، مثل مجموعة من المقالات أو الأبحاث الطلابية، فإنه لا يتعامل مع كل نص بصورة منفصلة، وإنما يبحث عن الأنماط المشتركة بين جميع النصوص.
وتستند هذه الطريقة إلى ملاحظة بحثية مفادها أن النصوص المولدة بالذكاء الاصطناعي تميل إلى إظهار قدر من التشابه والانتظام عندما تُفحص مجموعات كبيرة منها معاً، وهي الظاهرة التي يطلق عليها الباحثون اسم "التجانس أثناء الاستدلال".
وبدلاً من الاعتماد على تحليل النصوص بشكل فردي، يجمع النظام بين معرفته السابقة المستمدة من أمثلة مصنفة مسبقاً، والبيانات الجديدة غير المصنفة التي يتلقاها، بهدف تحديد الأنماط التي تشير إلى الكتابة البشرية وتلك التي تكشف عن الطابع الموحد للنصوص المولدة بالذكاء الاصطناعي.
ولا يتوقف الأمر عند ذلك، إذ يعمل النظام على تحديث حدود القرار الخاصة به بصورة مستمرة باستخدام المواد التي يفحصها، ما يعني أن كل مجموعة جديدة من النصوص تصبح في الوقت نفسه مهمة للكشف ومصدراً إضافياً للتعلم.
وبهذه الطريقة، تتحسن قدرة النظام تدريجياً على التمييز بين الكتابة البشرية والمحتوى الذي تنتجه نماذج الذكاء الاصطناعي، حتى عندما يواجه أنماطاً لم تكن موجودة ضمن بيانات تدريبه الأصلية.
دقة 93.3% في اكتشاف النصوص التي تخفي هويتها
أظهرت الاختبارات الأولية تفوق أسلوب TTA على أداة Pangram التجارية، التي اختارها الباحثون معياراً للمقارنة، بعدما أشارت أبحاث سابقة إلى أنها تسجل من بين أدنى معدلات الخطأ مقارنة بأدوات الكشف الشائعة.
وكان الاختبار الأكثر أهمية متعلقاً بالنصوص التي تنتجها نماذج الذكاء الاصطناعي ثم تمرر عبر أدوات Humanizer لتغيير أسلوبها وجعلها تبدو وكأنها مكتوبة بواسطة البشر.
وفي هذا الاختبار، لم تتمكن أداة Pangram من اكتشاف سوى 27% من النصوص المولدة بالذكاء الاصطناعي التي خضعت لعملية التمويه، بينما نجح نظام TTA في اكتشاف 93.3% منها.
نسبة اكتشاف النصوص المولدة بالذكاء الاصطناعي بعد تمريرها عبر أدوات إضفاء الطابع البشري، وفق الاختبارات المذكورة في البحث.
وتكشف هذه النتائج عن فارق كبير بين النظامين، خصوصاً أن أدوات تحويل النصوص إلى أسلوب بشري أصبحت من أبرز الوسائل المستخدمة للتحايل على كواشف الذكاء الاصطناعي التقليدية.
النظام الجديد يتفوق أيضاً مع نماذج الذكاء الاصطناعي الحديثة
اختبر الباحثون قدرة النظام على التعامل مع نماذج ذكاء اصطناعي جديدة لم تكن موجودة ضمن بيانات التدريب الأصلية.
وأظهرت النتائج أن أداة Pangram واجهت صعوبة في اكتشاف النصوص التي أنتجها نموذج GPT-5.4 من شركة OpenAI، الذي أُطلق في مارس، إذ لم تصنف سوى 34% من مخرجاته باعتبارها مكتوبة بالكامل أو جزئياً بواسطة الذكاء الاصطناعي.
ورغم تحسن أداء الأداة بصورة ملحوظة بعد حصولها على تحديث في مايو، فإن نظام TTA حافظ على أداء أكثر استقراراً مع النماذج التي لم يتدرب عليها مسبقاً، محققاً معدلات اكتشاف تراوحت بين 87% و94%.
وتشير هذه النتيجة إلى أن قدرة النظام على التعلم من النصوص الجديدة تمنحه ميزة مهمة عند التعامل مع الأجيال المتعاقبة من نماذج الذكاء الاصطناعي، بدلاً من انتظار تحديث بيانات تدريبه الأساسية في كل مرة يظهر فيها نموذج جديد.
تقليل اتهام الكتاب البشريين باستخدام الذكاء الاصطناعي
لم يقتصر اهتمام الباحثين على اختبار قدرة النظام على اكتشاف النصوص المولدة بالذكاء الاصطناعي، بل شمل أيضاً قياس مدى قدرته على تجنب النتائج الإيجابية الخاطئة، وهي المشكلة التي تسببت في أزمات للطلاب والباحثين والكتاب الذين اتُهموا باستخدام أدوات الذكاء الاصطناعي رغم اعتمادهم على الكتابة البشرية.
ولفحص هذه المشكلة، اختبر الباحثون تأثير التغير الطبيعي في اللغة البشرية بمرور السنوات على أداء أدوات الكشف.
وأظهرت النتائج أن أداة تقليدية جرى تدريبها على نصوص قديمة نجحت في التعرف على الكتابة البشرية بنسبة 85.9% في البداية، لكن هذه النسبة تراجعت إلى 73.4% بعد مرور عشر سنوات.
في المقابل، حافظ النظام المعتمد على تقنية TTA على مستوى أكثر استقراراً، إذ تراوحت قدرته على التعرف على النصوص البشرية بين نحو 86% و90% خلال الفترة نفسها.
وتكمن أهمية هذه النتيجة في أن النظام الجديد لا يكتفي بتحسين اكتشاف النصوص المولدة بالذكاء الاصطناعي، بل يساعد أيضاً على الحد من اتهام الكتاب البشريين باستخدام هذه التقنيات نتيجة تغير أساليب الكتابة واللغة بمرور الوقت.
استخدامات تتجاوز الجامعات ودور النشر
يرى فريق البحث أن التقنية الجديدة يمكن أن تكون مفيدة لمجموعة واسعة من القطاعات التي تحتاج إلى التحقق من مصدر المحتوى المكتوب.
وأوضح الباحثون في بيان صحفي أن هذه الطريقة يمكن أن تساعد المعلمين والمحررين والناشرين ومسؤولي التوظيف على اكتشاف النصوص التي تنتجها النماذج اللغوية الكبيرة ويحاول أصحابها تقديمها باعتبارها أعمالاً مكتوبة بواسطة البشر.
كما يمكن توظيفها في مجال الأمن السيبراني، لمساعدة المتخصصين على اكتشاف رسائل التصيد الاحتيالي التي تُنشأ باستخدام الذكاء الاصطناعي، أو تحديد ممارسات التلاعب بمحتوى محركات البحث وتحسين ترتيبه بصورة غير مشروعة.
ومن المقرر أن يعرض فريق البحث نتائجه خلال مؤتمر NeurIPS المتخصص في أنظمة معالجة المعلومات العصبية، والمقرر انعقاده في وقت لاحق من العام الجاري.
ورغم النتائج الواعدة، فإن نجاح هذه التقنية لا يعني بالضرورة نهاية الأخطاء في أدوات اكتشاف النصوص المولدة بالذكاء الاصطناعي، لكنه يقدم نهجاً مختلفاً عن الأنظمة التقليدية، يقوم على التعلم المستمر والتكيف مع تغير اللغة وتطور النماذج، بدلاً من الاعتماد على بيانات ثابتة قد تفقد فعاليتها مع مرور الوقت.












