كيف تجعل نص الذكاء الاصطناعي يبدو بشريًا دون تغيير المعنى: ما تقوله الآلية

عبارة "جعل نص الذكاء الاصطناعي بشريًا دون تغيير المعنى" تحمل افتراضًا خفيًا: أن الكاشف يقرأ المعنى أصلاً. وثائق Turnitin نفسها تصف عملية لا تفعل ذلك. النص المرفوع يُقسَّم إلى شرائح متداخلة، ثم يُصنَّف كل شريط بنموذج يُعطي احتمالية أن يكون النص بشريًا أو مولَّدًا بالذكاء الاصطناعي، وتُجمَّع تلك الاحتمالات في درجة على مستوى المستند. الكاشف يقرأ الأنماط الإحصائية في اختيار الكلمات، لا ما تعنيه الكلمات. إذن "عدم تغيير المعنى" و"عدم تغيير الأنماط التي يقرأها الكاشف" قيدان منفصلان. إعادة الصياغة قد تحفظ كل فكرة في الفقرة ومع ذلك تُزيح الإحصائيات بما يكفي لتغيير الدرجة، لأن الهدفين يقيسان شيئين مختلفين.

يصف قسم الأسئلة الشائع لدى Turnitin العملية بهذه الطريقة:

"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. Each qualifying sentence within these segments inherits the segment's score. Since segments overlap, some sentences may have multiple scores, which are then pooled into a single score. These sentence scores are further aggregated and used to compute the overall document AI writing score." (عند رفع ورقة إلى Turnitin، تُستخرج الجُمل من الورقة وتُقسَّم إلى أقسام متداخلة لتحليل التنبؤ. يُصنِّف نموذج كشف الذكاء الاصطناعي كل قسم ويُعطيه قيمة بين 0 و1، تدل على احتمالية أن يكون النص بشريًا أو مولَّدًا بالذكاء الاصطناعي. كل جملة مؤهلة ضمن هذه الأقسام ترث درجة القسم. ولأن الأقسام تتداخل، قد يكون لبعض الجُمل درجات متعددة، تُدمَج بعدها في درجة واحدة. تُجمَّع درجات الجُمل هذه وتُستخدم لحساب الدرجة العامة للكتابة بالذكاء الاصطناعي على مستوى المستند.)

اقرأ هذا كخط معالجة. نصك يدخل، يُقطَّع إلى قطع متداخلة، كل قطعة تأخذ احتمالية، الجُمل ترث درجات شرائحها، الدرجات المتداخلة تُدمَج، والدرجات المدمَجة تتجمع في رقم واحد. الكاشف في أي نقطة من هذه العملية لا يحلل ما تتحدث عنه فقرتك. إنه يعمل بميزات إحصائية من سلاسل الكلمات، وهذه الميزات هي ما تنتج الدرجة.

شيئان في قسم الأسئلة الشائع يبدوان متناقضين للوهلة الأولى، لكنهما ليسا كذلك. الأول هو هذا:

"Our model is not explicitly programmed to evaluate specific signals such as \"burstiness,\" \"perplexity,\" or other individual metrics sometimes referenced in public discussions." (نموذجنا غير مبرمج صراحةً لتقييم إشارات محددة مثل "burstiness" أو "perplexity" أو مقاييس فردية أخرى تُذكر أحيانًا في النقاشات العامة.)

الجملة التالية تقول: "Instead, it learns statistical patterns from our training data." (بل إنه يتعلم أنماطًا إحصائية من بيانات التدريب الخاصة بنا.)

الثاني من سؤال مختلف في الصفحة نفسها: "Our classifiers are trained to detect these differences in word probability and are adept at the particular word probability sequences of human writers." (مُصنِّفاتنا مُدرَّبة على كشف هذه الفروقات في احتمالية الكلمات، وتتمكَّن من سلاسل احتمالية الكلمات الخاصة بالكتّاب البشر.)

الجملة الأولى تقول إن النموذج غير مهيَّأ لحساب مقياسين مُسمَّيين. الثانية تقول إن النموذج مُدرَّب على احتمالية الكلمات. هذان متسقان: النموذج لا يحسب رقمًا اسمه "perplexity" ويقارنه بعتبة، لكنه يتعلم من أنماط احتمالية الكلمات. الفارق مهم لأن الكثير من نصائح إعادة الكتابة مبنية على افتراض أنك تحتاج فقط لتحريك مقياس مُسمًّى. إذا كان النموذج لا يحسب ذلك المقياس، فتحريكه ليس الرافعة التي يظنها الناس. شرحنا هذا أكثر في ما يقيسه كاشفو الذكاء الاصطناعي Beyond perplexity و burstiness.

إذا كان الكاشف يقرأ أنماط احتمالية الكلمات لا المعنى، فإن إعادة الصياغة التي تحفظ المعنى ليست تلقائيًا إعادة صياغة تُغيِّر الدرجة. الهدفان يعملان على محورين مختلفين.

لنفترض أن فقرة تقول: "The results indicate a significant correlation between variables X and Y." يمكنك إعادة كتابتها كـ "The findings show a meaningful link between X and Y." المعنى نفسه. لكن مِلَف احتمالية الكلمات في الجملة الجديدة مختلف عن الأصلي. هل هذا الفارق يرفع الدرجة أم يخفضها يعتمد على ما إذا كانت سلسلة الكلمات الجديدة تبدو أقرب أم أبعد عما تعلمه النموذج ليربطه بالنص المولَّد بالذكاء الاصطناعي، ولا يمكنك معرفة ذلك بقراءة الجملة.

لهذا السبب "دون تغيير المعنى" هدفٌ منطقي للإنسان لكنه لا ينطبق على ما يقيسه الكاشف. الكاشف غير مبالٍ عما إذا كانت إعادة صياغتك تحفظ الحجة. هو يقرأ شيئًا آخر تمامًا. التعديلات التي تُغيِّر الإحصائيات فعليًا هي النسخة اليدوية من المشكلة نفسها.

قسم الأسئلة الشائع لدى Turnitin يسرد أيضًا النصوص التي قد تتضمنها الإيجابيات الكاذبة:

"Sometimes false positives (incorrectly flagging human-written text as AI-generated), can include content without a lot of structural variation, text that literally repeats itself, or text that has been paraphrased without developing new ideas." (أحيانًا الإيجابيات الكاذبة -أي تُعلِّم نصًا بشريًا خطأً كمولَّد بالذكاء الاصطناعي- قد تتضمن محتوى بلا تنوع هيكلي كبير، أو نصًا يكرر نفسه حرفيًا، أو نصًا أُعيدت صياغته دون تطوير أفكار جديدة.)

الجملة التالية: "If our indicator shows a higher amount of AI writing in such text, we advise you to take that into consideration when looking at the percentage indicated." (إذا أظهر مؤشرنا كمية أعلى من كتابة الذكاء الاصطناعي في مثل هذا النص، ننصحك بأخذ ذلك في الحسبان عند النظر إلى النسبة المُعلَنة.)

البند الثالث في تلك القائمة هو ما يجب قراءته بعناية، وقراءته بعناية تقول إنه أقل مما يظنه الناس. Turnitin تصف حالة يكون عليها النص النهائي، بنفس الطريقة التي يصف بها البندان الأولان حالتين: لا تنوع هيكلي كبير، تكرار حرفي، أفكار لم تتحرك. لا شيء هناك يتعلق بأي عمليات تحرير وضعت النص في تلك الحالة. استبدال كلمة بأخرى أفضل هي تحرير عادي. كل أداة إعادة كتابة تفعله، بما فيها أداتنا، ولا شيء في القائمة يجادل ضده. ما تخبرك به القائمة هو أن فقرة قد تخرج من الطرف الآخر لإعادة الصياغة وهي تقول بالضبط ما قالته عند الدخول، وأن Turnitin تعامل النص في تلك الحالة على أنه عُرضة للإيجابية الكاذبة. هذه ادعاء حول النتيجة، ما يعني أنك تستطيع التحقق منه بنفسك بإعادة قراءة الفقرة. حيث لا يجب أن يتحرك المعنى حقًا، ما يمكنك إعادة صياغته وما يجب أن يبقى دقيقًا يرسم الخط فقرة فقرة.

لتلخيص ما غطيناه:

• الكاشف يقرأ أنماط احتمالية الكلمات عبر خط معالجة من شرائح متداخلة، لا المعنى.
• النموذج لا يحسب "burstiness" أو "perplexity" كمقاييس مُسمّاة، لكن مُصنِّفاته مُدرَّبة على احتمالية الكلمات.
• حفظ المعنى وتغيير الإحصائيات التي يقرأها الكاشف قيدان منفصلان، ليس قيدًا واحدًا.
• النص الذي أُعيدت صياغته دون تطوير أفكار جديدة موجود في قائمة Turnitin الخاصة بالمحتوى العُرضة للإيجابيات الكاذبة.
• درجة الذكاء الاصطناعي ودرجة التشابه مستقلتان ولا تؤثر إحداهما على الأخرى.

التضمين العملي هو أن إعادة الكتابة الجيدة تفعل شيئين معًا: تحافظ على الأفكار سليمة وتُغيِّر مِلَف احتمالية الكلمات في المقاطع المُعلَّمة. إذا كان لديك تقرير من Turnitin، استورده واعمل على المقاطع المحددة التي أُعلِّمت. المقاطع المؤهلة يمكن إعادة تشغيلها مجانًا.