لماذا تُعلِّم كواشف الذكاء الاصطناعي الكتابات غير الأصلية على أنها AI (إيجابيات كاذبة)
تُصاب الكتاباتُ غير الأصلية باللغة الإنجليزية بإيجابيات كاذبة من كواشف الذكاء الاصطناعي بأشد ضرر. اطلع على دراسة ستانفورد، ولماذا يحدث ذلك، وماذا تفعل إذا تم وسم عملك خطأً.
لقد كتبتَ كل كلمة في بحثك. وقد عزّزتَ ذلك بتوثيق مصادرَك، ومَنحته جولتين من المراجعة، ثم قدّمتَه وأنت مطمئنّ بضمير صافٍ. عاد التقرير مُعلَّمًا على أنه من المرجّح أن يكون AI، والآن تحاول إثبات نفيٍ لاتهام موجّه لكتابتك أنت. وإذا كانت الإنجليزية هي لغتك الثانية، فهذا ليس سوء حظ سيّئًا. بل هو نمطٌ موثّق.
والحقيقة المزعجة هي أن الإيجابية الكاذبة لكاشف الذكاء الاصطناعي تكون أكثر احتمالًا بكثير أن تُصيب كاتبًا غير ناطق أصلاً بالإنجليزية مقارنةً بالكاتب الأصلي. وليس ذلك لأن الكتابة غير الأصلية “أسوأ”. بل لأن هذه الأدوات تقيس “ملمسًا” إحصائيًا للغة، والكتابةُ الدقيقة للغة ثانية، بحكم ما تشترك فيه من سمات، تتداخل مع خصائص النص الآلي الذي صُممت هذه الأدوات لاعتراضه.
هذه ليست شكوى هامشية صادرة عن طلابٍ محبَطين. إنها نتيجةٌ توصلت إليها أبحاثٌ خاضعة لمراجعة النظراء؛ وهي أحد أسباب تراجع عدة جامعات كبرى عن استخدام هذه الأدوات؛ كما أن المحاكم والإداريين بدأوا يعاملون مخرجات الكاشف بحذرٍ حقيقي. هذا ما تقوله الأدلة بالفعل، وما الذي ينبغي فعله إذا أخطأ الكاشف في الحكم عليك.
ما الذي توصلت إليه دراسة ستانفورد بشأن تحيز الكاشف
أقوى دليل يأتي من دراسةٍ أجريت في 2023 بواسطة Liang وزملائه في ستانفورد، نُشرت في مجلة Cell Press بعنوان واضح وصريح: "GPT detectors are biased against non-native English writers."
قام الباحثون بتشغيل المقالات عبر سبعة كواشف مستخدمة على نطاق واسع. وبالنسبة للمقالات المكتوبة من قبل متحدثين غير أصليين للإنجليزية، مأخوذة من مجموعة TOEFL، فقد وسمتها الكواشف بمتوسط يقارب 61% على أنها ناتجة عن AI. أما في المقالات المكتوبة من قبل متحدثين أصليين، فكانت نسبة الإيجابيات الكاذبة نحو 5% تقريبًا. كذلك، فقد تم وسم قرابة واحدٍ من كل خمسة مقالات غير أصلية، أي حوالي 19.8%، على أنها AI بصورة إجماعية من جانب كل كاشف في الاختبار. وفي جميع الحالات كانت المقالات من كتابة بشر.
آلية الأمر هي الجزء الأكثر إثارة للاهتمام، لأنها تفسر لماذا يُطبَع هذا التحيز داخل آلية القياس نفسها لا بوصفه حدثًا عرضيًا. تميل العديد من الكواشف إلى الاعتماد على إشارة تُسمى “perplexity” (مفارقة/تعقيد المفاجأة)، وهي مقياس لمدى “مفاجأة” اختيارات الكلمات داخل نصٍّ ما بالنسبة إلى نموذج لغوي. فالكتابة المليئة بكلمات شائعة وصياغات متوقعة تُنتج “perplexity” منخفضة، وهذا الانخفاض يبدو للكاشف كأنه آليّ. وغالبًا ما يستخدم كتّابُ اللغة الثانية مفرداتٍ أكثر محدودية وأكثر تقليدية، ليس لأن أفكارهم بسيطة، بل لأنهم يكتبون بعناية في لغة ليست لغتهم الأولى. يرى الكاشف سطحًا أملسًا فيسمّيه اصطناعيًا.
تلك هي جوهر مشكلة الإنصاف. العادات نفسها التي تجعل نثر اللغة الثانية، المتقن والدقيق، واضحًا وصحيحًا، هي العادات التي بُنيت هذه الأدوات لمعاقبتها.
لماذا تُؤدي الكتابة غير الأصلية إلى إيجابيات كاذبة من كواشف AI
يجدر بنا التوقف عند سبب حدوث ذلك؛ ففهمه يخفف، ولو قليلًا، من لسعة الإشارة السيئة.
فالكاتب الأصلي الذي يكتب بسرعة قد يبعثر تعابيرًا اصطلاحية، واختيارات كلمات غير مألوفة، وإيقاعات غريبة، وأحيانًا يلجأ إلى اختصارٍ نحويّ. هذا التذبذب يُسجَّل باعتباره “perplexity” مرتفعًا ويُقرأ كأنه بشري. أما الكاتب غير الأصلي، أو أي كاتب أكاديمي منضبط، فيميل إلى تفضيل تراكيب دقيقة ومعيارية وقاموس مضبوط. وتفضّل نماذج اللغة الكبيرة أيضًا التراكيب الدقيقة والمعيارية والقاموس الضابط. ولا يستطيع الكاشف التمييز بين إنسانٍ يكتب بعناية وآلةٍ تكتب بعناية، لأنهما على المحور الذي يقيسه الكاشف تحديدًا يتشابهان.
لا يعني أيُّ ذلك أن الكتابة أقل جودة. الوضوح فضيلة في النثر الأكاديمي وليس عيبًا. إنما يعني أن الكاشف يقيس الشيء الخطأ ويستنتج نتيجةً واثقة اعتمادًا عليه.
تلك الثقة هي الخطر. فالتحليل الذي يخرج بنسبة حادة، رقمًا نظيفًا، يبدو ذا مصداقية، حتى عندما يستند الرقم إلى إشارةٍ تُحبط بشكل منهجي فئة كاملة من كتّابٍ حقيقيين.
الجامعات التي تراجعت عن كواشف AI
لاحظت المؤسسات المشكلة مبكرًا، واتخذت عدة جهات إجراءات.
في أغسطس 2023، عطّلت جامعة Vanderbilt كاشف Turnitin للذكاء الاصطناعي، وأصدرت تفسيرًا تفصيليًا بشكل غير معتاد لهذا القرار. أشارت إلى أنه على الرغم من أن ادعاء نسبة إيجابيات كاذبة تقارب 1% لن يكون ذا دلالة كبيرة مقارنةً بإجمالي بحثٍ كامل، في ظل وجود نحو 75,000 تقديم سنويًا، فقد تبيّن أنه ينتج نتائج منحازة ضد كتّاب الإنجليزية غير الأصلية؛ وإضافةً إلى ذلك فإن غموض عملياتِه يعني أن قرابة 750 بحثًا قد ينتهي بها المطاف إلى وسمها خطأً. واتخذت Michigan State، وجامعة تكساس في أوستن، وNorthwestern، وجامعة بيتسبرغ خطوات مماثلة. كما تراجعت Southern Methodist University في ديسمبر 2023، وتبعته جامعة Waterloo في سبتمبر 2025 بعد العثور على نصوص مكتوبة من البشر سُجلت بدرجة “AI بالكامل”.
توجيهات Turnitin نفسها متحفظة أيضًا. فهي تُنزل مؤشر AI من 1 إلى 19%، باستخدام علامة نجمة (*) بدلًا من رقم، لأن الإيجابيات الكاذبة أكثر انتشارًا في الطرف الأدنى من السلم. كما تحذر صراحةً من أن الدرجة لا ينبغي استخدامها وحدها لاتخاذ قرارات تتعلق بالنزاهة الأكاديمية. هذه رسالة من المزود إلى المؤسسات ألا تعتبر مخرجاته دليلًا؛ وهي إشارة قوية إلى مقدار الوزن الذي ينبغي أن يُعطى لرقم واحد.
إذا كانت مدرستك ما تزال تستخدم هذه الأدوات، فهذا ليس سببًا للذعر. بل هو سببٌ لمعرفة حقوقك والاحتفاظ بأدلتك، وهو ما سنعود إليه أدناه.
وقائع حقيقية، معروضة بوضوح
بعض النزاعات لفتت الانتباه في الأخبار، ومن المفيد فهمها بدقة لأن التفاصيل مهمة والعناوين غالبًا ما تُشوّهها.
في قضية Orion Newby في جامعة Adelphi، وُسمت مقالةٌ لطالب على أنها ناتجة عن AI بالكامل. وقد راجع قاضٍ فيدرالي الأمر ووجد أن النتيجة "من دون أساس"، وأمر بإزالتها من سجل الطالب، على ما ورد في فبراير 2026. نحلل ما الذي قرره هذا الحكم وما الذي لم يُثبته في حكم Newby v. Adelphi. وفي UC Davis، تم وسم William Quarterman بواسطة GPTZero ثم تمت تبرئته عبر استخدام سجل Google Docs الخاص به، والذي أظهر أن المقالة جرى كتابتها تدريجيًا عبر الوقت. وكانت هذه تسوية إدارية لا دعوى قضائية.
لا بد من قول نقطة واحدة بوضوح، لأن كثيرًا من ملخصات الإنترنت تخطئ فيها. ليست أيٌّ من هذه النتائج أحكامًا قانونية ضد شركة Turnitin، ولا طالبٌ في أيٍّ من هذه القضايا "رفع دعوى على Turnitin وفاز". كانت النزاعات مع المدارس بشأن طريقة استخدام الوسم؛ والعبرة تتعلق بالإجراءات والأدلة، لا بأن مزود الكاشف خسر في المحكمة. وعند صياغتها بدقة، تصبح الخلاصة مُلهِمة: نتيجة الكاشف ليست حكمًا نهائيًا بل ادعاءً، وقد نجح كتّابٌ حقيقيون في الطعن فيه.
اكتب بثقة، تم الإشارة أم لم يتم
يُساعد مُصححنا الأكاديمي ومُحوِل النصوص الباحثين غير الناطقين على كتابة إنجليزية واضحة وطبيعية مع الحفاظ على المعنى والاستشهادات، مع الإفصاح عن استخدام الذكاء الاصطناعي بطريقة مسؤولة.
جرّب ProofreaderPro.ai مجاناًماذا تفعل إذا وُسِمت عملك خطأً
إذا وسم كاشف الذكاء الاصطناعي عملًا كتبته أنت، فإن الموقف قابل للإصلاح، والكتّاب الذين يحلّونه على نحو جيد يميلون إلى القيام بمجموعة محدودة من الخطوات نفسها.
احتفظ بمسوّداتك وسجل الإصدارات. توثّق Google Docs وWord عمليات التحرير عبر الزمن، ويُعدّ هذا الخط الزمني، على وجه الدقة، أقوى قطعة أدلة يمكنك تقديمها، كما كان الحال تمامًا في قضية UC Davis. اسأل، باحترام، ما الدرجة التي أدت إلى الوسم وكيف يفسرها المُراجع، لأن رقمًا مُخفى أو رقمًا على الحدّ الأدنى لا يشكل أساسًا قويًا لأي قرار. وإذا كنت بحاجة إلى عرض حجة الإنصاف في الكتابة، فأشر إلى الأبحاث والتحفظات المؤسسية المذكورة أعلاه. يستعرض دليلنا خطوة بخطوة حول كيفية استئناف وسم إيجابي كاذب من كاشف AI مجمل العملية.
ومن الآن فصاعدًا، لا يكون الهدف خداع الأداة. الهدف أن تكتب إنجليزية طبيعية وواثقة بحيث تقل احتمالية أن تُساء قراءة نثرك الدقيق، وأن تكشف عن أي مساعدة بالذكاء الاصطناعي بالطريقة التي تتطلبها سياسة مؤسستك. إن AI text humanizer لدينا مصمم خصيصًا لذلك؛ وإذا كنت تكتب الإنجليزية كلغة ثانية، فإن دليلنا المتخصص حول AI humanizer for ESL researchers يغطي سير العمل بتفصيل أكبر. الغاية هي الإنصاف لعملك الذي أنجزته بالفعل، لا التمويه.
قبل وبعد: إصلاح “الملمس” المسطح الذي يثير إنذار الكاشف
تُصبح النظرية أسهل تصديقًا عندما تراها في فقرة حقيقية. إليك مقطع نتائج كتبه باحث في ESL بمساعدة AI لتنعيم الإنجليزية. تبدو الصياغة نظيفة، ومع ذلك وسمها الكاشف.
قبل (موسومة على أنها من المرجح AI):
"The results demonstrate that the intervention significantly reduced recovery time by 27% across all cohorts (Chen et al., 2021). This substantial improvement clearly highlights the effectiveness of the proposed approach. The findings confirm the hypothesis and underscore the importance of early intervention."
ثلاث جمل، متقاربة جدًا في الطول، وكل جملة تمشي ببنائها على الإيقاع نفسه تقريبًا. المفردات آمنة ومتوقعة. هذا التساوي هو ما يقرأه الكاشف باعتباره "perplexity" منخفضة و"burstiness" منخفضة، وهو الملمس نفسه الذي يثير وسمًا لدى نسبة كبيرة من الكتابات غير الأصلية الحقيقية.
بعد (محررة بصوت الكاتب):
"Recovery time fell by 27% across the three cohorts (Chen et al., 2021), a bigger drop than we had expected (n = 214). The effect held, though it was weaker in the oldest group. That pattern points to a real benefit from early intervention, but with a sample this size we would not push the claim further than the data allows."
عندما تُقرأان جنبًا إلى جنب، تبدو النسخة الثانية كأنها صادرة عن شخص قام بالعمل بنفسه.
ما الذي تغيّر ولماذا يهم. حافظنا على كل حقيقة قابلة للتحميل: رقم 27%، وإحالة (Chen et al., 2021)، وعدد المجموعات (cohorts)، وحجم العينة. لم تتحرك أيُّ معلومة من الأدلة. ما أضفناه هو التنوع. صار طول الجمل يتأرجح من طويل إلى قصير إلى طويل، ما يرفع "burstiness". كما أصبحت اختيارات الكلمات أقل قابلية للتنبؤ، ما يرفع "perplexity". كذلك أعدنا إدراج التحوّط (التحفظ) كما هو: "points to" و"we would not push the claim further." أوراق AI تجرّد هذا التحفظ، وكذلك تفعل أدوات “التنعيم” الزائد؛ وهذا أحد أسباب انجراف الإنجليزية غير الأصلية المصقولة نحو بروفايل AI.
وهذا أيضًا تحسين جودة، لا خدعة. النسخة اللاحقة تقدّم ادعاءً أكثر تروّيًا وأكثر قابلية للدفاع من النسخة السابقة، التي بالغت باستخدام "demonstrate" و"confirm the hypothesis". وهذه هي نقطة نكررها باستمرار: التحرير الذي يُخفّض خطر الوَسم الإيجابي الكاذب هو غالبًا التحرير نفسه الذي سيصمد أمام المراجعة الندّية. يمكن academic humanizer أن ينفذ هذه الجولة الأولى مع حماية الاستشهادات والأرقام، لكنك تظل مطالبًا بقراءة كل سطر.
تنبيه. لا توجد عملية تحرير واحدة تضمن درجة نظيفة، وما زالت الكواشف تتغير (وأضيف كشف الـ humanizer في Turnitin في أغسطس 2025). استهدف الكتابة التي تعكس تفكيرك أنت، وافهم ما الذي تقيسه perplexity، وصرّح بمساعدة AI وفق سياسة مجلتك أو جامعتك.
الأسئلة الشائعة
س: لماذا تُعلِّم كواشف الذكاء الاصطناعي الكتابات غير الأصلية على أنها AI؟
معظم الكواشف تقيس مدى قابلية اختيارات الكلمات للتنبؤ؛ والكتابة الدقيقة للغة ثانية تميل إلى استخدام مفردات شائعة ومعيارية تُقرأ كأنها منخفضة في perplexity. ويظهر هذا التنعيم الإحصائي كأنه آليّ للأداة، ما يؤدي إلى إيجابية كاذبة من كاشف AI حتى لو كتب البشر كل كلمة. أما التحيز فهو مدمج في ما يقيسه الكاشف، لا في جودة الكتابة.
س: ماذا وجدت دراسة ستانفورد بشأن تحيز الكاشف؟
اختبرت دراسة ستانفورد لعام 2023 سبعة كواشف ووجدت أنها وسمت نحو 61% من مقالات TOEFL لغير الناطقين بالأصل على أنها AI، مقابل نحو 5% لكتّابٍ ناطقين أصلاً. وقد تم وسم قرابة 20% من مقالات غير الناطقين بالأصل بشكل إجماعي من قِبل كل كاشف. وفي جميع الحالات كانت المقالات من كتابة بشر.
س: ماذا ينبغي أن أفعل إذا وُسِمتُ خطأً على أنني كتبتُ بالذكاء الاصطناعي؟
احتفظ بتاريخ مسودتك من Google Docs أو Word، لأن خطًا زمنيًا واضحًا للكتابة هو أقوى دليل لديك. اطلب معرفة الدرجة التي أدت إلى الوسم، واستشهد بالأبحاث حول الإيجابيات الكاذبة، واتبع عملية استئناف واضحة. درجة الكاشف هي ادعاء يمكن مناقشته، وليست حكمًا نهائيًا.
س: هل توقفت الجامعات عن استخدام كواشف AI؟
قامت عدة جهات بتقييد استخدامها أو تعطيلها. عطّلت جامعة Vanderbilt كاشف Turnitin للذكاء الاصطناعي في 2023 بسبب مخاوف تتعلق بالإيجابيات الكاذبة والتحيز، كما اتخذت Michigan State وUT Austin وNorthwestern وPittsburgh وSMU وWaterloo خطوات مماثلة. وتعامل كثير من المؤسسات التي ما تزال تستخدم كواشف كالسابق الدرجةَ كإشارة واحدة، وليس كدليل.
س: هل يؤدي الكتابة بالإنجليزية الأبسط إلى زيادة خطر وسمها كـ AI؟
إلى حد ما، نعم. تقرأ الكواشف المفردات الأبسط والأكثر قابلية للتنبؤ باعتبارها perplexity منخفضة، وهي الإشارة الإحصائية نفسها التي تربطها بـ AI؛ وهذا أحد أسباب أن الكتابة الواضحة لدارسي الإنجليزية كلغة ثانية (ESL) تميل إلى توليد إيجابيات كاذبة. والحل ليس تضخيم مفرداتك بشكل اصطناعي، بل إعادة إدخال تنوع طبيعي في طول الجمل، وإعادة تضمين التحفظات (hedging) وصوتك أنت.
س: هل يمكنني إصلاح وسم AI الكاذب عبر تحرير كتابتي بنفسي بدلًا من استخدام humanizer؟
غالبًا يمكنك. إن قراءة مسودتك بصوت عالٍ، وتغيير طول الجمل، ووضع الحدود التي تقصدها فعلًا سيسهم في رفع burstiness وجعل النص يبدو كما لو أنك كتبته. قد تُسرع أداة ما هذه الجولة الأولى، لكن الهدف هو “الصوت الحقيقي”، ولا يزال عليك الإفصاح عن أي مساعدة بالذكاء الاصطناعي وفق سياسة مجلتك أو جامعتك.
اكتب بالإنجليزية الأكاديمية الواضحة والطبيعية، وقلل الإيجابيات الكاذبة التي تؤثر بشدة على الكتّاب غير الناطقين، مع الحفاظ على المعنى والاستشهادات.
Moe هو مهندس NLP وحاصل على PhD في معالجة اللغة الطبيعية. يغطي بحثه اللغويات الحاسوبية، وتحليل النصوص، والتعلم الآلي، وقد تم تغذيته مباشرة في نماذج التحرير والإضفاء الطابع الإنساني على ProofreaderPro. وهو يكتب عن الجزء من العملية الذي لا يراه معظم الناس أبدًا: كيف يقرأ نموذج اللغة الجملة، ويسجلها، ويقرر ما يجب تغييره.
