كم مرة تصنف روبوتات الدردشة الكتابة البشرية على أنها ذكاء اصطناعي؟ اختبار شمل 15 نموذجاً في 2026

يعتمد الأمر إلى حد كبير على النموذج المستخدم. ففي دراسة أولية نُشرت عام 2026، طُلب من 15 نموذج ذكاء اصطناعي للأغراض العامة من النوع الذي يدير روبوتات الدردشة، عبر واجهات برمجة التطبيقات (APIs) وبسؤال موحد، تحديد ما إذا كانت 1,000 مادة نصية كتبها بشر قد صدرت عن إنسان أم آلة. وأجاب الجيل السابق (GPT-4o وأربعة نماذج أخرى من عامي 2024–25) بـ "آلة" لنسبة 36.5% من النصوص البشرية في المتوسط. أما أحدث جيل (ثمانية نماذج من عام 2026، من بينها GPT-5.5 وClaude Opus 4.7 وGemini 3.1 Pro Preview)، ففعل ذلك بنسبة 3.6%، وتراوحت النسب في النماذج الفردية بين 0.1% و8.6%. لذلك، فإن معدل الخطأ الذي تصنف فيه روبوتات الدردشة الكتابة البشرية خطأً بـ "آلة" يعتمد بشدة على النموذج: ففي هذا الاختبار، تراوح المعدل بين أكثر من ثلث الحالات إلى شبه انعدامها تماماً. غير أن نسبة كهذه تصف مجموعة ضخمة من النصوص، لا مقالك بمفرده، كما أن إجابة روبوت الدردشة لا تشكل دليلاً قائماً بذاته: فالنصوص المختبرة لم تكن أبحاثاً لطلاب، ولقطة الشاشة قد لا توضح أي نموذج أصدر الإجابة أو كيف طُرح السؤال.

الدراسة بعنوان "Using LLMs to Detect LLM-Generated Texts: A Cross-Generation Analysis" (استخدام النماذج اللغوية الكبيرة لاكتشاف النصوص المولدة بالنماذج اللغوية الكبيرة: تحليل عبر الأجيال)، أعدها كل من Haiyue Yuan وJie Guo وWeidong Qiu وZheng Huang وRuizhe Li وShujun Li من University of Kent وShanghai Jiao Tong University وUniversity of Birmingham. ونُشرت على موقع arXiv في 28 سبتمبر 2026. وهي دراسة أولية (preprint) لم تخضع لمراجعة الأقران.

بدأ الباحثون بـ 1,000 نص كتبه بشر من M4GT-Bench، وهي مجموعة بيانات بحثية عامة، تصفها الورقة بأنها "covering a broad range of topics, styles, and formats" (تغطي مجموعة واسعة من الموضوعات والأساليب والأشكال). وتصفحنا الملف المنشور فوجدنا فيه مقالات موسوعية، وأدلة إرشادية، وإجابات في منتديات، وملخصات أبحاث، ومراجعات أقران لأوراق علمية. ولا تصف الورقة أياً منها بأنه واجب دراسي لطلاب. كما كتب كل نموذج من النماذج الـ 15 أيضاً 1,000 نص بناءً على تعليمات مطابقة، طلبت غالبيتها نصوصاً تتراوح بين 150 و300 كلمة.

بعد ذلك، تولى كل نموذج بدوره مهمة أداة الاكتشاف. وأُرسل كل نص إلى كل نموذج مصحوباً بالتعليمات نفسها، التي تستهل بـ "Please determine whether the following text is generated by large language models or by a human" (يُرجى تحديد ما إذا كان النص التالي مولداً بواسطة نماذج لغوية كبيرة أم كتبه إنسان)، وكان على النموذج أن يجيب بـ "human" (إنسان) أو "machine" (آلة) مع توضيح أسبابه. وأسفر ذلك عن أكثر من 233,000 تقييم صالح.

صنّف الباحثون النماذج بحسب تاريخ إصدارها:

• الأقدم (2023 إلى أوائل 2024): GPT-3.5 Turbo Instruct وMixtral 8×22B Instruct.
• الجيل السابق (2024–25): GPT-4o، وDeepSeek-V3، وLlama 3.3 70B Instruct، وGLM-4 32B، ونموذج Qwen بحجم 72 مليار معامل (أُدرج باسم Qwen2.5-72B Instruct في جدول نماذج الورقة البحثية، وباسم Qwen2-72B في مواضع أخرى منها).
• الأحدث (2026): GPT-5.5، وClaude Opus 4.7، وGemini 3.1 Pro Preview، وDeepSeek-V4-Pro، وQwen3.6-Max-Preview، وGLM-5.1، وMiMo-V2.5-Pro، وKimi K2.6.

تم الوصول إلى النماذج في المقام الأول عبر OpenRouter والواجهات البرمجية الخاصة بالشركات المطورة، ولا تذكر الورقة إجراء اختبارات على تطبيقات ChatGPT أو Gemini أو Claude. كما أنها لا تذكر تواريخ محددة لجولات التشغيل: إذ تصف المجموعة الأحدث بأنها النماذج الأحدث "at the time of our experiments" (وقت إجراء تجاربنا)، وتوثق التحقق من الإعدادات الافتراضية للنماذج في 3 سبتمبر 2026.

تستند مقالتنا السابقة هل يُعد ChatGPT أداة لكشف الذكاء الاصطناعي؟ ما نشرته OpenAI عن مصنّفها الخاص إلى المصنف الذي طورته OpenAI واختبرته ثم سحبته في عام 2023، وتخلص من ذلك إلى أن سؤال نموذج دردشة عما إذا كان الذكاء الاصطناعي قد كتب نصاً ما لا يُعد كشفاً حقيقياً. ولم تستشهد تلك المقالة بقياسات فعلية لنماذج الدردشة أثناء قيامها بهذه المهمة. وتأتي هذه الدراسة لتضيف ذلك الجانب: 15 نموذج دردشة جرى اختبارها مباشرة على هذا السؤال، في ظل ظروف واجهات برمجة التطبيقات (API) التي تعد أقرب إلى قيام معلم بنسخ مقال ولصقه في نافذة الدردشة مقارنة بمصنف مستقل، وإن كانت لا تزال تختلف عن ذلك.

يمثل كل رقم المتوسط الحسابي بين نماذج تلك المجموعة. ويعتمد النطاق الوارد في العمود الأخير على الجيل الذي كتب نصوص الذكاء الاصطناعي.

أخطأت المجموعات الثلاث في اتجاهات مختلفة. فالنماذج الأقدم أجابت في معظم الأحيان بـ "إنسان"، ولذا كان عدد الأشخاص الذين أشارت إليهم خطأً أقل مقارنة بالجيل التالي، في حين سمحت بمرور أكثر من أربعة من بين كل خمسة نصوص للذكاء الاصطناعي دون اكتشافها. أما الجيل السابق فانعكس تماماً: فقد اكتشف نصوصاً أكثر للذكاء الاصطناعي، لكنه صنف أكثر من ثلث النصوص البشرية على أنها من نتاج الآلة. وكانت المجموعة الأحدث منخفضة في كلا الخطأين، مع أنها أخطأت في رصد نسبة أكبر من نصوص الذكاء الاصطناعي المكتوبة بنماذج عام 2026 (13.4%) مقارنة بنصوص الذكاء الاصطناعي الأقدم.

يمثل الصف الأول فخاً إذا قرأته بمعزل عن السياق؛ فمعدل الإنذار الخاطئ البالغ 13% يبدو أفضل من 36.5%، غير أنه نتج عن نماذج نادراً ما كانت تقول "آلة" أصلاً. فأداة الاكتشاف التي لا تتهم أحداً أبداً، لا تكتشف أحداً أبداً أيضاً.

يخفي المتوسط البالغ 3.6% تفاوتاً واسعاً. وتكشف النتائج المنشورة للباحثين معدل كل نموذج من أحدث جيل على النصوص البشرية الـ 1,000 نفسها:

تراوحت النسبة عبر النماذج الـ 15 بأكملها بين 0.1% و55.3%، وسجل أعلى معدل نموذج Llama 3.3 70B من الجيل السابق. والنتيجة الأبرز في الورقة أكثر شمولاً: فكفاءة الاكتشاف "is primarily driven by detector capability rather than generator provenance" (يعتمد أساساً على قدرة نموذج الاكتشاف لا على مصدر النموذج المولد للنص). وبالتالي، فإن هوية النموذج الذي تسأله أهم من هوية النموذج الذي كتب النص.

يوضح هذا الجدول حجم التفاوت بين النماذج، لكنه ليس دليلاً لمطابقة حالتك الفردية: فقد يعمل تطبيق الدردشة بإصدار مختلف عن الإصدار الذي خضع للاختبار، وعلى الأرجح كانت صياغة سؤال أستاذك مختلفة، فضلاً عن أن كل نموذج أجاب مرة واحدة فقط لكل نص.

عادة ما تأتي لقطات الشاشة مصحوبة بمبررات: منظم أكثر من اللازم، عام جداً، سلس بصورة مفرطة. وفي هذه الدراسة، كان على كل نموذج تقديم مبرر لقراره. ثم استعان الباحثون بنموذج ذكاء اصطناعي آخر، وهو GPT-5.6 Sol، لمقارنة عينة من تلك التفسيرات جنباً إلى جنب، فوجد أن السمات نفسها تُستخدم للاستدلال في كلا الاتجاهين المتناقضين. فالكتابة المفصلة والمترابطة، كما يذكر المؤلفون، "may be treated as evidence of human expertise by one detector, but as evidence of formulaic LLM generation by another." (قد يعده أحد نماذج الاكتشاف دليلاً على خبرة بشرية، بينما يعده نموذج آخر دليلاً على توليد نمطي بنماذج لغوية كبيرة.)

كما يحذرون من أن التفسيرات "may be post-hoc justifications rather than accurate and reliable descriptions of how a decision was made" (قد تكون تبريرات لاحقة وليست أوصافاً دقيقة وموثوقة لكيفية اتخاذ القرار). وأشار إحصاء الكلمات المفتاحية الذي أجراه المؤلفون على التفسيرات نفسها إلى النتيجة ذاتها، ويشيرون إلى أن هناك حاجة لمُحكّمين بشريين لتأكيد هذه النتائج. فإذا ذكرت لقطة الشاشة أن مقالك يتمتع ببنية واضحة وانتقالات سلسة، فهذا يصف أسلوب مقالك، ولا يثبت مصدره إطلاقاً.

• كيف تتعامل روبوتات الدردشة مع أبحاث الطلاب ومقالاتهم. لم يُصنف أي من النصوص البشرية على أنه عمل طلابي، كما كانت النصوص من الجانبين قصيرة: بلغ الوسيط للنصوص البشرية 233 كلمة بحسب إحصائنا، وطُلب من نصوص الذكاء الاصطناعي في الغالب أن تكون بين 150 و300 كلمة. وقد تختلف نتائج المقال الطويل تماماً، ولا تقدم الدراسة أي سبب للتكهن بالاتجاه الذي ستنحاز إليه.
• ما إذا كان تكرار السؤال يغير الإجابة. قيّم كل نموذج كل نص مرة واحدة فقط، وبالتالي لا تفيد الدراسة بشيء حول مدى تكرار تغيير روبوت الدردشة نفسه لرأيه في محاولة ثانية.
• مدى صمود النتائج أمام التدقيق. هذه دراسة أولية (preprint)، ويصف المؤلفون أنفسهم تقسيمهم للأجيال الثلاثة بأنه "rather simplistic" (مبسط للغاية).
• نماذج العام المقبل. تم إيقاف أو إهمال العديد من النماذج التي وضعها الباحثون في الاعتبار في البداية، وهو أحد أسباب اقتصار المجموعة الأقدم على نموذجين فقط. تصف هذه الأرقام هذه النماذج الـ 15 حصراً، ولا تنطبق بالضرورة على ما سيصدر مستقبلاً.

1. تحقق بدقة مما جرى تنفيذه. اسأل بأدب: ما هو روبوت الدردشة المستخدم، وهل يمكنك الاطلاع على المحادثة الكاملة بما في ذلك نص السؤال الذي كُتب، وهل هذا هو الفحص الوحيد أم أن هناك أيضاً تقرير Turnitin أو تقريراً آخر؟ فالإجابة تغير طبيعة الموقف الذي ترد عليه.
2. راجع لوائح مقررك الدراسي وجامعتك. ابحث عن كيفية التعامل مع الاشتباه في استخدام الذكاء الاصطناعي وما يُعد دليلاً مقبولاً. تقيد بعض الجامعات أدوات الاكتشاف التي يحق للموظفين وهيئة التدريس استخدامها، أو الوزن الذي تحمله نتائج أداة الاكتشاف؛ وتجمع مقالة 19 جامعة تقيد استخدام أدوات كشف الذكاء الاصطناعي أو أدلتها: نصوص البيانات الرسمية الصيغ الرسمية لهذه السياسات. ويعتمد شمول روبوت الدردشة بتلك اللوائح على كيفية صياغة قواعد مؤسستك.
3. قدّم أدلة تثبت مراحل كتابتك. المسودات، والملاحظات، والمصادر التي قرأتها، وسجل التعديلات الخاص بالملف نفسه. وتوضح مقالة كيف تثبت أنك لم تستخدم الذكاء الاصطناعي: سجل النسخ في Word وGoogle Docs كيفية تصديره. فالقدرة على شرح كيفية بناء أفكارك وحججك أمر تعجز أحكام روبوتات الدردشة عن رؤيته.
4. إذا استشهدت بهذه الدراسة، فاذكر جانبيها معاً. مقولة "Chatbots are wrong a third of the time" (روبوتات الدردشة تخطئ في ثلث الحالات) تنطبق على الجيل السابق فقط. فالنماذج الأحدث في هذا الاختبار صنفت ما بين 0.1% و8.6% من النصوص البشرية على أنها من نتاج الآلة، بينما كانت النسبة في الجيل السابق أعلى بكثير. كما أن المعدل يصف مجموعة ضخمة من النصوص، لا مقالك بمفرده، وهي النقطة التي توضحها مقالة ما يعنيه معدل إنذار خاطئ بنسبة 1% عندما تقدم جامعة 75,000 بحث.
5. لا ترد بلقطة شاشة أخرى. فحصولك على إجابة "إنسان" من روبوت دردشة مختلف يحمل كل القيود المذكورة أعلاه. مسوداتك هي الدليل على كيفية كتابة مقالك؛ أما رأي روبوت دردشة ثانٍ فليس دليلاً.

إن إجابة روبوت الدردشة ليست تقريراً ولا تحتوي على مقاطع محددة، كما أن إعادة صياغة مقال هو بالفعل محل مساءلة لن تحل المشكلة. صُمم خيار إضفاء الطابع البشري في أداة HumanPen لحالة مختلفة: مسودة لم تسلمها بعد، وتقرير Turnitin أو iThenticate خاص بها، ومقرر دراسي يسمح بإعادة الصياغة بمساعدة الأدوات. تحقق من هذه النقطة الأخيرة في لوائح مقررك أولاً. استورد تقرير Turnitin أو iThenticate وأعد صياغة المقاطع التي يشير إليها فقط، لتحصل على ملف قابل للتحرير بالتنسيق نفسه.

هل يعني هذا أن ChatGPT بات قادراً على اكتشاف الكتابة بالذكاء الاصطناعي الآن؟ لا يمكن الجزم بذلك بناءً على هذه الأدلة وحدها. توضح الورقة أن الاختبار جرى عبر واجهات برمجة التطبيقات (APIs)، لا عبر تطبيق ChatGPT: وشمل GPT-5.5 و14 نموذجاً آخر، طرح على كل منها سؤال موحد. وفي هذه البيئة التجريبية، صنفت أحدث النماذج 3.6% من النصوص البشرية بالخطأ في المتوسط، ولم تتمكن من اكتشاف ما بين 6.1% و13.4% من نصوص الذكاء الاصطناعي، اعتماداً على الجيل الذي كتبها.

هل روبوت الدردشة الأحدث أكثر موثوقية دائماً؟ ليس بالضرورة. فقد صنف الجيل السابق نصوصاً بشرية على أنها "آلة" بنسبة تفوق ما سجله الجيل الأقدم (36.5% مقابل 13.0%). كما سجل أحد نماذج الجيل السابق، وهو Qwen 72B، نسبة 4.4% فقط من النصوص البشرية، وهي نسبة أقل من ثلاثة من أحدث النماذج (Claude Opus 4.7 بنسبة 6.1%، وMiMo-V2.5-Pro بنسبة 7.9%، وDeepSeek-V4-Pro بنسبة 8.6%)، وإن كان قد حقق ذلك عبر الإجابة بـ "إنسان" في كل مرة تقريباً.

هل خضعت هذه الدراسة لمراجعة الأقران؟ كلا. فقد نُشرت على arXiv كدراسة أولية (preprint) في 28 سبتمبر 2026. وقد أتاح الباحثون النصوص، والتعليمات البرمجية، والإجابات الأولية لكل نموذج، بالإضافة إلى كود التحليل الخاص بهم.

• Haiyue Yuan وJie Guo وWeidong Qiu وZheng Huang وRuizhe Li وShujun Li، Using LLMs to Detect LLM-Generated Texts: A Cross-Generation Analysis، arXiv:2609.34691v1، تاريخ التقديم 28 سبتمبر 2026 (دراسة أولية، لم تخضع لمراجعة الأقران)؛ تمت القراءة في 2 أكتوبر 2026 (الجدولان 1 و5؛ الأقسام 3 و4 و5؛ الملحقان A.2 وA.3).
• البيانات والنتائج التي نشرها الباحثون، hyyuan/detect-llm-generated-texts على GitHub: المعدلات الخاصة بكل نموذج من `dataset/results/eval/paper_reproducible/detector_error_profiles.csv`، والنصوص البشرية من `dataset/human-generated-text/human.json`؛ تمت القراءة في 2 أكتوبر 2026.