قالب نامه درخواست تجدیدنظر در تشخیص‌های نادرستِ AI برای پژوهشگران ESL

یکی دیگر از دانشجویان دکتری ما (سال دوم) که یک زیست‌شناس محاسباتی ایرانی است، بخشی از پایان‌نامه‌اش را نوشت و آن را عصر جمعه برای استاد راهنمایش فرستاد. صبح دوشنبه، از سوی دفتر «یکپارچگی علمی» دانشگاهشان به او سر زدند. سامانه تشخیص AI شرکت Turnitin، ۸۹ درصد از این فصل را به‌عنوان متنی تولیدشده توسط AI علامت‌گذاری کرد. پرونده‌هایی از جنس پرونده اوست که باعث شد در این پست «قالب نامه درخواست تجدیدنظر برای تشخیص اشتباهِ AI» را طراحی کنیم. او از ChatGPT، Claude یا هر مدل دیگری استفاده نکرده بود. هر کلمه را طی چهار ماه خودش نوشته بود. همچنین برای ویرایش‌ها، با استفاده از Google Doc سوابق ویرایشی را ثبت کرده بود؛ در مجموع ۱,۴۰۰ بار ذخیرهٔ بازبینیِ قابل مشاهده. شش هفته بعد، درخواست تجدیدنظرش را برد. تنها چیزی که در این پرونده اهمیت داشت، یک مطالعه استنفورد در سال ۲۰۲۳ بود که نشان می‌دهد هفت تشخیص‌دهنده بزرگ AI به‌طور نادرست 61.3 درصد از انشاهای TOEFL نوشته‌شده توسط گویندگان غیر‌مادری انگلیسی را (در مقایسه با تقریباً صفر در انشاهای گویندگان مادری که به همان تکلیف‌های نوشتن پاسخ داده بودند) علامت‌گذاری کرده‌اند. تشخیص‌دهنده، نوشته او را علامت نزد؛ الگوی نثرِ ESL او را علامت زد.

ما از اوایل ۲۰۲۴ تا اواسط ۲۰۲۶، «سناریوی دفاع» را در ۴۱ درخواست تجدیدنظر برای موارد تشخیص اشتباه در پژوهشگران ESL اجرا کرده‌ایم. این روند در پرونده‌های مربوط به پژوهشگران هم ظاهراً صادق است. اگر بتوان یک فرایند مناسب ارائه داد و یک نامه درخواست تجدیدنظر محکم همراه با شواهدی نوشت که نشان دهد تشخیص‌دهنده اعتبارسنجی شده است، احتمالاً در حدود ۶۰ درصد موارد در سطح درس یا حتی بیشتر در درخواست تجدیدنظر داخلی پرونده خود را پیروز می‌شوید. همه‌چیز در فوریه ۲۰۲۶ تغییر کرد؛ زمانی که یک دادگاه در نیویورک تصمیم دانشگاه Adelphi را در پرونده Newby v. Adelphi (اولین سابقه مهم علیه نظم‌دهی مبتنی بر تشخیص AI) برگرداند. همان استدلال‌هایی که در پرونده Newby پیروز شد، اکنون همه درخواست‌های تجدیدنظر داخلی را که از آن‌ها استفاده می‌کنند تقویت می‌کند.

این پست هم «قالب» است و هم «سناریوی دفاع». توضیح می‌دهیم چرا پژوهشگران ESL به‌طور نامتناسب علامت‌گذاری می‌شوند، چه شواهدی به‌طور ثابت درخواست‌های تجدیدنظر را پیروز می‌کند، «قالب قابل کپی/چسباندن برای نامه درخواست تجدیدنظر تشخیص اشتباه AI» که برای مشتریان ما کار کرده است، افزودنی‌های آگاه از Newby که نسخه ۲۰۲۶ را تقویت می‌کنند، و اینکه چه زمانی باید سطح پیگیری را بالاتر برد. اگر علامت‌گذاری شده‌اید و باید در ۴۸ ساعت آینده نامه درخواست تجدیدنظر را بنویسید، مستقیماً به بخش قالب بروید. بخش‌های زمینه‌ای زیر، شواهدی را که باید ضمیمه کنید به شما می‌دهد.

آیا واقعاً «قالب نامه درخواست تجدیدنظر در تشخیص اشتباهِ AI» کار می‌کند؟

بله. در سراسر گزارش ۴۱ درخواست تجدیدنظر مربوط به تشخیص اشتباهِ AI در پرونده‌های ESL، پژوهشگرانی که «ثبت کامل فرایند» را همراه با یافته 61.3 درصدی تشخیص اشتباه در استنفورد و (در آمریکا) سابقه Newby v. Adelphi ترکیب کرده‌اند، حدوداً ۶۰ درصد درخواست‌های تجدیدنظر در سطح درس را و بیش از آن را در تجدیدنظر داخلی با موفقیت پشت سر گذاشته‌اند. قالب قابل کپی/چسباندن زیر دقیقاً ساختار را ارائه می‌دهد، شامل سه افزودنی آگاه از Newby برای سال ۲۰۲۶، و همچنین درخواست FERPA برای اینکه آن را هم‌زمان ارسال کنید.

چرا تشخیص‌دهنده‌های AI پژوهشگران ESL را به‌عنوان تشخیص اشتباه علامت می‌زنند؟

مکانیسم این موضوع مستند و به‌خوبی فهم‌شدنی است؛ به همین دلیل در دادگاه هم دوام می‌آورد. تشخیص‌دهنده‌های AI دنبال دو ویژگی آماری می‌گردند که با خروجی ماشین همبستگی دارد: «پری‌پلکسیتی پایین» (اینکه کلمه بعدی تا چه اندازه قابل پیش‌بینی است، با توجه به کلمات قبلی) و «burstiness پایین» (اینکه در طول یک متن، میزان تنوع در طول و ساختار جملات چقدر است).

نویسندگان ESL (به‌ویژه کسانی که در کشورهای خودشان آموزش رسمی درباره انگلیسی آکادمیکِ ساختاریافته دیده‌اند) در رجیستری می‌نویسند که هر دو معیار را پایین نمره می‌دهد. جمله‌های کوتاه و کنترل‌شده. واژگان اتصال‌دهنده محدود ("however," "therefore," "in addition"). ثبات رجیستر در میان پاراگراف‌ها. ساختار موازی داخل پاراگراف‌ها. این‌ها ویژگی‌هایی هستند که آموزش صریح ESL به آن‌ها پاداش می‌دهد. همین ویژگی‌ها چیزی است که تشخیص‌دهنده‌ها آن را «شبیه ماشین» کدنویسی می‌کنند.

مطالعه استنفورد در سال ۲۰۲۳ (Liang, Yuksekgonul, و Zou که در Cell Patterns منتشر شده) هفت تشخیص‌دهنده بزرگ AI را روی نمونه‌ای از انشاهای TOEFL آزمود. 61.3 درصد از انشاها به‌طور نادرست به‌عنوان تولیدشده توسط AI توسط دست‌کم یکی از تشخیص‌دهنده‌ها، در آستانه‌های متعارف، علامت‌گذاری شدند. 97.8 درصد از انشاها در آستانه‌ای تسامح‌پذیر توسط دست‌کم یکی از تشخیص‌دهنده‌ها علامت‌گذاری شدند. انشاهای انگلیسیِ زبان مادری با همان تکلیف‌ها تقریباً با نرخ صفر علامت‌گذاری شدند. از آن زمان، گروه‌های متعدد پژوهشی این نتیجه را بازتولید و پالایش کرده‌اند.

پیامدهای نهادی یکسان نیست. برخی دانشگاه‌ها سیاست‌هایی را به‌روزرسانی کرده‌اند تا علاوه بر نمره تشخیص‌دهنده، شواهدِ هم‌تأییدکننده را نیز لازم بدانند، به‌خصوص بعد از حکم Newby v. Adelphi در فوریه ۲۰۲۶ که یک نرخ ۲۸ درصدی تشخیص اشتباه ESL را در داده‌های اعتبارسنجی Turnitin خودِ Adelphi آشکار کرد. برخی دیگر هنوز نمره تشخیص‌دهنده بالاتر از ۸۰ درصد را عملاً به‌عنوان دلیل قطعی تلقی می‌کنند. اگر شما پژوهشگر ESL هستید و علامت‌گذاری شده‌اید، الگوی gptzero false positive esl سند مستندی است که پرونده‌تان را در زمینه درست قرار می‌دهد.

چگونه ثابت می‌کنید که از AI استفاده نکرده‌اید؟

در گزارش پرونده‌های ما، در حدود ۹۰ درصد از درخواست‌های موفق، سه دسته شواهد دیده می‌شود. پیش از اینکه نامه را بنویسید، هر کدام را آماده کنید.

شواهد فرایند. کاری که برای پیش‌نویس سند انجام داده‌اید و توسط ابزارهایی که استفاده کرده‌اید به‌صورت خودکار ثبت شده است. تاریخچه نسخه‌های Google Docs (File سپس Version history سپس See version history). فایل‌های Word AutoRecover و متادیتای بازبینیِ تعبیه‌شده. گزارش‌های فعالیت OneDrive. اگر در مرورگر جست‌وجو کرده‌اید، تاریخچه تب‌های مرورگر. اسنپ‌شات‌های مدیر ارجاع (در Zotero مشخص می‌شود هر استناد چه زمانی اضافه شده است). زودتر اسکرین‌شات بگیرید و لاگ‌ها را خروجی بگیرید؛ برخی پلتفرم‌ها طبق برنامه، داده‌های قدیمی‌تر را پاک می‌کنند.

نمونه‌های نوشتار تطبیقی. نمونه‌ای نماینده از نوشته‌های پیشین‌تان، از همان درس یا از درس‌های دیگر، یا از کارهای منتشرشده‌تان. سه تا پنج نمونه کافی است. نکته این است که نشان دهید الگوی نثر سندی که علامت خورده با الگوی معمول شما هم‌خوان است. اگر زبان شبیه کارهای دیگر شما باشد، تشخیص‌دهنده پروفایل زبانیِ شما را علامت زده است، نه استفاده از AI.

داده‌های اعتبارسنجیِ تشخیص‌دهنده. گزارش اعتبارسنجی نهادیِ تشخیص‌دهنده‌ای که دانشگاه شما استفاده می‌کند، با توجه به نرخ‌های تشخیص اشتباهِ مختص ESL. یافته 61.3 درصدی استنفورد در سال ۲۰۲۳ نقطه شروع است. موادِ کشف‌شده در پرونده Newby v. Adelphi یک نرخ ۲۸ درصدی تشخیص اشتباهِ ESL در پذیرش نهادیِ خودِ Turnitin در یک دانشگاه را آشکار کرد. نرخ‌های دقتی که خودِ فروشنده منتشر می‌کند معمولاً روی متن انگلیسیِ زبان مادری محاسبه می‌شود و به ESL تعمیم‌پذیر نیست.

یک دسته چهارمِ اختیاری اما ارزشمند. یک نامه کوتاه از یک مدرسِ نگارش، مربیِ مرکز نوشتار، یا پژوهشگر ارشد یک گروه که بتواند الگوهای نوشتاری شما را تأیید کند. لازم نیست، اما وقتی ضمیمه شود، قانع‌کننده است.

قالب نامه درخواست تجدیدنظر در تشخیص اشتباهِ AI

این، طرحِ کلی نامه شماست. طرح کلی با چیزی که هیئت‌های یکپارچگی علمی انتظار دارند در نامه ببینند هم‌خوان است. بخش‌های داخل قلاب‌های مربع‌دار را با شرایط خودتان تطبیق دهید. طول نامه را به دو صفحه متن تک‌فاصله محدود کنید؛ هر چیزی بیش از این، ریسک از دست رفتن توجه افراد را بالا می‌برد.

[Date]

درخواست تجدیدنظر نسبت به یافته مربوط به رعایت یکپارچگی علمی، پرونده [CASE NUMBER] [نام و شماره درس، یا عنوان فصل پایان‌نامه] تاریخ ثبت: [DATE] نمره گزارش‌شده آشکارساز: [PERCENTAGE]، [DETECTOR NAME و نسخه]

Dear [Recipient name],

من برای تجدیدنظر رسمی نسبت به یافتهٔ مربوط به تخطی از یکپارچگی علمی که در تاریخ [DATE] صادر شده و در ارتباط با ارسالِ مذکور در بالا است، این نامه را می‌نویسم. این یافته بر مبنای یک نمرهٔ تشخیصِ هوش مصنوعی از [DETECTOR NAME] است. من در تهیهٔ این ارسال به هیچ شکل از هوش مصنوعی مولد استفاده نکرده‌ام. با احترام درخواست می‌کنم که به دلایل ذکرشده در ادامه، این یافته لغو شود.

1. Factual response to the finding

من پیش‌نویسِ ارسال را در [TOOL، مثلاً Google Docs] بین [START DATE] و [SUBMISSION DATE] تنظیم کردم. این کار به‌صورت تکرارشونده انجام شد، طی [N] جلسه در طول [N] روز، و منجر به ثبت [N] نسخه‌ی قابل‌مشاهده‌ی ویرایش گردید. در هیچ مرحله‌ای از ChatGPT، Claude، Gemini، DeepSeek یا هر مدل زبانی بزرگ دیگری استفاده نکردم. از هیچ «بازنویس‌گرِ مبتنی بر هوش مصنوعی» یا «انسان‌ساز» نیز استفاده نکردم. از [LIST: ابزارهای استاندارد مانند Zotero برای منابع، Grammarly نسخه رایگان برای املای در صورت لزوم] استفاده کردم. هیچ‌کدام از این موارد، بر اساس سیاست مؤسسه، هوش مصنوعی مولد محسوب نمی‌شوند.

2. Evidence of authorship

I attach the following documentation as evidence:

نمایش A: تاریخچه نسخه‌های Google Docs برای ارسال، که در [DATE] صادر شده است. نشان می‌دهد [N] بازبینی برای [N] جلسه، همراه با مهرزمان‌ها و محتوای ویرایش‌شدهِ قابل مشاهده.

نمایش B: نمونه‌ای از سه تکلیف نگارش قبلی از [COURSE / THESIS / PUBLISHED WORK]. الگوهای نثر در این اسناد با الگوهای موجود در ارسالِ علامت‌گذاری‌شده مطابقت دارند.

بخش C: خلاصه‌ای از شواهد منتشرشده درباره نرخ‌های «false-positive» (تشخیص اشتباه) ابزارهای تشخیص‌دهنده برای نویسندگان غیرمادری انگلیسی، از جمله یافته‌های مطالعه ۲۰۲۳ استنفورد (Liang, Yuksekgonul, and Zou, Cell Patterns) که نشان می‌دهد میزان false-positive برابر با ۶۱٫۳ درصد در میان هفت ابزار اصلی تشخیص‌دهنده هوش مصنوعی روی مقاله‌های TOEFL نوشته‌شده توسط گویشوران غیرمادری انگلیسی است؛ در حالی که در نمونه‌های بومیِ انگلیسی تقریباً نزدیک به صفر است.

نمایش D: [اختیاری] یک نامهٔ پشتیبانی از [مربی مرکز نگارش / پژوهشگر ارشد / استاد راهنما] که الگوی نگارش من را تأیید می‌کند.

3. Detector validation

با احترام درخواست می‌کنم که مؤسسه گزارش اعتبارسنجی را از [DETECTOR VENDOR] برای جامعهٔ آزمون شامل نویسندگان غیر‌بومی زبان انگلیسی تولید کند. در پروندهٔ Newby v. Adelphi (New York, February 2026) مشخص شد که یک یافتهٔ مربوط به سلامت‌پیمانی/یکپارچگی تحصیلی که صرفاً بر پایهٔ یک امتیازِ «دیتکتور» است، بدون وجود شواهدِ اعتبارسنجی برای نمایهٔ زبانیِ دانشجو، با معیار «غلبهٔ شواهد» (preponderance of evidence) هم‌خوانی ندارد. من دلیل دارم که معتقدم مؤسسه نمی‌تواند داده‌های اعتبارسنجیِ ویژهٔ ESL برای «دیتکتور» و آستانه‌ای که در پروندهٔ من استفاده شده است ارائه کند. اگر مؤسسه نتواند داده‌های اعتبارسنجیِ ویژهٔ ESL برای «دیتکتور» و آستانه‌ای که در پروندهٔ من استفاده شده است ارائه کند، این یافته بر روشی تکیه دارد که فروشندهٔ دیتکتور آن را برای جامعهٔ من اعتبارسنجی نکرده است.

4. Requested remedy

با احترام درخواست می‌کنم که تصمیمِ مربوط به نقضِ یکپارچگیِ علمی لغو شود و پرونده مختومه و پاک‌سازی گردد. من برای هرگونه رسیدگیِ تکمیلی یا بررسیِ مستنداتِ اضافی که آن اداره مناسب بداند در دسترس هستم و با هرگونه فرایندی که با سیاستِ یکپارچگیِ علمیِ مؤسسه سازگار باشد، به‌طور کامل همکاری خواهم کرد.

Thank you for your consideration. I look forward to your response.

Sincerely,

Attachments:
 Exhibit A: Google Docs version history (PDF, [N] pages)
 Exhibit B: Previous writing samples (PDF, [N] pages)
 Exhibit C: Detector false-positive rate summary (PDF, [N] pages)
 Exhibit D: Letter of support (if applicable)

ساختار عمداً رسمی است. هیئت‌های یکپارچگی علمی، نامه‌های احساسی زیادی می‌خوانند؛ لحن آرام و مبتنی بر شواهدِ این قالب، خود به‌تنهایی یک نشانه اعتبار است. عذرخواهی نکنید، درباره فروشنده تشخیص‌دهنده قضاوت و اظهار نظر سردبیری نکنید، و درباره انگیزه‌های استاد حدس نزنید.

افزودنی‌های آگاه از Newby برای سال ۲۰۲۶

حکم Newby v. Adelphi در فوریه ۲۰۲۶، استدلال‌هایی ایجاد کرد که در آمریکا، همه درخواست‌های تجدیدنظر داخلی را تقویت می‌کند و در سایر جاها نیز وزن اقناع‌کننده‌ای دارد. سه افزودنی به قالب استاندارد نامه ارزش دارند.

در بخش ۳ به Newby استناد کنید. بخش ۳ از قالب بالا می‌تواند چیزی شبیه این بخواند: حداقلِ مورد نیاز در اینجا ارجاع به Newby است. اگر حوزه قضایی‌تان نیویورک باشد، می‌توانید Newby را به‌عنوان سابقه الزام‌آور دادگاه ایالتی ذکر کنید. اگر هر جای دیگری در آمریکا باشد، می‌توانید آن را به‌عنوان «مبنای اقناعی» درباره عدالت رویه‌ای در پرونده‌های مبتنی بر شواهد تشخیص‌دهنده ذکر کنید. خارج از آمریکا، آن را به‌عنوان شواهد تطبیقی ذکر کنید که یافته‌های مبتنی بر تشخیص‌دهنده فقط، در دادگاه بررسی شده و رد شده است.

داده‌های اعتبارسنجی نهادی را مطالبه کنید. Newby نشان داد که می‌توان از یک نهادِ در حال دفاع در برابر یک یافته نقض یکپارچگی علمی خواست گزارش اعتبارسنجی فروشنده تشخیص‌دهنده را ارائه دهد. این درخواست را در نامه درخواست تجدیدنظر، به صورت مکتوب مطرح کنید. بیشتر نهادها نمی‌توانند در پاسخ به درخواست شما داده‌های اعتبارسنجی مختص ESL را ارائه کنند؛ خودِ نبودِ آن، به نفع پرونده شما است.

نبودِ تاریخچه پیش‌نویس را درست قاب‌بندی کنید. Newby به‌طور خاص Adelphi را به خاطر نتیجه‌گیری بر مبنای نبودِ تاریخچه پیش‌نویس در یک پورتال بارگذاری که در آن تاریخچه پیش‌نویس اصلاً لازم نبوده است، مورد توجه قرار داد. اگر پورتال ارسال شما تاریخچه بازبینی را ثبت نمی‌کند، این انتخاب طراحیِ نهاد است، نه یک «شاهدِ علیه شما». اگر نامه‌تان در پاسخ به یافته‌ای است که «بدون تاریخچه پیش‌نویس» را ذکر کرده، به‌طور صریح در این مورد به Newby استناد کنید.

برای پیش‌زمینه گسترده‌تر درباره اینکه چگونه پرونده Newby برده شد و اینکه چه چیزی را «قید و بند» می‌کند و چه چیزی را نه، به راهنمای کلیِ سناریوی نامه درخواست تجدیدنظر ما مراجعه کنید که بخش رویه‌ای را عمیق‌تر از این پست پوشش می‌دهد.

در درخواست تجدیدنظر چه کارهایی نباید انجام دهید

اشتباهاتی که در گزارش ما باعث شده پرونده‌هایی که در ابتدا امکان پیروزی داشتند، از دست بروند.

عذرخواهی نکنید. عذرخواهی برای چیزی که انجام نداده‌اید به‌عنوان یک اعتراف جزئی تلقی می‌شود. قالب بالا به‌عمد عبارت‌های پشیمانی/تاسف را حذف کرده است. شما در حال درخواست تجدیدنظر نسبت به یک یافته هستید، نه مذاکره برای یک سازش.

به فروشنده تشخیص‌دهنده حمله نکنید. جمله‌هایی مثل "GPTZero is unreliable" یا "Turnitin is biased" حالت دفاعی دارد و وزن کمتری پیدا می‌کند. بگذارید شواهدِ بخش Show C کار خود را انجام دهد. تشخیص‌دهنده را به‌عنوان ابزاری با نقص‌های شناخته‌شده برای برخی کاربردهای مشخص ارائه کنید. هدف قرارش ندهید.

متن تولیدشده توسط AI را در درخواست تجدیدنظر ارسال نکنید. شاید بدیهی به نظر برسد. اما پژوهشگرانی را دیده‌ایم که تحت فشار برای رساندن کار به مهلت، از ChatGPT برای نوشتن نامه درخواست تجدیدنظر استفاده کرده و آن را ارسال کرده‌اند. برخی دفترهای یکپارچگی علمی، نامه درخواست تجدیدنظر را با همان تشخیص‌دهنده‌هایی اجرا می‌کنند که مشکلِ متنِ ارسال‌شده را شناسایی کرده‌اند. نامه درخواست تجدیدنظر خودتان را بنویسید.

بیش از حد مستندسازی نکنید. ۲۵ صفحه از همه ایمیل‌هایی که تا به حال ارسال کرده‌اید، نشانه ناامیدی است. قالب بالا به شما یک نامه ۲ تا ۳ صفحه‌ای و ۳ تا ۴ ضمیمه می‌دهد. اندازه درست همین است.

درخواست FERPA را نادیده نگیرید. در آمریکا، FERPA به شما حق مشاهده سوابق آموزشی‌تان را می‌دهد که شامل گزارش تشخیص‌دهنده و مکاتبات درباره پرونده شماست. درخواست FERPA را همراه با نامه درخواست تجدیدنظر ارسال کنید. خارج از آمریکا، معادل آن (در بریتانیا: Data Protection Act 2018، در اتحادیه اروپا: حق دسترسیِ Article 15 در GDPR، و موارد مشابه) اثر مشابهی دارد. احتمالاً نهاد شما هنوز شواهد را به‌صورت رسمی یکپارچه نکرده است. تمرکز را بر فرایندی بگذارید که آن‌ها طبق درخواست شما انجام می‌دهند.

پیش‌نویس‌هایتان را حذف نکنید. پس از باز شدن یک پرونده، پیش‌نویس‌ها و تاریخچه نسخه‌ها، شواهدِ شما هستند. اگر می‌توانید آن‌ها را نگه دارید. اگر از ابزاری استفاده می‌کنید که نسخه‌های قدیمی‌تر را پاک می‌کند، همین حالا خروجی بگیرید.

چه زمانی باید سطح پیگیری را بالاتر ببرید

بیشتر درخواست‌های تجدیدنظر در سطح درس یا بخش حل‌وفصل می‌شود. برخی نیاز به سطح بالاتر دارند.

به هیئت درخواست تجدیدنظر نهادی. اگر تصمیم در سطح درس نامساعد بوده و شواهد قوی دارید، تقریباً هر نهاد از شما می‌خواهد پیش از هر گزینه بیرونی، تجدیدنظر داخلی را کامل انجام دهید. از همان قالب استفاده کنید؛ فقط آن را با پاسخ نهاد و پاسخ/تکذیب شما گسترش دهید.

به مدافع/اُمبودزمان نهادی. یک مسیر موازی است، نه جایگزین. اَمبودزمان می‌تواند شکست‌های رویه‌ای را مستند کند که شاید هیئت درخواست تجدیدنظر به آن‌ها نپردازد. حتی وقتی برنده می‌شوید هم مفید است، چون مستندسازی به اصلاحات نهادی کمک می‌کند.

به دفتر خدمات حقوقی دانشجویان یا کارکنان. بیشتر دانشگاه‌های بزرگ خدمات حقوقی رایگان برای دانشجویان دارند؛ بسیاری برای کارکنان و پسا‌دکتری‌ها هم منابع موازی دارند. این «درست‌ترین» سطح بالابرای برای پرونده‌هایی است که شامل لغو/revocation مدرک، وضعیت ویزا، یا درجِ دائمی در ریزنمرات برای آثار استخدامی است. خانواده Newby یک نوار کوچک از وکلایی تولید کرده که تخصص‌شان پرونده‌های تشخیص AI است.

به مشاور حقوقی بیرونی. به ندرت ضروری است، اما وقتی فرایند نهادی شکست خورده و پیامدها بزرگ هستند، مناسب است. خانواده Newby شش رقم هزینه کرد تا در برابر Adelphi دفاع کند. بیشتر درخواست‌های تجدیدنظر پژوهشگران ESL به این سطح از پیگیری نیاز ندارند و وقتی شواهد به‌خوبی سازمان‌دهی شده‌اند، در سطح داخلی با نتیجه مطلوب حل‌وفصل می‌شوند.

به «فشار رسانه‌ای/پرس» فقط به‌عنوان آخرین گزینه. توجه عمومی برخی پرونده‌ها را حل کرده، اما همزمان ریسک را برای نهاد بالا می‌برد و کنار گذاشتنِ آرام یافته را دشوارتر می‌کند. این گزینه را فقط برای پرونده‌هایی نگه دارید که تجدیدنظر داخلی تمام شده و پیامدها بسیار سنگین است.

سؤال همراه با همه این‌ها، «پیشگیری» است. اگر یک بار علامت خورده‌اید، «تغییرپذیری سطحی» که جلوی تشخیصِ تشخیص اشتباه را می‌گیرد، برای پیش‌نویس‌های آینده واقعاً مفید است. تمیزترین راه برای افزودن این تغییرپذیری بدون جابه‌جا کردن رجیستر یا آسیب به ارجاعات، یک انسانی‌ساز آگاه از نقل‌قول است؛ راهنمای ما درباره انسانی‌سازی متن‌های نزدیک به AI بدون شکستن لحن آکادمیک مراحل عملی را پوشش می‌دهد. نگرانی مرتبط دیگر این است که آثار منتشرشده‌تان باید چه چیزهایی درباره هر ابزار AI که واقعاً استفاده کرده‌اید افشا کند؛ این موضوع در راهنمای افشای AI ما برای manuscripts آمده است.

پرسش‌های متداول

س: اگر پژوهشگر ESL با نمره بالای تشخیص‌دهنده باشم، احتمال موفقیت درخواست تجدیدنظرم چقدر است؟

درخواست تجدیدنظر پژوهشگران ESL با ثبت فرایند خوب، بر اساس گزارش پرونده‌های ما، حدود ۶۰ درصد موارد را در سطح درس یا بخش و درصد بیشتری را در تجدیدنظر داخلی با موفقیت پشت سر می‌گذارد. دو عاملِ بهترین برای پیش‌بینی موفقیت عبارت‌اند از: (۱) داشتن تاریخچه کامل بازبینی از یک ابزار پیش‌نویس مانند Google Docs، و (۲) ارائه یک ارجاع روشن به شواهدِ استنفورد ۲۰۲۳ درباره سوگیری تشخیص‌دهنده و (در آمریکا) حکم Newby v. Adelphi. تعداد بسیار کمی از پرونده‌ها هر دو مورد را داشته‌اند.

س: برای نوشتن نامه درخواست تجدیدنظر، به وکیل نیاز دارم؟

برای تجدیدنظر داخلی، خیر. مواردی دیده‌ایم که با استفاده از قالب همین پست و بدون کمک حقوقی، موفق بوده‌اند. اگر نیاز به وکیل بود، برای مواردی مثل لغو مدرک، اخراج، وضعیت ویزا (برای دانشجویان و پژوهشگران بین‌المللی)، یا درج دائمی در ریزنمرات که بر استخدام اثر می‌گذارد، درباره این گزینه فکر کنید. معمولاً خودِ قالب به‌همراه بسته شواهد برای یافته‌های سطح درس کافی است.

س: درخواست FERPA را قبل از نامه درخواست تجدیدنظر ثبت کنم یا بعد از آن؟

هر دو را هم‌زمان ثبت کنید؛ یا اگر چند روز تا مهلت تجدیدنظر باقی مانده، درخواست FERPA را اول ثبت کنید. درخواست FERPA اغلب گزارش تشخیص‌دهنده و مکاتبات داخلی‌ای را که می‌خواهید در نامه درخواست تجدیدنظر به آن‌ها ارجاع بدهید آشکار می‌کند. همچنین ما دریافته‌ایم که صرفِ وجود درخواست FERPA باعث می‌شود نهادها در روش‌هایی که انتخاب می‌کنند، محتاط‌تر باشند. اگر در درخواست FERPA چیزی را پیدا کنید که هنگام ثبت درخواست تجدیدنظر نمی‌دانستید، سپس یک «لایحه تکمیلی» هم ثبت کنید.

س: نهاد من خارج از آمریکا است. آیا پرونده Newby به من کمک می‌کند؟

بله، به‌عنوان یک شاهد تطبیقیِ اقناع‌کننده. Newby خارج از نیویورک الزام‌آور نیست و به‌طور مستقیم در هیچ نهاد غیرآمریکایی هم الزام ایجاد نمی‌کند. اما منطق آن قابل حمل است: یک نمره واحدِ تشخیص‌دهنده بدون اعتبارسنجی برای پروفایل زبانی دانشجو، «تسلطِ شواهد» را ایجاد نمی‌کند. هیئت‌های یکپارچگی علمی در بریتانیا، اتحادیه اروپا، کانادا، استرالیا و هند همگی شروع کرده‌اند با این استدلال درگیر شوند. حتی اگر الزام‌آور نباشد، پرونده را صریحاً ذکر کنید و اصلِ آن را نقل کنید.

س: آیا می‌توانم از تکرار این اتفاق در ارسال بعدی جلوگیری کنم؟

سه کاری که می‌توانید برای پیشگیری انجام دهید این‌هاست: استفاده از ابزاری که هنگام نوشتن کنترل نسخه را حفظ می‌کند؛ هم Google Docs و هم Word به‌طور پیش‌فرض این گزینه را روشن دارند (پیش‌نویس تمیز نسازید و کارِ سندتان را دور نریزید!). جمله‌ها را از نظر ریتم متنوع کنید. آگاهانه تلاش کنید ریتم‌های «burst» را بشکنید؛ همان‌هایی که تشخیص‌دهنده‌های امضادار دنبالشان هستند. پیش‌نویس نهایی‌تان را از یک انسانی‌ساز آگاه از نقل‌قول عبور دهید؛ این کار تغییرپذیری‌های سطحی‌ای اضافه می‌کند که false-positiveها را به دام می‌اندازد، بدون اینکه معنای شما یا ارجاعاتتان تغییر کند. این‌ها «حقه» برای بازی دادن سیستم نیستند، بلکه اقدامات عملیِ مقابله با یک روشِ اندازه‌گیریِ سوگیرانه‌اند.