هل يؤدي تنقيح كتابتك بالذكاء الاصطناعي إلى تصنيفها كذكاء اصطناعي؟ ما رصدته دراسة في عام 2026

في كثير من الأحيان، وفقاً لأداتي الفحص التجاريتين اللتين اختبرتهما هذه الدراسة. حيث طلب الباحثون من نموذج ذكاء اصطناعي إعادة صياغة 642 ملخصاً منشوراً "to sound better and more human-like" (لتصبح أفضل وأشبه بالأسلوب البشري). فقام Pangram بتمييز 64 إلى 80% من النسخ المنقحة، بينما صنف GPTZero ما بين 38 إلى 49%. في المقابل، لم تصنف الأداتان أياً من الملخصات الأصلية المكتوبة بين عامي 2013 و2015. ولم تشمل التجربة أداة Turnitin. وخَلُص الباحثون إلى أن "detector scores should not serve as standalone misconduct evidence." (لا ينبغي أن تُستخدم درجات كواشف الذكاء الاصطناعي كدليل مستقل بذاته على سوء السلوك الأكاديمي.)

تحمل الدراسة عنوان "Why AI Detection Fails for Academic Integrity" (لماذا تفشل كواشف الذكاء الاصطناعي في حماية النزاهة الأكاديمية)، وأعدها أربعة باحثين في جامعة نوتردام، ونُشرت على موقع arXiv في 6 أغسطس 2026 وكُتبت خصيصاً لقمة قيادات الذكاء الاصطناعي التابعة لـ ACM (AILS '26).

ليست هذه أول دراسة تتناول هذه النقطة؛ فقد توصلت دراسة أعدها ساها وفيزي (Saha and Feizi) في جامعة ماريلاند عام 2025 ونُشرت في مجلة Findings of ACL 2025، إلى أنه بعد إجراء "only extremely minor edits" (تعديلات طفيفة للغاية فقط) بواسطة أحد نماذج الذكاء الاصطناعي، صُنّفت 42.56% من العينات المكتوبة بشرياً على أنها نصوص ذكاء اصطناعي بواسطة Pangram، و64.71% بواسطة GPTZero، بالاعتماد على حد فاصل محدد لكل كاشف. وقد استخدمت الدراستان نماذج وعتبات ونصوصاً مختلفة، لذا تُعرض أرقامهما جنباً إلى جنب دون أن تُجمع معاً، لكنهما تشيران إلى الاتجاه نفسه.

جمع الباحثون 642 ملخصاً باللغة الإنجليزية لأوراق بحثية منشورة في أربعة مجالات: الكيمياء، وعلوم الحاسوب، والعلوم السياسية، واللاهوت. جاء 306 منها من الفترة بين عامي 2013 و2015، أي قبل ظهور أدوات مثل ChatGPT، و336 ملخصاً من الفترة بين عامي 2023 و2025.

أُعيدت صياغة كل ملخص بواسطة Gemini 3 Flash. والنسخة الأهم هنا هي التي يطلق عليها الباحثون اسم "refine" (تنقيح)، والتي يعتبرونها "a proxy for guideline-compliant AI assistance" (مؤشراً بديلاً للمساعدة المتوافقة مع إرشادات استخدام الذكاء الاصطناعي). وقد بدأت التعليمات التي تلقاها النموذج كما يلي:

"You are an expert scientist who excels in writing papers. Your task is to rewrite a given paper abstract to sound better and more human-like." (أنت عالم خبير تبرع في كتابة الأوراق البحثية. مهمتك هي إعادة صياغة ملخص الورقة البحثية المقدم ليبدو أفضل وأشبه بالأسلوب البشري.)

وكان الباحثون واضحين للغاية بشأن نوع التعديل الناتج: "Our refine prompt is closer to light generative rewriting than to grammar-only editing; assisted-writing flag rates should be read accordingly." (إن توجيه التنقيح لدينا أقرب إلى إعادة الصياغة التوليدية الخفيفة منه إلى مجرد تصحيح القواعد النحوية؛ لذا ينبغي تفسير معدلات تصنيف الكتابة المدعومة بالذكاء الاصطناعي بناءً على ذلك). ضع هذا الأمر في حسبانك قبل مقارنته بما قمت به في نصك.

بعد ذلك، خضعت كل نسخة أصلية وكل إعادة صياغة للتقييم بواسطة Pangram 3.2 وGPTZero. ووفقاً للترميز البرمجي المنشور للمؤلفين، فإن الدرجة المعتمدة لـ GPTZero هي الاحتمالية ضمن فئة "AI"، واعتُبر أي تقييم عند 0.50 أو أعلى تصنيفاً للنص على أنه ذكاء اصطناعي.

يأتي تنبيهان بالغا الأهمية من الباحثين أنفسهم: الأول هو أن النصوص الأصلية لعامي 2023–2025 ربما تلقت بالفعل مساعدة غير مسجلة من الذكاء الاصطناعي، وبالتالي فإن حالات التصنيف تلك "not confirmed false positives" (ليست نتائج إيجابية كاذبة مؤكدة). والتنبيه الثاني هو أن النسخ المنقحة تختلف عن النصوص البشرية الخالصة؛ حيث تشير الورقة البحثية إلى أن معدل تصنيفها "must not be abbreviated as FPR" (لا يجوز اختصاره إلى معدل الإيجابيات الكاذبة FPR)، ولهذا السبب نتجنب نحن أيضاً تسميته بمعدل الإيجابيات الكاذبة هنا. وما يقيسه هذا المؤشر فعلياً هو مدى تكرار تمييز الملخص البشري بمجرد أن يقوم الذكاء الاصطناعي بتنقيحه.

ولم يُحدث تحريك العتبة فرقاً يُذكر في النتائج الإجمالية؛ فبين 0.4 و0.6، صنف Pangram ما بين 80 إلى 85% من نسخ 2023–2025 المنقحة، بينما صنف GPTZero ما بين 48 إلى 49%.

في ملخصات 2023–2025، تباينت المعدلات بصورة واضحة بناءً على التخصص الأكاديمي:

في النصوص الأصلية غير المعدلة، كان الفارق بين تخصصات العلوم والتكنولوجيا والهندسة والرياضيات (الكيمياء وعلوم الحاسوب) والتخصصات الأخرى (العلوم السياسية واللاهوت) ذا دلالة إحصائية. كما قاس الباحثون أيضاً السمات النصية التي ترافقت مع درجات أعلى؛ فكان العاملان الأقوى هما نسبة الكلمات الطويلة ونسبة الكلمات المأخوذة من قائمة الكلمات الأكاديمية (Academic Word List)، وهي قائمة قياسية للمفردات الشائعة في الكتابة الأكاديمية، بمعامل ارتباط تراوح بين 0.30 و0.35 تقريباً. في المقابل، ترافقت النسبة الأعلى من الأرقام والرموز غير الأبجدية مع درجات تقييم أقل. ويؤكد المؤلفون أن هذه "associations are correlational and do not establish causal mechanisms." (الروابط هي علاقات ارتباطية ولا تثبت وجود آليات سببية.)

تتعلق هذه القياسات بأداتي Pangram وGPTZero، ولا تنطبق على Turnitin. ففي صفحات مساعدة Turnitin الثلاث حول فحص الذكاء الاصطناعي والتي فحصناها في مقال سبب تصنيف كواشف الذكاء الاصطناعي للمقالات المكتوبة بعناية، لم تكن هناك أي إشارة إلى تقييم جودة الصياغة. لذا تتناول النتيجتان أداتين مختلفتين ولا تتعارضان إطلاقاً.

حدد الباحثون قيود عملهم بأنفسهم، وهي تفاصيل بالغة الأهمية عند محاولة إسقاط النتائج على عملك الخاص:

• ملخصات أبحاث منشورة وليست مقالات طلابية. على حد تعبيرهم: "We analyze English published abstracts, not student essays; detector behavior on classroom genres may differ." (نحن نحلل ملخصات أوراق بحثية منشورة باللغة الإنجليزية، وليس مقالات طلابية؛ وقد يختلف سلوك الكاشف مع الأنماط الكتابية المستخدمة في الفصول الدراسية).
• أداتا فحص تجاريتان فقط، ولا تشملان Turnitin. اقتصرت الأدوات التجارية المختبرة على Pangram 3.2 وGPTZero، إلى جانب نموذج ذكاء اصطناعي كخط أساس تكميلي، ولم تتطرق الورقة إطلاقاً إلى Turnitin. كما أصدر Pangram إصدارات أحدث منذ ذلك الحين، وبالتالي فإن أي نتيجة يقدمها Pangram اليوم قد لا تصدر عن النموذج نفسه المستخدم في الدراسة.
• نموذج واحد، ونوع واحد من التنقيح. أُجريت جميع عمليات إعادة الصياغة عبر Gemini 3 Flash وفق التوجيه المذكور أعلاه، في حين لم يخضع التدقيق الإملائي والنحوي الصرف لاختبار منفصل.
• أربعة تخصصات فقط، وباللغة الإنجليزية حصراً. انخفاض معدل الكشف في الكيمياء هنا لا يعني أن طلاب الكيمياء في مأمن عند التعامل مع كواشف أخرى أو مع أنواع كتابية مختلفة.
• وفّر Pangram وصولاً عبر واجهة البرمجة (API) لصالح هذه الدراسة، وفق ما ورد في قسم الشكر والتقدير.

أخضعت الورقة البحثية أيضاً النسخ المعاد صياغتها لأداة تجارية لإضفاء الطابع البشري (humanizer)، وبعدها لم يصنف سوى أقل من 4% بواسطة أي من الأداتين. وبمقارنة ذلك بنسب التصنيف التي بلغت 38 إلى 80% للتنقيح النزيه، يتضح النصف الآخر من حجة الباحثين بأن درجات الكواشف لا يمكن الاعتماد عليها وحدها. وتتلخص نتيجتهم في: "Integrity programs therefore need transparent AI-use norms and process evidence, not standalone detector scores." (لذا تحتاج برامج النزاهة الأكاديمية إلى معايير واضحة لاستخدام الذكاء الاصطناعي وأدلة تثبت خطوات العمل، لا إلى درجات تقييم منفردة لكواشف الذكاء الاصطناعي).

1. تحقق من الأداة التي أصدرت النتيجة. إذا كانت الأداة هي Turnitin، فهذه الأرقام لا تتحدث عنها. واقرأ التقرير الذي سلمه أستاذك لترى المقاطع المظللة فعلياً.
2. تحقق مما تسمح به اللوائح المعمول بها لديك. تفصل سياسات العديد من دور النشر بين التدقيق اللغوي وإنشاء المحتوى، وتطلب بعضها الإفصاح عن ذلك؛ ويقارن دليلنا حول سياسات دور النشر للإفصاح عن استخدام الذكاء الاصطناعي بين هذه السياسات. أما في المهام الدراسية، فالفيصل دائماً هو تعليمات التقييم وسياسة جامعتك.
3. احتفظ بالنسخة السابقة للتنقيح. النصيحة العملية التي تقدمها الورقة البحثية هي أن "Any flag must be paired with drafting history" (يجب أن يقترن أي تمييز بوجود سجل لمسودات الكتابة). وتعتبر المسودة المكتوبة بأسلوبك الخاص مع سجل تعديلاتها هي هذا التوثيق الإثباتي بعينه.
4. انظر إلى المقاطع المحددة بعينها، وليس إلى النسبة المئوية فقط. فتلك المقاطع بالتحديد هي ما يجب أن تكون مستعداً لتوضيحه: كيف كتبتها، وما الذي غيّره الذكاء الاصطناعي فيها.

إذا كان لديك تقرير من Turnitin أو iThenticate وكانت المقاطع المحددة بحاجة إلى إعادة صياغة، فهذا تحديداً ما يوفره خيار إضفاء الطابع البشري في أداة HumanPen. استورد تقرير Turnitin أو iThenticate وأعد صياغة المقاطع التي يشير إليها فقط، لتحصل على ملف قابل للتحرير بالتنسيق نفسه. تحقق أولاً من توافق ذلك مع لوائح مقررك الدراسي بشأن الاستعانة بالذكاء الاصطناعي، واقرأ ما تتسلمه بعناية قبل تقديمه.

هل يُعد استخدام Grammarly تنقيحاً بالذكاء الاصطناعي وفق هذه الدراسة؟ ليس بصورة مباشرة؛ فقد تمثل التنقيح في الدراسة في إعادة صياغة عبر Gemini 3 Flash، وهو ما وصفه الباحثون بأنه "closer to light generative rewriting than to grammar-only editing" (أقرب إلى إعادة الصياغة التوليدية الخفيفة منه إلى مجرد تصحيح القواعد النحوية). ولم يُختبر تدقيق الأخطاء الإملائية والنحوية بمفرده. كما صرحت Turnitin بشكل منفصل بأن نظامها لا يستهدف تصحيحات الإملاء والقواعد وعلامات الترقيم التي يجريها Grammarly؛ راجع هل يكتشف Turnitin برنامج Grammarly.

هل يمكنني الاستناد إلى هذه الدراسة إذا اتُهمت باستخدام الذكاء الاصطناعي؟ تدعم الدراسة فكرة عامة مفادها أن كواشف الذكاء الاصطناعي تصنف نسبة كبيرة من النصوص البشرية المنقحة بالذكاء الاصطناعي، كما يؤكد الباحثون أن الدرجات "should not serve as standalone misconduct evidence" (لا ينبغي أن تُستخدم كدليل مستقل بذاته على سوء السلوك الأكاديمي). لكنها لا تتناول Turnitin ولا المقالات الطلابية، ولا يمكنها إثبات ما حدث لنصك على وجه التحديد؛ فمسوداتك وسجل تعديلاتك هما ما يثبتان ذلك.

لماذا سجلت ملخصات 2013–2015 غير المعدلة نسبة 0% بينما سجلت ملخصات 2023–2025 نسباً أعلى؟ لا تستطيع الورقة البحثية الجزم بالسبب الدقيق؛ فبحسب عبارتها، فإن الفترة الزمنية 2023–2025 "cannot separate model vintage from unobserved real-world AI use on original abstracts" (لا يمكنها الفصل بين تأثير حداثة النموذج والاستخدام الواقعي غير المرصود للذكاء الاصطناعي في الملخصات الأصلية). ولهذا السبب تُورد تلك الأرقام بوصفها معدلات تصنيف، وليست إيجابيات كاذبة.

هل يمنح GPTZero تصنيفاً مختلفاً للنصوص المنقحة؟ يتيح GPTZero تصنيف "AI Polished" (منقح بالذكاء الاصطناعي) تحت نتيجته Mixed؛ وقد شرحنا دلالته في مقالنا حول تصنيفي Mixed وAI-Polished في GPTZero. ووفقاً للترميز البرمجي للمؤلفين، استخدمت هذه الدراسة الاحتمالية ضمن فئة "AI" في GPTZero؛ لذا فإن أي نص صنفه GPTZero كـ Mixed، بما في ذلك AI Polished، لم يُحتسب كحالة اشتباه إلا إذا بلغت احتمالية فئة AI فيه 0.50 على الأقل.

• جوناثان أ. كار جونيور، غريغوري خفاتسكي، تينغ هوا، ونيتيش في. تشاولا، Why AI Detection Fails for Academic Integrity، arXiv:2608.11256 (الإصدار الأول 6 أغسطس 2026، الإصدار الثاني 20 أغسطس 2026)، قمة AILS '26؛ تم الاطلاع في 27 سبتمبر 2026 (الجداول 1–6، الملاحق A وB وD)، إلى جانب الكود البرمجي المنشور للباحثين.
• شوميك ساها وسهيل فيزي، Almost AI, Almost Human: The Challenge of Detecting AI-Polished Writing، مجلة Findings of ACL 2025 (arXiv:2502.15666)؛ تم الاطلاع في 27 سبتمبر 2026.