احتمال الكلمات وTurnitin: ما يقرأه المصنف فعلاً

لكل كلمة في الجملة احتمال لأن تظهر في ذلك السياق المحدد. فعندما تكتب "أظهرت التجربة نتيجةً"، تكون الكلمة التالية أكثر احتمالاً أن تكون "مهمةً" لا "أناناس". تقدر النماذج اللغوية هذه الاحتمالات استناداً إلى السياق السابق، ومصنف Turnitin يفعل الشيء نفسه، وإن كان ذلك بأسلوب مختلف.

احتمال الكلمات هو مدى قابلية كل كلمة للتنبؤ في ضوء الكلمات التي سبقتها. وتميل نماذج توليد النصوص إلى اختيار الخيار الأكثر توقعاً، والأكثر شيوعاً من الناحية الإحصائية. أما الكتّاب من البشر، فعلى العكس من ذلك، كثيراً ما يختارون كلمات أقل قابلية للتنبؤ: أفعالاً غير مألوفة، أو أسماءً خاصة بمجالهم، أو صياغات تخرج عن النمط الإحصائي الذي كان نموذج الذكاء الاصطناعي ليتبعه.

تقول Turnitin ذلك صراحةً: إن مصنفاتها "trained to detect these differences in word probability and are adept at the particular word probability sequences of human writers." (مُدربة على رصد هذه الفروق في احتمال الكلمات، وخبيرة بتتابعات احتمال الكلمات التي تميز الكتّاب من البشر). والمصنف لا يحسب الكلمات المفتاحية، بل يقارن توزيع الاحتمالات لخياراتك من الكلمات بالأنماط التي تعلمها من بيانات تدريب تضم نصوصاً بشرية ونصوصاً من الذكاء الاصطناعي معاً.

هذا مهم لأن نصين قد يكونان سليمين تماماً من الناحية النحوية، ومع ذلك يختلفان بشدة في احتمال الكلمات. فقد يُدخل الكاتب استعارة غير متوقعة، أو يستخدم عبارة عامية داخل جملة أكاديمية، أو يكرر كلمة في موضع كان نموذج الذكاء الاصطناعي سيضع فيه مرادفاً. وكل خيار من هذه الخيارات يزيح ملامح الاحتمال التي يقرأها المصنف.

عندما يصل البحث إلى Turnitin، تبدأ العملية بالتقسيم: تُستخرج الجمل وتُقسم إلى مقاطع متداخلة، ويمنح نموذج كشف الذكاء الاصطناعي كل مقطع درجة على حدة. ويحصل كل مقطع على قيمة بين 0 و1 تمثل احتمال أن يكون النص مولداً بالذكاء الاصطناعي لا مكتوباً بقلم إنسان.

تصف Turnitin مسار المعالجة بوضوح: "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." (يُصنف كل مقطع بواسطة نموذج كشف الذكاء الاصطناعي ويُمنح قيمة بين 0 و1 تدل على احتمال أن يكون النص بشرياً أو مولداً بالذكاء الاصطناعي.) وترث الجمل الواقعة داخل المقاطع المتداخلة درجات تلك المقاطع، وحين تظهر الجملة في أكثر من مقطع متداخل تُجمع درجاتها في قيمة واحدة. ثم تتجمع هذه الدرجات على مستوى الجملة لتشكل درجة الكتابة بالذكاء الاصطناعي للوثيقة بأكملها.

وفي قلب هذا المسار يقوم نموذج مبني على بنية المحولات. وتذكر وثائق بنية Turnitin ما يلي: "Our current system uses a modern deep learning approach based on the transformer architecture." (يستخدم نظامنا الحالي نهجاً حديثاً في التعلم العميق يقوم على بنية المحولات). ويقرأ المحول تتابعات احتمال الكلمات عبر المقاطع، فيتعلم أي التتابعات يميز الكتابة البشرية وأيها يميز التوليد بالذكاء الاصطناعي.

والخلاصة الأساسية أن المصنف لا ينظر إلى كلمة واحدة بمعزل عن غيرها، بل يقرأ تتابعات من خيارات الكلمات عبر مقاطع كاملة من النص. فالكلمة الواحدة غير المألوفة لن تحرك درجتك كثيراً، لكن نمطاً مستمراً من اختيارات الكلمات منخفضة الاحتمال، وهو النوع الذي يصدر عن الكتّاب البشر بطبيعة الحال، سيُسجل بوصفه كتابة بشرية. وعلى العكس من ذلك، فإن النمط المستمر من الخيارات عالية الاحتمال والمتوقعة إحصائياً سيُسجل بوصفه أقرب إلى الذكاء الاصطناعي.

تذكر كثير من المقالات عن كشف الذكاء الاصطناعي مقياس "الحيرة" بوصفه مقياساً رئيسياً. والحيرة هي بحكم تعريفها مقياس لاحتمال الكلمات: فهي تحدد مقدار الدهشة التي يثيرها تتابع معين من الكلمات لدى النموذج اللغوي. فالحيرة المنخفضة تعني أن الكلمات كانت متوقعة، والحيرة المرتفعة تعني أنها لم تكن كذلك.

وهنا يدخل فارق دقيق بالغ الأهمية. فشركة Turnitin تنفي صراحةً حساب الحيرة بوصفها مقياساً محدداً باسمه: "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 بعينها مثل التذبذب أو الحيرة أو غيرها من المقاييس الفردية التي يُشار إليها أحياناً في النقاشات العامة). ويضيفون: "Instead, it learns statistical patterns from our training data." (بل إنه يتعلم أنماطاً إحصائية من بيانات تدريبنا.)

فهل تفحص Turnitin الحيرة أم لا؟ الإجابة أدق من نعم أو لا. فالحيرة مقياس لاحتمال الكلمات، ومصنف Turnitin مُدرب على أنماط احتمال الكلمات. لكنه لا يحسب درجة حيرة واحدة ليدخلها بعد ذلك في معادلة. فالمحول يتعلم أنماطاً إحصائية معقدة من بيانات التدريب، أنماطاً تتضمن احتمال الكلمات ولكنها لا تُرد إلى مقياس واحد محدد باسمه.

وتوضح Turnitin ذلك قائلةً: "As a result, its outputs are generated by many learned patterns working together rather than by a small set of transparent, human-readable rules." (ونتيجة لذلك، تُنتج مخرجاته بأنماط متعلمة عديدة تعمل معاً، لا بمجموعة صغيرة من القواعد الواضحة التي يمكن للبشر قراءتها.) والخلاصة العملية أن القول بأن Turnitin تفحص الحيرة هو تبسيط مخل. فالمصنف يتعلم أنماط احتمال الكلمات بوصفها كلاً واحداً، وهذه الأنماط تؤثر في درجة كل مقطع من دون أن تُرد إلى معادلة يمكنك حسابها بنفسك.

في يوليو 2026، أجرت Turnitin تغييراً كبيراً في بنيتها. وتؤكد وثائقها ذلك: "In July 2026, we updated our model architecture to consolidate a multi-model ensemble into a single model. This update improves and simplifies the AI writing report, maintaining a less than 1% false positive rate." (في يوليو 2026 حدّثنا بنية نموذجنا لدمج مجموعة من عدة نماذج في نموذج واحد. ويحسن هذا التحديث تقرير الكتابة بالذكاء الاصطناعي ويبسطه، مع الحفاظ على معدل إيجابيات خاطئة أقل من 1%.).

قبل هذا التغيير، كان النظام يستخدم عدة نماذج تُجمع مخرجاتها. ومجموعة النماذج المتعددة قد تجعل طريقة تجميع الدرجات أكثر تعقيداً، كما أن النماذج المختلفة قد تزن أنماط احتمال الكلمات بدرجات متفاوتة. أما الانتقال إلى نموذج واحد فيعني أن أنماط احتمال الكلمات التي تعلمها المصنف أثناء التدريب تُطبق بانتظام على الوثيقة بأكملها.

لا يزال معدل الإيجابيات الخاطئة أقل من 1%، أي أنه من بين كل 100 وثيقة مكتوبة بالكامل بقلم إنسان، يُشار إلى أقل من وثيقة واحدة خطأً على أنها مولدة بالذكاء الاصطناعي. وللحفاظ على انخفاض هذا المعدل، قد يسمح النموذج بمرور بعض النصوص المولدة فعلاً بالذكاء الاصطناعي، وهي مقايضة نستعرضها في القسم التالي.

إن إدراك أن المصنف يقرأ تتابعات احتمال الكلمات يقود إلى عدة ملاحظات عملية.

أولاً: الكتابة شديدة الصقل والنمطية تميل إلى أن تبدو أقرب إلى الذكاء الاصطناعي. وتشير Turnitin نفسها إلى أن الإيجابيات الخاطئة كثيراً ما تتعلق بمحتوى من هذا النوع: "content without a lot of structural variation, text that literally repeats itself, or text that has been paraphrased without developing new ideas." (محتوى لا تنوع بنيوياً فيه يُذكر، أو نص يكرر نفسه حرفياً، أو نص أعيدت صياغته من دون تطوير أفكار جديدة). فعندما يكون النص متجانساً في بنيته ويستخدم كلمات شائعة يسهل توقعها، فقد يشبه الأنماط عالية الاحتمال التي يربطها المصنف بالتوليد بالذكاء الاصطناعي.

ثانياً: الكتابة التي تحمل طابعاً شخصياً حقيقياً تميل إلى أن تبدو أكثر إنسانية. فاختيارات الكلمات غير المألوفة، وبنى الجمل المتنوعة، والصياغات الأصلية تخلق تتابعات منخفضة الاحتمال ترتبط بتأليف بشري. والأمر لا يتعلق بإدخال أخطاء، بل بالتعبير عن الأفكار بطريقة تعكس صوتاً شخصياً حقيقياً لا متوسطاً إحصائياً.

ثالثاً: تصارح Turnitin بأن بعض نصوص الذكاء الاصطناعي سيفلت من الكشف. إذ تقول: "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 للإيجابيات الخاطئة عند 1%، ثمة احتمال بأن يفوتنا بعض النص المكتوب بالذكاء الاصطناعي في الوثيقة.) وتقدم مثالاً محدداً: "If we identify that 50% of a document is likely written by an AI tool, it could contain as much as 65% AI writing." (إذا تبين لنا أن 50% من الوثيقة مكتوبة على الأرجح بأداة ذكاء اصطناعي، فقد تحتوي في الواقع على ما يصل إلى 65% من الكتابة بالذكاء الاصطناعي.) فإذا أُشير إلى وثيقتك بنسبة متوسطة، فقد تكون النسبة الفعلية لنص الذكاء الاصطناعي أعلى من ذلك.

ولهذه الفجوة في المعايرة دلالتان. فبالنسبة للطلاب: الإيجابية الخاطئة نادرة لكنها ممكنة، ولا سيما مع النثر الأكاديمي شديد الصقل أو كثير التكرار. وبالنسبة للمدرسين: ينبغي أن تُقرأ النسبة المبلغ عنها بوصفها تقديراً متحفظاً لا قياساً دقيقاً. والإرشاد واضح: اكتب بتنوع حقيقي في اختيار الكلمات وفي البنية، وافهم أن الدرجة تعكس تقييماً احتمالياً لا عدداً نهائياً. جرب أداة HumanPen من هنا.