نیوبی vs. ادلفی: نخستین رأی دادگاه درباره تشخیص هوش مصنوعی

رأی نیوبی vs. ادلفی که در فوریه ۲۰۲۶ توسط یک دادگاه نیویورک صادر شد، نخستین پرونده تشخیص هوش مصنوعیِ مبتنی بر طرح دعوای قضایی (و نخستین دعوی تشخیص هوش مصنوعی که به صدور رأی منجر شد) است که در آن دادگاه حکم داد دانشگاه ادلفی باید متنِ پیاده‌ شده (ترنسکریپت) دانشجوی کارشناسی سال سوم ESL را پاک کند؛ دانشجویی که تمام واژه‌های مقاله مورد ایراد را خود نوشته بود و نیز امتیاز ۹۴ درصدی Turnitin AI دریافت کرده بود. دادگاه دانشگاه را ملزم کرد اتهام «یکپارچگی علمی» علیه دانشجو را لغو کند. آموزش عالی نخستین پیشینه مهم درباره انضباط مبتنی بر تشخیص هوش مصنوعی را گرفت، و نه به نفعِ «سامانه تشخیص».

مدتی است روند درخواست‌های تجدیدنظر نسبت به تشخیص هوش مصنوعی را دنبال می‌کنیم؛ از اوایل ۲۰۲۴. داستان در مسیر ما به نیوبی ناامیدکننده بود. در ۱۸ ماه، ۴۱ مورد از دانشجویان تحصیلات تکمیلی ESL را ثبت کردیم که در نرخ‌هایی بین ۳ تا ۶ برابر بیشتر از همتایان انگلیسی‌زبانِ خود در همان کلاسِ فارغ‌التحصیلی پرچم خوردند و نیز نتوانستند «اثباتِ منفی» برای کنارزدن یافته دانشگاه درباره یکپارچگی علمی ارائه دهند؛ زیرا نمی‌توانستند علیه امتیازِ اطمینانی استدلال کنند که فروشندهِ سامانه تشخیص هوش مصنوعی ارائه کرده بود. نیوبی vs. ادلفی نخستین پرونده‌ای است که در آن دادگاه دانشگاه را واداشت این نابرابری را در پرونده و در متنِ ثبت‌شده به رسمیت بشناسد.

این نوشته نسخه‌ای ساده‌گرا (Plain-English) از آن چیزی است که رأی واقعاً می‌گوید، آنچه نمی‌گوید، امروز از چه کسانی حمایت می‌کند، فردا به چه کسانی اطلاع می‌دهد و «دفترچه دفاع عملی»‌ای که برای دانشجویانی که با همین اتهام روبه‌رو می‌شوند باز می‌کند. تمرکز ما بر زاویه ESL است، چون پرونده دقیقاً در همان نقطه برگشت و موج بعدی تجدیدنظرها هم همان‌جا شکل خواهد گرفت.

رأی نیوبی vs. ادلفی دقیقاً چه تصمیمی گرفت؟

در فوریه ۲۰۲۶، یک دادگاه در نیویورک یافته مربوط به یکپارچگی علمی دانشگاه ادلفی علیه یک دانشجوی کارشناسی ESL را لغو کرد و استدلال کرد که یک امتیاز واحد Turnitin AI برابر ۹۴ درصد، بدون اعتبارسنجی برای نمایه زبانیِ ESL دانشجو در سطح اطمینانِ مورد استفاده در رسیدگی، با «استانداردِ برتریِ شواهد» خودِ دانشگاه همخوان نبود. این راه‌حل محدود بود: پاک‌کردن سوابق دانشجو و ارجاع برای برگزاریِ مجددِ رسیدگی‌ای که از نظر رویه‌ای با الزامات سازگار باشد، اگر مؤسسه تصمیم می‌گرفت پیگیری را ادامه دهد. رأی، تشخیص هوش مصنوعی را به‌طور کلی ممنوع نکرد؛ بلکه نحوه وزن‌دهی به امتیاز یک «سامانه تشخیص» را در فرآیند انضباطی محدود کرد.

چه اتفاقی در نیوبی vs. ادلفی افتاد؟

M. نیوبی در پاییز ۲۰۲۵ برای یک درسِ سالِ سوم، یک مرور ادبیات (literature review) ارائه داد. نشانگرِ نوشتارِ مبتنی بر هوش مصنوعیِ Turnitin امتیاز ۹۴ درصد بازگرداند. مدرس درس، پرونده را به دفتر یکپارچگی علمی دانشگاه ارجاع داد و آن دفتر پس از یک جلسه کوتاه، یافته‌ای درباره «بی‌صداقتی دانشگاهی» صادر کرد. نیوبی به‌صورت داخلی تجدیدنظر کرد و شکست خورد.

وکیل نیوبی در نوامبر ۲۰۲۵ در دادگاه ایالتی نیویورک شکایت مطرح کرد و دادگاه در فوریه ۲۰۲۶ رأی داد. رأی، یافته مؤسسه را بر سه مبنا لغو کرد. نخست اینکه دانشگاه نتوانست شواهدی ارائه کند که نشانگر Turnitin AI در سطح اطمینانی که در رسیدگی استفاده شده، برای ESLِ انگلیسی اعتبارسنجی شده است. دوم اینکه در جلسه، امتیاز به‌عنوان تعیین‌کننده (dispositive) پذیرفته شد، بدون آنکه اجازه داده شود درباره نرخ خطای سامانه (detector error rates) شهادت/اظهار نظر کارشناسی ارائه شود. سوم اینکه سیاستِ یکپارچگی علمیِ خودِ دانشگاه مستلزم «برتریِ شواهد» بود و دادگاه یافت که یک امتیاز اختصاصیِ واحد، بدون قابلیت توضیح‌دهیِ مبنایی، با این معیار هم‌راستا نیست.

دادگاه درباره این موضوع که «تشخیص هوش مصنوعی» در اصل مجاز است یا نه رأی نداد. دادگاه حکم داد که استفاده ادلفی از این امتیاز به‌عنوان ابزاری تقریباً قطعی، بدون تأیید مستقل و بدون درنظرگرفتنِ سازوکار حمایتی برای سوگیری شناخته‌شده در ESL، مصداقِ «نفیِ عدالتِ رویه‌ای» بر اساس سیاست خود دانشگاه بوده است. راه‌حل محدود بود: یافته را لغو کنید، سوابق را پاک کنید و در صورت انتخاب مؤسسه، پرونده را برای یک رسیدگی دوباره که از نظر رویه‌ای منطبق باشد به مؤسسه ارجاع دهید.

چرا رأی نیوبی vs. ادلفی مهم است؟

یک رأی دادگاه به نفع یا علیه یک دانشگاه خصوصی به‌تنهایی پیشینه ملی ایجاد نمی‌کند. آنچه نیوبی انجام می‌دهد بسیار عمل‌گرایانه‌تر است. این رأی، گزارشی مکتوب و قابل استناد ارائه می‌کند درباره اینکه دادگاه‌ها چگونه شواهدِ تشخیص هوش مصنوعی را می‌سنجند، زمانی که مؤسسه‌ها ملزم می‌شوند در دادگاه، کاربردِ این شواهد را به اثبات برسانند. هر تجدیدنظری، داخلی یا خارجی، اکنون می‌تواند به نیوبی به‌عنوان اصلِ این نکته ارجاع دهد که یک امتیاز واحدِ سامانه تشخیص (بدون شواهد همراه برای نمایه زبانیِ خاصِ یک دانشجو) به‌تنهایی شواهد کافی نیست.

در بخش «کشف شواهد» (discovery) نیز این رأی مهم است. برای توجیه تصمیم، ادلفی مجبور شد داده‌های اعتبارسنجی‌ای را ارائه کند که Turnitin به مؤسسه داده بود. دادگاه این داده‌ها را بررسی کرد؛ داده‌هایی که بنا بر دریافت اولیه مؤسسه، نرخ ۲۸ درصد «مثبت کاذب» را روی یک نمونه از ارسال‌های دانشجویان کارشناسی ESL نشان می‌داد. این عدد اکنون در پرونده عمومی ثبت شده است. طی سال‌ها در هر تجدیدنظرِ نزدیک به پرونده نیوبی به آن استناد خواهد شد.

اثر سوم، حیثیتی/اعتباری (reputational) است. اکنون دانشگاه‌هایی وجود دارند که از امتیازهای هوش مصنوعی به‌عنوان سپر برای یافته‌های «یکپارچگی علمی» استفاده کرده‌اند، بدون اینکه بدانند همین سپر تازه شکست خورده است. حالا عجله دارند تا الزامات صریح برای تأیید شواهدی غیر از امتیاز سامانه تشخیص اضافه کنند. در دو ماه پس از رأی، ما همین مشکل را در به‌روزرسانی سیاست‌های یکپارچگی علمیِ سه مؤسسه دیده‌ایم. پرونده نیوبی کاری را انجام می‌دهد که افشای فروشنده (vendor disclosure) هرگز انجام نداد.

چرا سامانه‌های تشخیص هوش مصنوعی نویسندگان ESL را به عنوان تولیدشده توسط AI پرچم می‌زنند؟

یک مطالعه ۲۰۲۳ در دانشگاه استنفورد نشان داد که GPTZero، ۵۲ درصد از مقاله‌هایی را که سخنوران غیر‌بومی انگلیسی نوشته بودند، به‌عنوان AI-generated پرچم کرد؛ در برابر ۰ تا ۱۲ درصد برای نویسندگان بومی که همان پرسش‌ها را پاسخ داده بودند. به‌روزرسانی‌های بعدی فروشنده‌ها فاصله را در برخی مجموعه‌های آزمون محدود کرد و در برخی دیگر آن را افزایش داد. دلیل ساختاری تغییر نکرده است. سامانه‌ها به دنبال «پِرپلِکسیته» (perplexity) پایین و «بِرستینِس» (burstiness) پایین می‌گردند. نویسندگان ESL، به‌ویژه کسانی که بر انگلیسی آکادمیک رسمی آموزش دیده‌اند، دقیقاً با همین ویژگی‌ها می‌نویسند. جملات کوتاه، واژگان کنترل‌شده، ساختار موازی و ثبت‌زبان ثابت، برای یک سامانه تشخیص به «entropy پایین» خوانده می‌شود؛ و سامانه، این را به‌عنوان خروجی شبیه ماشین کُد می‌کند.

نمایه نوشتاریِ نیوبی تقریباً نمونه‌ای کلاسیک بود. مرور ادبیات او از جملات فشرده استفاده می‌کرد، مجموعه‌ای محدود از اتصال‌دهنده‌ها ("however," "in addition," "therefore")، و در سراسر پاراگراف‌ها ثبت‌زبان یکسان و یکنواخت داشت. برای یک مدرسِ نوشتار ESL (انسان)، این دقیقاً محصولِ رایجِ آموزش‌های صریحِ سال‌هاست. برای یک سامانه تشخیصِ آموزش‌دیده روی «واریانس» انگلیسیِ بومی، این به‌عنوان خروجیِ ماشینی دیده می‌شد. دادگاه لازم نبود مسئله سوگیری را به‌صورت انتزاعی وارد دعوا کند. داده‌های اعتبارسنجی خودِ سامانه، که در مرحله discovery ارائه شده بود، برایشان این کار را انجام داد.

الگوی «مثبت کاذبِ تشخیص AI در ESL» اکنون به‌صورت قانونی مستند شده است، نه صرفاً از منظر آکادمیک مورد بحث قرار گرفته باشد. اگر دانشجوی ESL هستید، این مستندات، مفیدترین جمله در این نوشته است.

نیوبی چه کاری را انجام نمی‌دهد

سریع‌ترین راه برای گرفتارشدن در دردسر بیشتر، خوانش نادرستِ رأی است. سه چیز وجود دارد که این رأی انجام نمی‌دهد.

این رأی تشخیص AI را ممنوع نمی‌کند. دانشگاه‌ها همچنان می‌توانند Turnitin، GPTZero، Pangram، Originality.ai و ابزارهای مشابه را استفاده کنند. این رأی تعیین نمی‌کند که امتیاز اصلاً تولید نشود؛ بلکه محدود می‌کند که چگونه امتیاز در یک فرآیند انضباطی وزن‌دهی می‌شود.

این رأی به‌صورت مستقیم دانشگاه‌ها خارج از نیویورک را ملزم نمی‌کند. پیشینه اقناع‌کننده واقعی و مفید است، اما با پیشینه الزام‌آور یکی نیست. یک مسئول یکپارچگی علمی در یک دانشگاه دولتیِ ایالت تگزاس از نظر حقوقی مجبور نیست از نیوبی پیروی کند. با این حال، آن‌ها در جریان/هشدار هستند که در جلسات رسیدگیِ خود، همان استدلال‌ها مطرح خواهد شد و مشاور حقوقی کلی مؤسسه‌شان احتمالاً همان‌گونه که در نهایت مشاور حقوقی ادلفی این پرونده را خواند، آن را خواهد خواند.

این رأی به دانشجویان مصونیت نمی‌دهد اگر واقعاً از AI استفاده شده باشد. دادگاه روشن کرد که این رأی به «عدالت رویه‌ای» در یک پرونده شواهدِ مورد اختلاف مربوط می‌شود. اگر یک دانشجو متنیِ تولیدشده توسط AI ارائه دهد و مؤسسه شواهد مستقل داشته باشد (عدم‌تطابق تاریخچه پیش‌نویس، گزارش شاهد، یا لاگ تقریباً واژه‌به‌واژه از ChatGPT)، نیوبی از آن دانشجو محافظت نمی‌کند. پرونده درباره نحوه استفاده از سامانه‌های تشخیص است، نه درباره اینکه آیا ارسال‌های تولیدشده با AI مجاز هستند یا نه.

چگونه ثابت می‌کنید از AI استفاده نکرده‌اید؟ دفاعی به سبک نیوبی

این پرونده یک الگوی چهار بخشی برای هر دانشجوی متهم فراهم می‌کند. هر بخش بدون وکیل هم قابل انجام است، هرچند در پرونده‌های جدی وجود وکیل توصیه می‌شود.

1. داده‌های اعتبارسنجیِ زیربنایی را مطالبه کنید. از مؤسسه بخواهید، به‌صورت مکتوب، گزارش اعتبارسنجیِ فروشندهِ سامانه تشخیص را برای جمعیت آزمون (test population) ارائه کند که نمایه زبانیِ شما را هم دربر بگیرد. اگر ESL هستید، به‌طور مشخص نرخ‌های «مثبت کاذب» در ESL را بخواهید. مؤسسه‌ها اغلب نمی‌توانند این داده‌ها را ارائه کنند و همین موضوع خود بخشی از دفاع شماست.

2. سوابق فرایند خود را ارائه کنید. تاریخچه نسخه‌ها، فایل‌های Word AutoRecover، لاگ‌های فعالیت OneDrive، تاریخچه تب‌های مرورگر و اسنپ‌شات‌های مدیرِ ارجاع، همگی نشان می‌دهند که شما طی زمان مقاله را نوشته‌اید. رأی نیوبی به‌ویژه ادلفی را به خاطر استفاده از فقدان تاریخچه پیش‌نویس به‌عنوان «مدرکِ گناه» مورد ایراد قرار داد، حتی اگر پورتال ارسال آن‌ها ارائه پیش‌نویس را الزامی نمی‌کرد. اگر می‌توانید تاریخچه فرایند داشته باشید، ارائه دهید. اگر پورتال شما آن را ثبت نمی‌کند، باز هم بخشی از دفاع شماست.

3. امتیاز را در برابر نرخ خطای منتشرشده قرار دهید. داده‌های اعتبارسنجیِ ادلفی نرخ ۲۸ درصد «مثبت کاذب» ESL را نشان می‌داد. مطالعه ۲۰۲۳ استنفورد نیز نرخ ۵۲ درصد را نمایش داد. این اعداد را در پاسخ مکتوب خود ذکر کنید. اگر سامانه تشخیص با چنین نرخ خطایی به‌عنوان «شاهد اصلی» استفاده شود، دیگر نمی‌تواند «برتریِ شواهد» باشد.

4. درخواست «گزارش قابلیت توضیح‌دهی» کنید. بیشتر فروشنده‌ها نمای «هایلایت‌شده» ارائه می‌دهند که نشان می‌دهد کدام جمله‌ها امتیاز را رقم زده‌اند. آن را درخواست کنید. اگر فروشنده نتواند آن را ارائه کند، یعنی مؤسسه از شما می‌خواهد در برابر یک عددِ بدون توضیح دفاع کنید، و این خود، یک استدلال درباره بی‌عدالتی است.

ما دفترچه نامه تجدیدنظر را داریم که پاسخ مکتوب را با جزئیات بیشتری پوشش می‌دهد؛ از جمله قالب نامه‌ای آگاه از نیوبی و مسیر تشدیدِ رویه‌ای زمانی که تجدیدنظر در سطح درس شکست بخورد.

فرایند، اثباتِ جدید است

رأی نیوبی یکی از سه نشانه در بازه ۲۰۲۵-۲۰۲۶ است که نشان می‌دهد گفت‌وگوی یکپارچگی علمی از «آیا این سامانه تشخیص چنین پرچمی زده است؟» به «سوابق فرایند چه چیزی را نشان می‌دهد؟» منتقل شده است. همچنین، در ۲۰۲۵-۲۰۲۶، Turnitin Clarity در مقیاس گسترده راه‌اندازی شد که براینزیک/پالایش‌های مربوط به پیش‌نویس و ریتمِ بازنگری را ثبت می‌کند. ژورنال‌های بزرگ (Nature, Cell, the Lancet) سیاست‌های AI خود را از «هیچ متن تولیدشده توسط AI نباید باشد» به «استفاده از AI را افشا کنید و تاریخچه بازنگری را حفظ کنید» منتقل کرده‌اند. اوایل ۲۰۲۶ شاهد خاموشیِ Turnitin در Curtin University بودیم؛ جایی که منطق این بود که امتیاز بیش از آنکه اختلاف‌ها را حل کند، اختلاف بیشتری تولید می‌کند.

پیام برای دانشجویان و پژوهشگران یکسان است: پیش‌نویس‌های خود را ذخیره کنید. از ابزارهایی استفاده کنید که تاریخچه بازنگری دارند. پرامپت‌هایی را که به کار می‌برید مستندسازی کنید (حتی اگر همه‌چیز را خودتان نوشته باشید). راهنمای افشای AI ما برای manuscripts بخش مربوط به افشا را برای ارسال به ژورنال پوشش می‌دهد؛ همین منطق برای کارهای درسی هم اعمال می‌شود، زیرا مؤسسه‌ها در ۱۲ ماه آینده سیاست‌های خود را به‌روز می‌کنند.

اما طرفِ انسانی‌ساز این ماجرا هم مهم است و واقعاً سوءبرداشت زیادی درباره آن وجود دارد. انسانی‌سازِ آگاه از استناد برای پنهان‌کردنِ استفاده از AI نیست. هدفش این است که متنِ آکادمیکِ نویسنده ESL از این‌که توسط سامانه‌هایی که نمی‌توانند تفاوت را تشخیص دهند «امتیاز AI» بگیرد محافظت شود، در حالی که فهرست ارجاعات حفظ می‌شود تا داور یا مدرس آن را بررسی کند. ما انسانی‌ساز خود را دقیقاً برای همین سناریو ساخته‌ایم و رأی نیوبی روشن‌ترین استدلالی است که تا امروز در اختیار داشته‌ایم درباره اینکه چرا این پرونده واقعی است.

پرسش‌های متداول

س: دادگاه نیوبی vs. ادلفی دقیقاً چه چیزی را تصمیم گرفت؟

دادگاه یافته مربوط به ادلفی درباره یکپارچگی علمی علیه دانشجو را لغو کرد و حکم داد که یک امتیاز واحد Turnitin AI، بدون شواهد اعتبارسنجی برای نمایه زبانیِ ESL دانشجو و بدون فرصت برای به چالش کشیدنِ امتیاز از طریق شهادت کارشناسی، با «استاندارد برتریِ شواهد» خودِ مؤسسه همخوان نبود. راه‌حل محدود بود: سوابق را پاک کنید و پرونده را برای یک رسیدگی دوباره که از نظر رویه‌ای مطابق باشد ارجاع دهید، اگر مؤسسه این کار را انتخاب کند. این رأی تشخیص AI را در اصل ممنوع نمی‌کند.

س: آیا رأی نیوبی از دانشجویان دانشگاه‌های خارج از نیویورک هم محافظت می‌کند؟

نه به‌عنوان پیشینه الزام‌آور. اما این نوع رأی، یک «اقتدارِ اقناع‌کننده» (persuasive authority) دارد؛ یعنی دادگاه دیگری (یا هیئت تجدیدنظر دانشگاهی دیگر) می‌تواند آن را نقل کند و استدلالش را به کار ببرد، اما الزامی نیست. اثر عملیِ آن از اثر حقوقی‌اش گسترده‌تر بوده است. چندین مؤسسه خارج از نیویورک تاکنون سیاست‌های یکپارچگی علمی خود را به‌گونه‌ای به‌روز کرده‌اند که از شواهد تأییدیِ فراتر از امتیاز سامانه تشخیص استفاده کنند و نیوبی را به‌عنوان بخشی از انگیزه این تغییر ذکر کرده‌اند.

س: آیا دانشگاه من بعد از نیوبی همچنان می‌تواند از تشخیص AI توسط Turnitin استفاده کند؟

بله. این رأی محدود می‌کند که چگونه امتیاز در یک فرآیند انضباطی استفاده می‌شود، نه اینکه آیا ابزار می‌تواند اجرا شود یا خیر. بیشتر مؤسسه‌ها هنوز در مرحله ارسال، تشخیص AI را اجرا می‌کنند. چیزی که تغییر می‌کند نحوه وزن‌دهی است: امتیاز به‌طور فزاینده به‌عنوان یک سیگنال غربالگری به کار می‌رود که بررسی انسانی دقیق‌تر را فعال می‌کند، نه به‌عنوان شاهد اصلیِ مستقل. اگر مؤسسه شما هنوز امتیاز را «تعیین‌کننده» تلقی می‌کند، دقیقاً همان خلائی است که نیوبی به آن پاسخ می‌دهد.

س: من دانشجوی ESL هستم. چگونه می‌توانم از همان ابتدا از برچسبِ مثبت کاذب جلوگیری کنم؟

به نظرم سه عادت واقعاً تفاوت ایجاد می‌کند. اول اینکه تاریخچه پیش‌نویس خود را نگه دارید. هم Google Docs و هم Word نسخه‌های قبلی کارتان را به‌طور خودکار ذخیره می‌کنند؛ آن را به یک کپیِ تمیز خروجی نگرفته و نسخه اصلی را دور نریزید. به ریتم/زمان‌بندی جمله‌ها توجه کنید. آموزش در ESL اغلب به یکنواختی در ساختار جمله منجر می‌شود که به‌عنوان burstiness پایین امتیاز می‌گیرد. اگر حتی وقتی همه نوشتار شما واقعاً خودتان است، در یک سامانه تشخیص AI به شما امتیاز AI دادند، پیش از ارسال آن را از یک انسانی‌سازِ آگاه از استناد عبور دهید. این کار نوعی تنوع سطحی ایجاد می‌کند که نرم‌افزار تشخیص به دنبال آن است، در حالی که واژه‌های شما و استناداتتان بدون تغییر باقی می‌مانند.

س: آیا باید وکیل بگیرم اگر با اتهامِ تشخیص AI روبه‌رو هستم؟

نامه‌های تجدیدنظر با پیامدهای کوچک، مثل آن‌هایی که برای تجدیدنظر در سطح درس لازم است، اغلب با استفاده از دفترچه نامه تجدیدنظر و مستندسازی فرایند، نتیجه خوبی می‌دهد. اما در پرونده‌هایی که ممکن است مدرک‌تان را از دست بدهید، اخراج شوید، وضعیت ویزای شما تحت تأثیر قرار گیرد (برای دانشجویان بین‌المللی) یا با ثبتِ دائمی در کارنامه روبه‌رو شوید، باید وکیل استخدام کنید. بسیاری از کالج‌ها کمک حقوقی رایگان به دانشجویان ارائه می‌دهند و شرکت‌های تخصصی هم وجود دارند که روی پرونده‌های تشخیص AI تمرکز دارند. حالا هم یک خط باریک از وکلا وجود دارد که با پرونده نیوبی کار کرده‌اند و پیشینه و فناوری زیربنایی سامانه تشخیص را می‌شناسند.