هل يكشف Turnitin كتابات Grok؟ ماذا تقول قائمة النماذج

نعم. اسم Grok مذكور صراحةً في قائمة النماذج التي تنشرها Turnitin. وتفيد القائمة بأن نموذج Turnitin لكشف الكتابة بالذكاء الاصطناعي في الأعمال المقدَّمة بالإنجليزية قادر على كشف المحتوى الصادر عن مجموعة من النماذج تضم Grok إلى جانب GPT وGemini وClaude وLLaMA وMistral وDeepSeek وNova وo1-mini. وتشمل القائمة كذلك "tools based on these LLMs as well," (وكذلك الأدوات المبنية على هذه النماذج اللغوية)، ومعنى ذلك أن التطبيقات والخدمات التي تقوم على نماذج Grok اللغوية داخلة في نطاق الكشف المعلن.

مرّ Grok بعدة إصدارات، لكلٍّ منها قدراته وسياق إطلاقه الخاص. والعبارة الواردة في القائمة "tools based on these LLMs" (الأدوات المبنية على هذه النماذج اللغوية) تعني أن التطبيقات التي تتخذ من Grok نموذجاً أساسياً لها داخلة أيضاً في النطاق المعلن. أما ما إذا كان كل إصدار من إصدارات Grok يُرصد بالدرجة نفسها من الدقة، فذاك سؤال آخر لا تجيب عنه القائمة نفسها.

لا تنشر Turnitin جدولاً بالنتائج يبيّن أيّ نموذج يُكشف وأيّه يفلت، وإنما تورد قائمة واحدة تفصل عناصرها فواصل، وذلك داخل وثائقها. وتقول الجملة الاستهلالية فيها: "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 المقدَّمة بالإنجليزية أن يكشف المحتوى الصادر عن) ثم ترد قائمة تضم Grok إلى جانب نماذج لغوية كبرى أخرى. ويشترك Claude وGemini معه في السطر نفسه، ويتولّى هل يكشف Turnitin كتابات Claude أو Copilot أو Gemini تفصيل هذا الجانب. وتختم القائمة بالإشارة إلى أن التغطية تمتد لتشمل "tools based on these LLMs as well." (الأدوات المبنية على هذه النماذج اللغوية أيضاً).

العبارة المفتاحية هنا هي "can detect content from." (قادر على كشف المحتوى الصادر عن). فهذه الصيغة تعني أن الكاشف مُدرَّب على تمييز النصوص التي تنتجها هذه النماذج، ولا تعني أنه يضمن كشفها كلها. والجملة التي تلي القائمة مباشرة لا تقل 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).

وبالنسبة إلى Grok تحديداً، يعني هذا أن أي أداة أو خدمة تستخدم نماذجه اللغوية في إنتاج النصوص داخلة في النطاق المعلن. أما مدى حساسية هذه التغطية فأمر قابل للتفاوت، ونعود إليه في الأقسام التالية.

لكي تفهم لماذا لا يكون الكشف مجرد نعم أو لا، من المفيد أن تنظر في الآلية كما تشرحها Turnitin. فعند إرسال البحث، تُستخرج الجُمل وتُجزَّأ إلى مقاطع متداخلة لتحليلها والتنبؤ بنتيجتها. ثم يصنّف نموذج كشف الذكاء الاصطناعي كل مقطع ويعطيه قيمة بين 0 و1 تمثّل احتمال أن يكون النص بشرياً أو مولّداً بالذكاء الاصطناعي. وترث كل جملة مؤهلة ضمن هذه المقاطع درجة المقطع الذي تنتمي إليه. ولأن المقاطع متداخلة، قد تحمل الجملة الواحدة أكثر من درجة، فتُجمع هذه الدرجات في درجة واحدة. ثم تُجمع درجات الجمل بدورها وتُستخدم لحساب درجة الذكاء الاصطناعي الإجمالية للمستند.

أي أن النسبة المئوية النهائية في تقريرك هي حصيلة عدد كبير من تقديرات صغيرة على مستوى الجملة، وليست نتيجة فحص واحد يختم المستند بأكمله بأنه مولّد بالذكاء الاصطناعي أو بشري. كل جملة تسهم في النتيجة، والمقاطع المتداخلة تساعد على تلطيف الحالات الحدية.

نموذج Turnitin ليس ثابتاً. وتقول الوثائق: "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 مواصلتنا تطوير نموذجنا وتحسينه للكشف عن النماذج اللغوية الأحدث، يرجَّح أن تتغيّر قدراتنا على الكشف هي الأخرى، بما يؤثر في نسبة الذكاء الاصطناعي.. غير أن نسبة الذكاء الاصطناعي في أي مستند مُرسَل لن تتغيّر إلا إذا أُعيد إرساله للمعالجة من جديد).

ولهذا أثر عملي مباشر: إن أرسلت مستنداً اليوم وحصلت على نسبة معينة للذكاء الاصطناعي، فقد يحصل المستند نفسه على نسبة مختلفة لو أُعيد إرساله بعد أسابيع أو أشهر. فالنموذج يتحدَّث، وهذه التحديثات قد تحرّك النتائج في أيّ من الاتجاهين. فقد يقرأ الكاشف مقطعاً اليوم فيعدّه بشرياً، ثم يعدّه بعد تحديث ما مولّداً بالذكاء الاصطناعي، أو العكس.

أما بالنسبة إلى نصوص Grok، فمعنى ذلك أن معدل الكشف الذي تلاحظه الآن قد لا يطابق ما ستلاحظه لاحقاً. فـGrok نفسه مرّ بأكثر من إصدار، ونموذج Turnitin يواصل التطوّر. وإن كان بين يديك تقريران على الملف نفسه، فإن مقارنة تقريرين لا رقمين هي السبيل الوحيد لمعرفة أيّهما الذي تحرّك. تؤكد القائمة أن Grok داخل النطاق، غير أن حساسية هذا الكشف قد تتفاوت مع كل تحسين تُدخله Turnitin على نموذجها.

تُقرّ Turnitin صراحةً بأن كاشفها لا يمسك بكل شيء. وتقول 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." (وللحفاظ على هذا المعدل المنخفض للإيجابيات الخاطئة عند 1%، ثمّة احتمال أن يفوتنا بعض النص المكتوب بالذكاء الاصطناعي داخل المستند. ونحن مرتاحون لهذا، إذ لا نريد أن نُعلّم نصاً كتبه إنسان على أنه مكتوب بالذكاء الاصطناعي. فعلى سبيل المثال، إن تبين لنا أن 50% من المستند مرجَّح أن أداة ذكاء اصطناعي قد كتبته، فقد يصل ما يحتويه من كتابة آلية في الحقيقة إلى 65%).

هذه مفاضلة مقصودة: تعطي Turnitin الأولوية لخفض الإيجابيات الخاطئة، ومعنى ذلك أنها تقبل مسبقاً إفلات بعض نصوص الذكاء الاصطناعي. فالمستند الذي تظهر فيه نسبة 50% قد يحتوي في الواقع على كتابة آلية تصل إلى 65%. والكاشف يميل إلى جانب الحذر، فأن يفوته نص آلي أهون عنده من أن يُعلّم نصاً بشرياً على نحو خاطئ.

ولكي تفهم سبب عمل الكاشف على هذا النحو، عليك أن تنظر إلى ما يقيسه فعلياً. فنموذج Turnitin لا يعتمد على المقاييس التي يتداولها الناس في النقاشات العامة حول كشف الذكاء الاصطناعي، وهي مسألة تستحق أن تقرأها جنباً إلى جنب مع هل يستخدم Turnitin 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." (لم يُبرمَج نموذجنا صراحةً لتقييم إشارات محددة من قبيل التفاوت أو الحيرة أو أي مقاييس مفردة أخرى يُشار إليها أحياناً في النقاشات العامة؛ بل إنه يتعلّم أنماطاً إحصائية من بيانات تدريبه). ثم يطبّق النموذج ما تعلّمه لتصنيف النص. وتعبّر Turnitin عن ذلك بقولها: "Our classifiers are trained to detect these differences in word probability and are adept at the particular word probability sequences of human writers." (مصنّفاتنا مُدرَّبة على رصد هذه الفروق في احتمال الكلمات، وهي خبيرة بمتتاليات احتمال الكلمات التي يتميّز بها الكتّاب من البشر).

بعبارة أخرى، ينظر الكاشف إلى أنماط احتمال الكلمات، لا إلى إشارات سطحية من قبيل تفاوت طول الجمل أو ندرة المفردات. لهذا قد يفلت النص المولّد بالذكاء الاصطناعي من الكشف أحياناً بعد تحريره أو إعادة كتابته بكثافة، ولهذا أيضاً لا يمكن الرد بـ"نعم" على سؤال هل يكشف Turnitin أدوات تحويل النص الآلي إلى نص بشري. فإذا تبدّلت متتاليات احتمال الكلمات بما يكفي أثناء التحرير، فقد يعجز المصنِّف عن تمييز النص بوصفه مولّداً بالذكاء الاصطناعي. وبالنسبة إلى نصوص Grok، يعني هذا أن الكاشف يركّز على الأنماط الإحصائية في الكتابة نفسها، لا على تحديد Grok بعينه مصدراً للنص.

إذا علّم تقرير Turnitin مقاطع من بحثك على أنها مولّدة بالذكاء الاصطناعي، فالخطوة الأكثر عملية هي أن تعالج المقاطع المعلَّمة وحدها بدلاً من إعادة كتابة المستند كله، وهذا ما يشرحه إعادة صياغة الفقرات التي علّمها تقرير Turnitin وحدها. ولأن Turnitin تحسب الدرجة على مستوى الجملة، يمكنك تحديد المقاطع التي أثارت الكشف وتركيز مراجعتك عليها.

حافظ على مراجعك وجداولك وتنسيقك كما هي. فالمقاطع التي تحتاج إلى انتباهك هي تلك المعلَّمة بوصفها مولّدة بالذكاء الاصطناعي وحدها. وإن راجعت عملك وأعدت إرساله، فتذكّر أن نسبة الذكاء الاصطناعي قد تتحرك بسبب تحديثات النموذج، لا بسبب تعديلاتك وحدها.

يمكن إعادة تشغيل المقاطع المؤهلة مجاناً.