Overleaf وLaTeX وTurnitin: ما الذي يمكن أن يغيّره ملف PDF مُصرَّف

يقبل Turnitin ملفات PDF، لكن ذلك لا يكشف ما تراه أداة الاستخراج الخاصة به. وفي مثالنا القابل للتكرار، أعاد كلٌّ من mutool وPyMuPDF 694 كلمة مفصولة بمسافات من ملف pdfTeX واحد ذي عمودين، وأعادت pypdf 692 كلمة. وقد شكّل كلٌّ من التصريف والاستخراج تدفق النص. هذا أمر قابل للقياس. أما وجود تأثير على مُدخل Turnitin أو نتيجته فهو غير مقيس.

هذا الحد هو موضوع المقال كله. يُحفظ الكود المصدري وثلاثة ملفات PDF وتسعة تدفقات استخراج خام وسكربت القياس مع حزمة الأدلة، ومراجعة الخمس دقائق قرب النهاية هي النسخة التي ينبغي تطبيقها على بحثك أنت.

ملف `.tex` واحد: الصنف القياسي `article`، و`twocolumn`، وقياس 10pt. يحتوي على ملخّص، وأربعة أقسام مرقّمة، ورياضيات داخل النص وأخرى مستقلة، وقائمة `itemize`، وبيئة `algorithm` بأسطر شبه كود مرقّمة، وعنصر عائم `table`، وعنصر عائم `figure` بتعليق مكتوب كجملة كاملة، وحاشية طويلة تكفي لأن تنتقل إلى سطر ثانٍ، واستدعاءين لـ `\cite` يُحلّان إلى قائمة مراجع مرقّمة. وتُنتج النسخ ذات العمودين صفحتين، أما نسخة المقارنة ذات العمود الواحد فتُنتج ثلاث صفحات.

صُرِّف باستخدام pdfTeX 3.141592653-2.6-1.40.26 وTeX Live 2024، وقُرئ بثلاث أدوات استخراج مستقلة: mutool 1.25.6 وPyMuPDF 1.26.0 وpypdf 6.4.0.

بعد تقليص كل متتالية مسافات إلى مسافة واحدة، أعاد كلٌّ من mutool وPyMuPDF 694 كلمة من ملف pdfTeX ذي العمودين، وأعادت pypdf 692 كلمة. وتحافظ التدفقات الثلاثة على الترتيب العام للأقسام، لكن فارق الكلمتين يكفي لرفض الادعاء المريح بأن أدوات الاستخراج المستقلة ترى الشيء نفسه تماماً.

أكثر التحذيرات تكراراً عند إرسال ملف PDF ذي عمودين هو أن أداة الاستخراج تقرأ عبر العمودين مباشرة فتحوّل بحثك إلى خليط متداخل لا معنى له. هذا لم يحدث هنا. فالجملة الأخيرة من الملخّص، في أسفل العمود الأول، تصل مباشرة قبل الجملة الأولى من المقدمة، في أعلى العمود الثاني. والترتيب سليم في المستند كله.

تصميم واحد، وصنف واحد، وثلاث أدوات استخراج، وجهاز واحد. تلك هي سعة الادعاء. وقد يتصرف ملف `.cls` الخاص بمجلة ما، مع موضع غير معتاد للعناصر العائمة أو شريط جانبي، على نحو مختلف، ولهذا بالتحديد تستحق المراجعة في نهاية هذا المقال خمس دقائق على ملفك الحقيقي لا على ملفنا.

الذي تعطّل بدلاً من ذلك شيء آخر، وأقل تداولاً بكثير.

إليك مقطعاً حرفياً من تدفق PyMuPDF، مع توحيد المسافات ودون حذف أي شيء بين الطرفين المقتبسين:

"…justification for treating a visually correct page as a reliable 1This footnote is deliberately long enough to wrap onto a second line so that its position in the extracted stream can be observed and compared with nearby prose. 1 Table 1: Primary outcome by condition. Condition Mean SD Control 12.4 3.1 Intervention 18.9 2.7 Figure 1: The framed area is a fixture rather than a reported empirical result. text stream…" (…مبرر لمعاملة صفحة صحيحة بصرياً بوصفها 1هذه الحاشية طويلة عمداً بما يكفي لتنتقل إلى سطر ثانٍ، حتى يمكن ملاحظة موضعها في التدفق المستخرج ومقارنته بالنص المجاور. 1 الجدول 1: النتيجة الرئيسية حسب الحالة. الحالة المتوسط الانحراف المعياري المجموعة الضابطة 12.4 3.1 التدخل 18.9 2.7 الشكل 1: المنطقة المؤطّرة جزء من التركيب التجريبي، وليست نتيجة تجريبية مُبلَّغاً عنها. تدفق النص…)

في الكود المصدري، عبارة `reliable text stream` عبارة واحدة. أما في هذا الاستخراج فتقع الحاشية ورقم الصفحة المجرّد وتعليق الجدول مع خلاياه وتعليق الشكل جميعها بين `reliable` و`text stream`. وتلتصق علامة الحاشية في موضع آخر بعلامة الترقيم السابقة على النحو `follows:1`.

الرقم `1` المجرّد في ذلك الاقتباس هو رقم الصفحة. وعند جمع تدفقات الصفحات، يقع بين الحاشية والجدول، رغم أن أي قارئ لا يراه جزءاً من أيٍّ من المقطعين.

لا شيء من هذا ضرر مرئي في ملف PDF. إنه ما أعادته هذه الأداة المحلية المحددة بالاسم، ويبيّن لماذا لا تكون "الجملة السابقة" و"الجملة التالية" مفهومين ثابتين قبل أن تُعرف طريقة الاستخراج.

يمكن لـ LaTeX أن يقسم الكلمات بواصلة عند فواصل الأسطر، والعمود الضيق يوفّر فرصاً أكثر. وقد عثرت PyMuPDF على 22 رمزاً مقسَّماً في نسختنا pdfTeX ذات العمودين. هذه ستة منها:

على سبيل المثال: ex- poses · differ- ences · specifica- tions · observa- tions · justifica- tion · partici- pants

ثم صرّفنا الكود المصدري نفسه بعمود واحد، وغيّرنا خيار الصنف فقط. فأعادت PyMuPDF 678 كلمة مُوحَّدة وخمسة رموز مقسَّمة بدلاً من 22: `or- dinary`، `extrac- tion`، `jus- tification`، `partici- pants`، `par- ticular`.

الكود المصدري نفسه، وتغيير واحد في التصميم، ومجموعة مختلفة من التقسيمات. هذا مثال واحد لا قاعدة لكل ملف صنف، لكنه يكفي لتبرير مراجعة الملف المُصرَّف بدلاً من افتراض أن ترميز المصدر نجا كما كان.

صرّفنا الكود المصدري نفسه للمرة الثالثة بـ XeLaTeX، بالتصميم ذي العمودين نفسه والكلمات نفسها على الصفحة.

في نسخة pdfLaTeX، لم تُظهر الأدوات الثلاث أي رمز يحتوي على نقاط الحروف المدمجة `ff`، `fi`، `fl`، `ffi` or `ffl`. In the XeLaTeX build, PyMuPDF and pypdf each exposed six: `affiliated`، `affiliation`، `difficult`، `efficiency`، `insufficient`، `office` (في نسخة XeLaTeX، أظهرت PyMuPDF وpypdf ستة رموز لكل منهما). أما Mutool فلم يُظهر شيئاً لأنه أعاد هذه الرموز إلى حروف عادية. ولذلك فإن البحث المباشر عن `efficiency` ينجح في تدفق ولا يجد شيئاً في تدفق آخر.

تغيّرت المعادلة في الاتجاه المعاكس. ففي ملف pdfTeX، أعادت mutool محرفاً بديلاً من يونيكود بدلاً من إشارة الجمع، بينما أعادت PyMuPDF وpypdf حرف `X` كبيراً. In the XeLaTeX file, all three exposed the actual `∑` (في ملف XeLaTeX، أظهرت الأدوات الثلاث المحرف الفعلي). وقد كان لكلٍّ من المُصرِّف وأداة الاستخراج أثر.

صفحات Turnitin المقتبسة هنا لا تحدد أداة الاستخراج ولا تصف هذه التحويلات، ونحن لا ندّعي أن أياً من ذلك يغيّر النتيجة. ما نقوله أضيق وأكثر قابلية للتحقق: طبقة النص نتاج عملية التصريف، ويمكن لأدوات استخراج مختلفة أن تُظهر محارف مختلفة من الملف نفسه.

أربعة مقاطع من وثائق المورّد نفسه تتصل مباشرة ببحث بهذه الصيغة. وفي تلك الصفحات ما هو أكثر، وهذه هي الأربعة التي تمس إرسالاً بصيغة LaTeX.

الصيغة مقبولة. تشترط متطلبات ملفات Turnitin لتقرير AI Writing Report الصيغ `.docx, .pdf, .txt, .rtf`. وهذا يثبت أن ملف PDF قابل للمعالجة، ولا يقول شيئاً عن سلسلة الاستخراج المستخدمة. ويتناول هل يكتشف Turnitin الذكاء الاصطناعي في ملف PDF الجزء الموثّق من هذا السؤال.

النص النثري وحده هو ما يُحسب. وتُعرّف صفحة الأسئلة الشائعة ما يُحلَّل بأنه نص مؤهل:

"This qualifying text includes only prose sentences, meaning that we only analyze blocks of text that are written in standard grammatical sentences and do not include other types of writing such as lists, bullet points (short non-sentence structures), or other non-sentence structures." (هذا النص المؤهل لا يشمل إلا الجمل النثرية، أي أننا نحلل فقط كتل النص المكتوبة بجمل نحوية قياسية ولا تشمل أنواعاً أخرى من الكتابة مثل القوائم أو النقاط (بُنى قصيرة غير جملية) أو غيرها من البنى غير الجملية.)

والجملة التالية هي الجديرة بأن تُحفظ: "This percentage is not necessarily the percentage of the entire submission." (هذه النسبة ليست بالضرورة نسبة العمل المُقدَّم بأكمله.) فنقاط `itemize` وأسطر `algorithm` ليست جملاً، وكذلك صف من خلايا الجدول. ويوضح كيف يتعامل Turnitin مع المعادلات الرياضية والمحتوى غير النثري ما يعنيه ذلك لبحث معظمه معادلات. لكن انتبه إلى ما يُحسب فعلاً: التعليق المكتوب بـ `\caption` كجملة نحوية كاملة، وهو ما يفعله معظم الناس، يصل في التدفق تماماً كما يصل نثر المتن.

قوائم المراجع مستثناة. تقول ملاحظة إصدار مؤرّخة 9 أغسطس 2023 إن خطأً كان يبرز الكتابة بالذكاء الاصطناعي داخل المراجع قد صُحِّح، و"Bibliographies are now excluded when processing the AI writing report" (أصبحت قوائم المراجع مستثناة عند معالجة تقرير الكتابة بالذكاء الاصطناعي)، وتضيف الملاحظة نفسها أن الأعمال المُقدَّمة سابقاً يجب أن تُعاد قبل أن ينطبق ذلك عليها. أما ما لا ينشره المورّد فهو كيفية التعرف على قائمة المراجع داخل تدفق نصي مبسّط، واستخراجنا لا يعطي أي دليل كذلك: تصل كلمة `References` ككلمة عادية، يليها `[1] J. Smith, "A study of things," Journal of Testing, vol. 4, no. 2, pp. 100–110, 2019.`، دون أي شيء يميّز الحد. فلا تبنِ خطتك على أيٍّ من القراءتين. ويبيّن ما الذي تغطيه استثناءات المراجع فعلاً ما هو موثّق وما ليس كذلك.

الأبحاث القصيرة تتصرف على نحو مختلف. فعندما يهبط المستند إلى بضع مئات من الكلمات، تصير صياغة المورّد نفسه أن التنبؤ يصبح "mostly 'all or nothing' because we're predicting on a single segment without the opportunity to overlap" (في معظمه 'كل شيء أو لا شيء' لأننا نتنبأ على مقطع واحد دون فرصة للتداخل)، وتضيف جملته التالية أن المحتوى المختلط هناك يمكن أن يُعلَّم بأنه مولّد بالذكاء الاصطناعي بالكامل. وورقة مؤتمر من ست صفحات نصفها معادلات قد لا تحتوي إلا على قدر ضئيل من النص المؤهل. ويشرح المستندات القصيرة ومشكلة كل شيء أو لا شيء هذه الآلية.

وصل `\cite{smith2019,jones2020}` في الاستخراج على شكل أربعة محارف `[1, 2]`. ووصل `\ref{sec:method}` بصورة `2`، أما `\label` فلم يترك أي أثر. وصلت عناوين الأقسام برقمها وعنوانها مفصولين، لذا يقع `2 Method` في التدفق مباشرة بعد الجملة السابقة، وتُقرأ الإحالة التبادلية السابقة `Section 2 describes the method.` كما لو كانت نثراً يحتوي رقماً شارداً.

وهذا يعني أن كل خطة مبنية على تنسيق الاستشهادات تعمل على شيء غير موجود. فلا وجود لأي كائن استشهاد في النص المستخرج، بل أقواس وأرقام فقط، والوصف المنشور لـ Turnitin لعملية الحساب لا يذكر الاستشهاد في أي خطوة منه. ويعدد لماذا علّم Turnitin مراجعي التعديلات المحددة التي تترتب على ذلك، وسبب أن كلاً منها لا يجد ما تعمل عليه.

لست بحاجة إلى أيٍّ من الأدوات التي استخدمناها. افتح ملف PDF المُصرَّف في أي عارض لديك، وحدّد كل المحتوى، ثم الصقه في محرر نصوص بسيط. هذا مسار استخراج إضافي، وليس بديلاً عن Turnitin، لكنه قادر على كشف مشكلات في طبقة النص التي تقدّمها فعلاً.

اقرأه بحثاً عن هذه العناصر، بهذا الترتيب:

1. الكلمات المقسَّمة. ابحث عن واصلة يليها فاصل سطر. وكل نتيجة هي كلمة توقفت عن أن تكون كلمة واحدة.
2. أين حطّت العناصر العائمة. ابحث عن تعليق جدول واقرأ الجملتين المحيطتين به. فإذا حطّ التعليق وخلاياه داخل فقرة، فهذا هو ترتيب القراءة لتلك الفقرة من الآن فصاعداً.
3. تعليقاتك. إذا كان التعليق جملة نحوية كاملة، فإنه يبدو نثراً، لأنه نثر بالفعل.
4. الرياضيات. اقرأ معادلة واحدة معروضة في النص الملصوق. فما تراه هو ما حصلت عليه أداة الاستخراج. وإذا كانت هناك محارف ناقصة أو خاطئة، فهذه حقيقة عن تضمين الخطوط لديك، لا عن جبرك.
5. بداية قائمة المراجع. انظر هل يوجد أي شيء في النص المجرد يميّز موضع بداية قائمة المراجع. وفي حالتنا، لم يفعل ذلك شيء.
6. اسمك وانتماؤك. هما أيضاً في طبقة النص، وهذا يهم إذا كنت تقدّم إلى جهة تتوقع إخفاء الهوية.

إذا كنت تحتفظ بملف `.tex` في Git أو في Overleaf، فافعل ذلك مرة واحدة مع كل مراجعة كبيرة بدلاً من مرة واحدة في النهاية. أما في شأن السؤال المنفصل عمّا إذا كان سجل الكتابة في Overleaf يستحق شيئاً كدليل، فيعرض مكان وجود سجل الإصدارات في Word وGoogle Docs وOverleaf قواعد الاحتفاظ في الخطة المجانية وما الذي ينبغي فعله حيالها، وهي أدقّ مما يتوقعه معظم الناس.

بالنسبة لبحث بصيغة LaTeX، الجواب ممل لكنه صحيح: غيّر الكود المصدري، وأعد التصريف، ولا تحرّر ملف PDF أبداً. فالجملة تعيش في ملف `.tex`، وكل ما عداها مجرد عرض لها.

تصبح السلسلة محرجة عندما لا تنتهي عند ملف PDF. فقد يرغب المشرف في تتبّع التغييرات، وقد تطلب مجلة مخطوطة بصيغة Word، أو قد يعيد إليك أحدهم تقرير كتابة بالذكاء الاصطناعي مبنياً على ملف PDF المُصرَّف ويسأل أي المقاطع ستتغير. عندها يكون لديك البحث نفسه بصيغتين.

بالنسبة لنسخة DOCX بالإنجليزية، يمكن أداة HumanPen أن تحصر إعادة الكتابة في المقاطع التي تختارها أو المقاطع المطابقة من تقرير Turnitin أو iThenticate. وخدمة Humanize حالياً بالإنجليزية فقط، ولا تقبل `.tex` أو ملف PDF مُصرَّفاً كمصدر قابل للتحرير. أكّد النطاق على مستوى الفقرة، واحتفظ بالكود المصدري لـ LaTeX بوصفه الأصل، وأعد مراجعة المستند المحوَّل بعد التنزيل. يمكن إعادة تشغيل المقاطع المستوفية للشروط مجاناً.

هل أقدّم ملف `.tex` بدلاً من ملف PDF؟ قدّم ما يطلبه التكليف أو المجلة. فملف `.tex` نص مجرد يحوي وسوماً، وكل أمر فيه سيصل كمحارف حرفية، ولذلك فهو ليس نسخة أنظف من بحثك لأي قارئ، إنساناً كان أو غير ذلك.

هل ترفع معادلاتي نتيجة الذكاء الاصطناعي؟ إنها ليست جملاً نثرية، وبتعريف المورّد نفسه تقع خارج النص المؤهل. أما الجمل الشارحة حولها فهي داخلة فيه. وفي بحث معظمه معادلات، يعني ذلك أن الرقم يُحسب على شريحة صغيرة من الصفحات.

هل يسبب تنسيق العمودين مشكلات بحد ذاته؟ صمد الترتيب العام للأقسام في هذا المثال. فمع PyMuPDF، كان لنسخة العمودين 22 تقسيماً عند فواصل الأسطر، ولنسخة العمود الواحد 5. وهذا فرق مقيس لهذا الصنف، لا قاعدة تنطبق على كل قوالب المجلات.

مؤسستي تريد ملف Word وأنا أكتب بـ LaTeX. إذن لديك خطوة تحويل، وهذه الخطوة هي الأرجح لأن تنكسر فيها الترقيم والإحالات التبادلية وحقول الاستشهاد. حوّل مرة واحدة، وفي وقت متأخر، وتحقّق من أنواع الكائنات بدلاً من قراءة الصفحتين الأوليين.

هل يمكنني استخدام سجل Overleaf لأبيّن كيف كُتب البحث؟ إنه سجل لا حكم، وفي الخطة المجانية يختفي معظمه بعد يوم واحد ما لم تُسمِّ الإصدارات. والمقال المشار إليه أعلاه يغطي القاعدة الدقيقة وعادة التسمية التي تحل هذه المشكلة.