هل يكتشف Turnitin محتوى Perplexity AI؟ ما تقوله الوثائق

تنشر الأسئلة الشائعة في Turnitin قائمة بنماذج الكتابة بالذكاء الاصطناعي التي يمكنها اكتشاف المحتوى منها، ومن ضمنها GPT وGemini وClaude وLLaMA وMistral وDeepseek وNova وGrok وo1-mini. وتُختتم القائمة بعبارة "and tools based on these LLMs as well." (وكذلك الأدوات المبنية على نماذج LLM هذه.) وتضيف الأسئلة الشائعة: "We will continue to expand our detection capabilities to other models in the future." (سنواصل توسيع قدراتنا على الاكتشاف لتشمل نماذج أخرى في المستقبل.) ويُعد Perplexity AI أداة بحث يمكنها توليد نص باستخدام نماذج لغوية أساسية. وما إذا كان كاشف Turnitin يعلّم محتوى قادماً من Perplexity يعتمد على النموذج الأساسي الذي أنتج النص، وعلى ما إذا كان ذلك النموذج أو فصيلته مدرجاً في قائمة الاكتشاف. وتقر الأسئلة الشائعة بأن قدرات الاكتشاف ليست ثابتة: "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." (ومع مواصلتنا تطوير نموذجنا وتحسينه لاكتشاف نماذج LLM الأحدث بشكل أفضل، فمن المرجح أن تتغيّر قدراتنا على الاكتشاف أيضاً، مما يؤثر على نسبة الذكاء الاصطناعي.)

تقدّم الأسئلة الشائعة قائمة بالنماذج التي يمكنها اكتشاف المحتوى منها. وتستخدم الجملة الافتتاحية عبارة "يمكن اكتشاف المحتوى منه"، تليها قائمة مفصولة بفواصل. وتشمل القائمة عائلات LLM الرئيسية: GPT وGemini وClaude وLLaMA وMistral وDeepseek وNova وGrok وo1-mini. وتُختتم القائمة بما يلي:

"and tools based on these LLMs as well." (وكذلك الأدوات المبنية على نماذج LLM هذه.)

الجملة التالية: "We will continue to expand our detection capabilities to other models in the future." (سنواصل توسيع قدراتنا على الاكتشاف لتشمل نماذج أخرى في المستقبل.)

وهذا يعني أن القائمة لا تغطي النماذج المسمّاة فحسب، بل أيضاً الأدوات المبنية عليها. فإذا كانت أداة مثل Perplexity AI تمرّر توليد النص عبر إحدى عائلات LLM المدرجة، فقد يقع الناتج تحت بند "الأدوات المبنية على نماذج LLM هذه". وتستعرض هل يكتشف Turnitin محتوى Claude وCopilot أو Gemini الإدخالات المسمّاة.

يعالج نموذج الاكتشاف النص بتقسيمه إلى مقاطع متداخلة وإعطائه درجات احتمال:

"When a paper is submitted to Turnitin, sentences from the submission are extracted and segmented into overlapping sections for prediction analysis. Each segment is classified by the AI detection model and given a value between 0 and 1, denoting the probability of the text being likely human or AI-generated." (عند إرسال ورقة بحثية إلى Turnitin، تُستخرج الجمل من الإرسال وتُقسَّم إلى أقسام متداخلة لتحليل التنبؤ. ويُصنَّف كل قسم بواسطة نموذج اكتشاف الذكاء الاصطناعي ويُعطى قيمة بين 0 و1، تدل على احتمال أن يكون النص بشرياً أو مُولَّداً بالذكاء الاصطناعي.)

لم يُبرمَج النموذج لتقييم التفاوت أو الحيرة بوصفهما مقياسين محددين بالاسم: "Our model is not explicitly programmed to evaluate specific signals such as 'burstiness,' 'perplexity,' or other individual metrics sometimes referenced in public discussions." (لم يُبرمَج نموذجنا صراحةً لتقييم إشارات محددة مثل 'burstiness,' 'perplexity,' أو غيرها من المقاييس الفردية التي يُشار إليها أحياناً في المناقشات العامة.) والجملة التالية: "Instead, it learns statistical patterns from our training data." (وبدلاً من ذلك، يتعلّم أنماطاً إحصائية من بيانات التدريب لدينا.) وتقول الأسئلة الشائعة نفسها: "Our classifiers are trained to detect these differences in word probability and are adept at the particular word probability sequences of human writers." (دُرِّبت مصنّفاتنا على اكتشاف هذه الاختلافات في احتمال الكلمات، وهي بارعة في تسلسلات احتمال الكلمات الخاصة بالكتّاب من البشر.) ويقيّم الكاشف أنماط احتمال الكلمات المستفادة من بيانات التدريب، لا المقاييس السطحية. وتستحق مسألة تشابه الأسماء أن تُناقَش على حدة: هل يستخدم Turnitin الحيرة والتفاوت؟

تذكر الأسئلة الشائعة صراحةً أن الاكتشاف ليس ثابتاً:

"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." (ومع مواصلتنا تطوير نموذجنا وتحسينه لاكتشاف نماذج LLM الأحدث بشكل أفضل، فمن المرجح أن تتغيّر قدراتنا على الاكتشاف أيضاً، مما يؤثر على نسبة الذكاء الاصطناعي.)

الجملة التالية: "However, for a submitted document, the AI percentage will change only if it's re-submitted again to be processed." (ومع ذلك، بالنسبة إلى مستند تم إرساله، لن تتغيّر نسبة الذكاء الاصطناعي إلا إذا أُعيد إرساله لمعالجته.)

وهذا يعني أن نموذج الاكتشاف يُحدَّث باستمرار ليستهدف نماذج LLM الأحدث. فإذا كان Perplexity AI أو أي أداة أخرى يستخدم نموذجاً جديداً لم يُدرج بعد في القائمة، فقد توجد فجوة حتى التحديث التالي لنموذج الاكتشاف. ولا يُعاد تقييم المستندات التي صدرت درجاتها تلقائياً.

تقر الأسئلة الشائعة بوجود مقايضة:

"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." (من أجل الحفاظ على هذا المعدل المنخفض من الإيجابيات الخاطئة عند 1%، هناك احتمال بأن يفوتنا بعض النص المكتوب بالذكاء الاصطناعي في المستند.)

ضُبط الكاشف لتجنّب الإيجابيات الخاطئة حتى على حساب تفويت بعض نص الذكاء الاصطناعي. والأداة التي تُنتج نصاً بأنماط احتمال كلمات أقرب إلى الكتابة البشرية سيكون اكتشافها أصعب، على الأقل إلى أن يُحدَّث نموذج الاكتشاف. ويقابل ذلك الوعد بـ"continue to expand our detection capabilities" (مواصلة توسيع قدراتنا على الاكتشاف)، لكن هناك تأخّر متأصّل بين إطلاق الأدوات الجديدة وتغطية الاكتشاف. ويدفع التأخّر نفسه مسألة ما إذا كان Turnitin يكتشف أدوات تحويل النص إلى أسلوب بشري.

لتلخيص ما تناولناه:

• ينشر Turnitin قائمة بالنماذج التي يمكنه اكتشاف المحتوى منها، ومن ضمنها GPT وGemini وClaude وغيرها.
• تغطي القائمة "tools based on these LLMs as well," (الأدوات المبنية على نماذج LLM هذه أيضاً،) لذا قد تكون الأدوات التي تمرّ عبر نماذج مدرجة قابلة للاكتشاف.
• تعد الأسئلة الشائعة بتوسيع الاكتشاف ليشمل نماذج أخرى في المستقبل.
• تتغيّر قدرات الاكتشاف بمرور الوقت مع تحديث النموذج.
• يقبل الكاشف تفويت بعض نص الذكاء الاصطناعي مقابل معدل منخفض من الإيجابيات الخاطئة.
• لا يُعاد تقييم المستندات التي صدرت درجاتها تلقائياً عند تغيّر النموذج.

إذا تلقيت تقرير ذكاء اصطناعي من Turnitin وأردت معالجة المقاطع المُعلَّمة، فاستورد التقرير واعمل عليها. يمكن إعادة تشغيل المقاطع المستوفية للشروط مجاناً.