هل يكشف Turnitin عن نصوص DeepSeek؟ ماذا تقول قائمة النماذج

نعم. اسم DeepSeek مذكور صراحةً في قائمة النماذج التي تنشرها Turnitin. وتذكر القائمة أن نموذج Turnitin لكشف الكتابة بالذكاء الاصطناعي في الأعمال المقدمة بالإنجليزية قادر على رصد المحتوى الصادر عن مجموعة من النماذج تضم DeepSeek، إلى جانب GPT وGemini وClaude وLLaMA وMistral وNova وGrok وo1-mini. وتشمل القائمة كذلك "tools based on these LLMs as well," (الأدوات المبنية على هذه النماذج اللغوية الكبيرة أيضًا)، أي أن التطبيقات التي تُبنى فوق النماذج اللغوية الخاصة بـ DeepSeek تدخل في نطاق الكشف المعلن عنه.

غير أن مجرد ورود الاسم في القائمة لا يعني أن كل مقطع ينتجه DeepSeek سيُوسم. فشركة Turnitin نفسها تقر بأن بعض النصوص المكتوبة بالذكاء الاصطناعي يفلت من الكشف، وبأن قدرات الكشف تتغير مع الوقت كلما جرى تحديث النموذج. فالجواب الصريح إذًا هو: DeepSeek داخل نطاق الكشف، لكن كون النموذج مشمولًا بالكشف شيء، وضمان النتيجة شيء آخر.

لا تنشر Turnitin جدولًا بالنماذج يبيّن نتائج الكشف نجاحًا أو فشلًا، بل تورد داخل وثائقها قائمةً سطرية تفصل بين عناصرها فواصل. وجملتها الافتتاحية تقول: "Currently, Turnitin's AI writing detection model for English submissions can detect content from" (في الوقت الحالي، يستطيع نموذج Turnitin لكشف الكتابة بالذكاء الاصطناعي في الأعمال المقدمة بالإنجليزية رصد المحتوى الصادر عن)، ثم تأتي القائمة التي تضم DeepSeek إلى جانب نماذج لغوية كبرى أخرى. ويقع Claude وGemini في السطر ذاته، وهو ما تفصّله قائمة هل يكشف Turnitin عن Claude أو Copilot أو Gemini. وتختم القائمة بالقول إن التغطية تمتد إلى "tools based on these LLMs as well." (الأدوات المبنية على هذه النماذج اللغوية الكبيرة أيضًا).

العبارة المفتاحية هنا هي "can detect content from." (يستطيع رصد المحتوى الصادر عن). وهذه الصياغة تعني أن الكاشف مُدرب على تمييز النصوص التي تولدها هذه النماذج، ولا تعني أنه يعد بكشف لا يخطئ. والجملة التي تأتي مباشرة بعد القائمة لا تقل عنها أهمية: "We will continue to expand our detection capabilities to other models in the future." (سنواصل توسيع قدراتنا على الكشف لتشمل نماذج أخرى في المستقبل).

أما في ما يخص DeepSeek تحديدًا، فمعنى ذلك أن أي أداة أو خدمة تستخدم نماذجه اللغوية لإنتاج النصوص تقع ضمن النطاق المعلن. وما إذا كان الكاشف يرصد كل حالة على حدة فسؤال آخر نجيب عنه في الأقسام التالية.

ولكي تفهم لماذا لا تكون نتيجة الكشف مجرد نعم أو لا، من المفيد أن تنظر في الآلية على النحو الذي تصفه Turnitin. فعند إرسال البحث، تُستخرج الجمل وتُقسم إلى مقاطع متداخلة لتحليلها تنبؤيًا. ثم يصنف نموذج كشف الذكاء الاصطناعي كل مقطع ويمنحه قيمة بين 0 و1، تمثل احتمال أن يكون النص بشريًا أو مولدًا بالذكاء الاصطناعي. وترث كل جملة مستوفية للشروط داخل هذه المقاطع الدرجة التي ينالها مقطعها. ولأن المقاطع تتداخل، قد تحصل بعض الجمل على أكثر من درجة، فتُدمج هذه الدرجات في درجة واحدة. ثم تُجمع درجات الجمل وتُستخدم لحساب درجة الكتابة بالذكاء الاصطناعي للوثيقة بأكملها.

وهذا يعني أن النسبة المئوية النهائية في تقريرك هي حصيلة عدد كبير من تنبؤات صغيرة على مستوى الجملة. فليس الأمر مسحًا واحدًا يوسم الوثيقة كلها بأنها مولدة بالذكاء الاصطناعي أو أنها بشرية. كل جملة تسهم في النتيجة الإجمالية، والمقاطع المتداخلة تساعد على تلطيف الحالات التي تقف على الحد الفاصل.

نموذج Turnitin ليس ثابتًا. وتقول الوثائق في هذا الشأن: "As we iterate and develop our model further to better detect newer LLMs, it is likely that our detection capabilities will also change, affecting the AI percentage.. However, for a submitted document, the AI percentage will change only if it's re-submitted again to be processed." (مع استمرارنا في تطوير نموذجنا لتحسين كشف النماذج اللغوية الأحدث، من المرجح أن تتغير قدراتنا على الكشف أيضًا، وهو ما يؤثر على نسبة الذكاء الاصطناعي. غير أن نسبة الذكاء الاصطناعي لأي وثيقة مُرسلة لن تتغير إلا إذا أُعيد إرسالها من جديد لمعالجتها).

ولهذا الأمر تبعات عملية. فإذا أرسلت وثيقة اليوم وحصلت على نسبة محددة للذكاء الاصطناعي، فقد تحصل الوثيقة ذاتها على نسبة مختلفة لو أُعيد إرسالها بعد أسابيع أو بعد أشهر. فالنموذج يُحدَّث، وهذه التحديثات قد تحرك النتائج في أي من الاتجاهين، وهو أحد أسباب عدة تجعل درجة الذكاء الاصطناعي في Turnitin تتغير عند إعادة الإرسال. فالمقطع الذي يقرأ كأنه بشري اليوم قد يُقرأ غدًا بوصفه مولدًا بالذكاء الاصطناعي بعد أي تحديث، أو العكس بالعكس.

أما بالنسبة إلى نصوص DeepSeek، فمعنى ذلك أن معدل الكشف الذي تراه اليوم قد لا يطابق ما ستراه لاحقًا. فقائمة النماذج تؤكد أن DeepSeek داخل النطاق، غير أن حساسية هذا الكشف قد تتفاوت مع مواصلة Turnitin تحسين نموذجها.

Turnitin تكون مصارحة في شأن حقيقة أن كاشفها لا يمسك بكل شيء. إذ تقول الوثائق: "In order to maintain this low rate of 1% for false positives, there is a chance that we might miss some AI written text in a document. We're comfortable with that since we do not want to incorrectly highlight human-written text as AI-written. For example, if we identify that 50% of a document is likely written by an AI tool, it could contain as much as 65% AI writing." (من أجل الحفاظ على هذا المعدل المنخفض للنتائج الإيجابية الخاطئة عند نسبة 1%، ثمة احتمال بأن يفوتنا بعض النص المكتوب بالذكاء الاصطناعي في الوثيقة. ونحن مرتاحون لذلك، لأننا لا نريد أن نوسم خطأً نصًا كتبه إنسان بأنه مكتوب بالذكاء الاصطناعي. فعلى سبيل المثال، إذا تبين لنا أن 50% من الوثيقة يرجح أن أداة ذكاء اصطناعي قد كتبتها، فقد تحتوي في الواقع على ما يصل إلى 65% من الكتابة بالذكاء الاصطناعي).

هذه مفاضلة مقصودة. فـ Turnitin تعطي الأولوية لخفض معدل النتائج الإيجابية الخاطئة، ومعنى ذلك أنها تقبل إفلات بعض نصوص الذكاء الاصطناعي. فالوثيقة التي تظهر فيها نسبة 50% قد تحتوي فعليًا على ما يصل إلى 65% من محتوى الذكاء الاصطناعي. والكاشف يميل إلى جانب الحيطة: أن يفوته نص مولد بالذكاء الاصطناعي أهون عنده من أن يوسم نصًا بشريًا على نحو خاطئ.

ولكي تفهم لماذا يعمل الكاشف على هذا النحو، عليك أن تنظر في ما يقيسه في الواقع. فنموذج Turnitin لا يعتمد على المقاييس التي كثيرًا ما تُتداول في النقاشات العامة حول كشف الذكاء الاصطناعي، وهو نفي نفككه في هل يستخدم Turnitin مقياسي الحيرة والتفاوت لكشف الذكاء الاصطناعي. وتقول الوثائق: "Our model is not explicitly programmed to evaluate specific signals such as 'burstiness,' 'perplexity,' or other individual metrics sometimes referenced in public discussions. Instead, it learns statistical patterns from our training data." (نموذجنا غير مبرمج صراحةً على تقييم إشارات محددة مثل "التفاوت" أو "الحيرة" أو غيرهما من المقاييس المفردة التي يُشار إليها أحيانًا في النقاشات العامة، بل إنه يتعلم أنماطًا إحصائية من بيانات تدريبه.) ثم يطبق النموذج ما تعلمه كي يصنف النص. وبعبارة Turnitin ذاتها: "Our classifiers are trained to detect these differences in word probability and are adept at the particular word probability sequences of human writers." (مصنفاتنا مدربة على رصد هذه الفروق في احتمال الكلمات، وهي بارعة في التقاط تتابعات احتمال الكلمات التي تميز الكتاب من البشر).

بعبارة أخرى، ينظر الكاشف إلى أنماط احتمال الكلمات، لا إلى إشارات سطحية من قبيل تفاوت أطوال الجمل أو ندرة المفردات. ولهذا قد يفلت أحيانًا نص مولد بالذكاء الاصطناعي خضع لتحرير أو صياغة كثيفين، ولهذا أيضًا لا يوجد جواب قاطع بنعم أو لا على سؤال هل يكشف Turnitin عن أدوات تأنيس نصوص الذكاء الاصطناعي. فإذا تغيرت تتابعات احتمال الكلمات بما يكفي أثناء التحرير، فقد يعجز المصنف عن تمييز النص بوصفه مولدًا بالذكاء الاصطناعي.

إذا وسّم تقرير Turnitin مقاطع من عملك بأنها مولدة بالذكاء الاصطناعي، فأكثر خطوة عملية هي أن تعالج المقاطع الموسومة وحدها بدلًا من إعادة كتابة الوثيقة بأكملها، وهو أسلوب العمل المبين في إعادة صياغة الفقرات التي وسّمها تقرير Turnitin دون غيرها. ولأن Turnitin تمنح الدرجات على مستوى الجملة، يمكنك تحديد المقاطع المحددة التي أثارت الكشف وتركيز مراجعتك عليها.

حافظ على استشهاداتك وجداولك وتنسيقاتك كما هي. فالمقاطع الموسومة بأنها مولدة بالذكاء الاصطناعي وحدها هي ما يحتاج إلى عمل. وإذا عدّلت عملك ثم أعدت إرساله، فتذكر أن نسبة الذكاء الاصطناعي قد تتحرك بفعل تحديثات النموذج، لا بفعل تعديلاتك وحدها.

يمكن إعادة تشغيل المقاطع المستوفية للشروط دون أي مقابل.