فرآیند، اثباتِ جدید است: تغییراتِ ردیابی‌شده برِ تشخیص‌دهنده‌ها برتری دارد

Newby v. Adelphi توسط یک دادگاه در نیویورک تصمیم‌گیری شد؛ آن دادگاه یک یافته مربوط به «تمامیت علمی» را به دلیل اتکای صرف به یک نمره واحد AI در Turnitin، که به‌تنهایی «تعدادِ کافی برای اثبات» (preponderance of evidence) را تشکیل نمی‌داد، باطل کرد. پایلوت «بهار ۲۰۲۶» در صدها مؤسسه، «دیگرشناسی پیش‌نویس» را اجرا می‌کند که متنِ چسبانده‌شده، زمان نوشتن و همچنین یک پخش کامل از تاریخچه بازبینی دانشجو را ثبت می‌کند. محصول Clarity که Turnitin مالک آن است نیز در این میان دخیل است. در ۱۰ آوریل ۲۰۲۶، Anthropic نسخه عمومیِ بتای Claude برای Word را منتشر می‌کند؛ قابلیتی که تغییرات ردیابی‌شده را به‌صورت بومی برای نگارش دانشگاهیِ مبتنی بر هوش مصنوعی فعال می‌کند. نتیجه این است که ویرایش‌های Claude به پنل «بررسی» Word به‌صورت «بازبینی» اضافه می‌شوند. هر تغییر قابل بازبینی است. همه خطوط اصلی بدون تغییر باقی می‌مانند. Curtin University تشخیص AI در Turnitin را کاملاً خاموش می‌کند، زیرا اختلافات بیشتری داشته‌اند که تشخیص‌دهنده اشتباه کرده تا مواردی که دانشجویانی را که تقلب کرده بودند واقعاً شکار کرده است. در نیمه نخست ۲۰۲۶، چهار سیگنال همگی در یک جهت حرکت می‌کنند.

چهار سیگنال یک «الگو» هستند. الگو این است که شواهدِ معتبر برای انتساب تألیف در نگارش دانشگاهی دیگر «نمره یک تشخیص‌دهنده» نیست؛ بلکه به یک «ثبتِ فرآیندی» تبدیل شده است. دادگاه‌ها، نشریات، کنفرانس‌ها و حتی خودِ فروشندگانِ تشخیص‌دهنده به سمت یک موضع مشترک همگرا می‌شوند: تاریخچه پیش‌نویس از نمره‌های احتمال پیشی می‌گیرد.

این مطلب، استدلالِ برند است که آن را برای بقیه سال ۲۰۲۶ مطرح خواهیم کرد. در آن، چهار سیگنالِ همگرایی را به‌تفصیل پوشش می‌دهیم؛ ناهم‌سویی میان شواهدِ تشخیص‌دهنده و شواهدِ فرآیند را بررسی می‌کنیم؛ اینکه «مستندسازیِ فرآیندیِ قابل دفاع» واقعاً در ابزارهایی که پژوهشگران از همین حالا استفاده می‌کنند چه شکلی است؛ و اینکه چگونه عاداتِ پیش‌نویس‌نویسی بسازید که خروجی‌ای تولید کند که بتوانید بدون فکر کردنِ اضافه به آن، تحویل یک سردبیر، یک داور یا یک هیئت تمامیت علمی بدهید. بازتعریف، عملیاتی است نه فلسفی: برای تشخیص‌دهنده بهینه‌سازی نکنید؛ کار را مستندسازی کنید.

آیا تغییرات ردیابی‌شده و تاریخچه پیش‌نویس می‌تواند ثابت کند که شما آن را در نگارش دانشگاهیِ مبتنی بر AI نوشته‌اید؟

بله. هنگام کار، یک تاریخچه بازبینی و تغییرات ردیابی‌شده با مُهر زمان ایجاد می‌شود و بدون صرف زمانی معادل همان زمانِ نگارش اولیه، امکان بازسازی آن پس از وقوع وجود ندارد؛ همین امر آن را به‌مراتب سخت‌تر از «نمره تشخیص‌دهنده» برای جعل می‌کند. دادگاه‌ها، نشریات و حتی Turnitin هم اکنون به همان موضع مشترک نزدیک می‌شوند: در نگارش دانشگاهی، این ثبتِ فرآیندی وزن بیشتری از «نمره احتمال» یک تشخیص‌دهنده AI دارد. رأی Newby v. Adelphi نشان داد که صرفِ یک نمره تشخیص‌دهنده به‌تنهایی «تعدادِ کافی برای اثبات» نیست.

چهار سیگنالِ همگرایی

این تغییر از هیچ نظریه‌ای بیرون نیامده است؛ بلکه با چهار رویداد مشخصِ ۲۰۲۵ تا ۲۰۲۶ پیش رانده شده که هر یک از بخش متفاوتی از اکوسیستم دانشگاهی آمده‌اند.

Newby v. Adelphi (فوریه ۲۰۲۶، دادگاه ایالت نیویورک). نخستین تصمیم بزرگِ دادگاه درباره انضباطِ تشخیص AI، رأی Adelphi علیه یک دانشجوی ESL را برگرداند. نتیجه محدود بود، اما منطق آن قاطعانه تعیین‌کننده: نمره یک تشخیص‌دهنده بدون اعتبارسنجی برای پروفایل زبانی دانشجو، «تعدادِ کافی برای اثبات» بر اساس سیاست مدرسه را فراهم نمی‌کند. به‌طور مشخص، دادگاه Adelphi را به خاطر استفاده از نبودِ «تاریخچه پیش‌نویس» در پورتال ارسال به عنوان مدرکِ تقصیر توبیخ کرد (هرچند پورتال، الزام به آپلود پیش‌نویس نداشت). این کار، شواهدِ فرآیند (یا نبودِ آن) را به پرونده حقوقی اضافه می‌کند.

Turnitin Clarity (پایلوت بهار ۲۰۲۶، و گسترش مرحله‌ای در حال انجام). افزونه Turnitin برای Feedback Studio، پخش کاملِ فرایند نوشتن یک دانشجو را برای استادان فراهم می‌کند: از زمانی که دانشجو متن را کپی کرده تا طول جلسه نوشتن، زمان ساخت متن، و نیز تاریخچه پیش‌نویس. با اجازه دانشجو، Clarity ریتم ضربه‌های صفحه‌کلید (keystroke) و خط زمانی ویرایش را نیز ثبت می‌کند. چارچوب اعلامی محصول این است: "assessment for integrity, not just detection." این یک چرخش بزرگ از سمت شرکتی است که نمره تشخیص AI را تولید کرده بود؛ نمره‌ای که طی سه سال گذشته مؤسسات دانشگاهی بر آن تکیه کرده‌اند. حالا آن‌ها «ثبتِ فرآیند» را به‌عنوان سیگنال قابل‌اعتمادتر ارائه می‌کنند. Claude از

Claude for Word (۱۰ آوریل ۲۰۲۶، نسخه عمومی بتا). Anthropic به صورت یک افزونه بومیِ Microsoft Word عرضه می‌شود. وقتی Claude یک ویرایش انجام می‌دهد، آن را در پنل مرور Word به‌صورت یک تغییر ردیابی‌شده می‌اندازد؛ متن اصلی به‌صورت حذف (deletion) حفظ می‌شود و متن جدید به‌صورت درج (insertion) اضافه می‌گردد. نویسنده هر یک را از طریق رابط بومی Word می‌پذیرد یا رد می‌کند. تاریخچه کامل ویرایش‌ها برای داوری که سند را باز می‌کند در دسترس است. این «یک افزودنیِ صرفِ قابلیت» نیست. یک انتخاب معماری است که ثبتِ تغییرات ردیابی‌شده را به‌عنوان رابطِ معتبر میان نویسنده انسانی و دستیار AI می‌بیند، دقیقاً همان ثبتِ قابل استفاده برای یک ژورنال یا کمیته پایان‌نامه که بتواند کار را صحت‌سنجی کند. After

Curtin University (اوایل ۲۰۲۶، استرالیا) و مؤسسات موازی. Curtin به این جمع‌بندی رسید که این نمره اختلافات بیشتری تولید می‌کند تا آنکه حلشان کند، بنابراین تشخیص AI در Turnitin را به‌طور کامل خاموش کرد. Vanderbilt و چند دپارتمان دیگر در Michigan State نیز در سال ۲۰۲۵ به همین نتیجه رسیدند. هیچ‌یک از این دانشگاه‌ها استفاده از AI را ممنوع نکردند. آن‌ها لایه تشخیص را حذف کردند و گفت‌وگو درباره تمامیت علمی را به سمت افشاگری، فرآیند و شواهدِ تغییرات ردیابی‌شده سوق دادند. هم‌زمان، سایر دانشگاه‌ها (به‌ویژه برخی از مؤسسات Big Ten و لیگ آیوی در اواخر ۲۰۲۵) بر تشخیص‌دهنده‌ها فشار آوردند و محوطه نامتوازن شد، اما جهتِ تغییر عوض نشد.

چهار سیگنال، چهار بخش از سامانه، یک جهت. این اتفاق تصادفی نیست؛ بازتعادلِ سامانه حول شواهدی اتفاق افتاده که اثبات آن‌ها آسان‌تر از یک نمره احتمال سفارشی است.

چرا این تغییر منطقی است

ماندگاریِ این تغییر به دلیل ناهم‌سویی میان شواهد تشخیص‌دهنده و شواهد فرآیند است. هر دو نوع شواهد، «کفِ دقت» مشخصی دارند. کفِ تشخیص‌دهنده بسیار پایین‌تر است.

شواهدِ تشخیص‌دهنده یک نمره احتمال است که از مدلی به دست می‌آید که ویژگی‌های متنِ همبسته با خروجی AI را یاد می‌گیرد. مطالعه ۲۰۲۳ استنفورد هفت تشخیص‌دهنده بزرگ را شناسایی کرد که به‌اشتباه ۶۱.۳ درصد از مقالات TOEFLِ زبان‌آموزان غیربومی انگلیسی را به‌عنوان تولیدشده توسط AI تشخیص داده بودند. داده‌های نهادی Adelphi که در کشف (discovery) Newby منتشر شد، نرخ مثبت کاذب ۲۸ درصدی برای ESL در دریافت Turnitinِ خودِ دانشگاه داشت. اعدادِ دقتی که فروشنده‌ها ارائه می‌دهند معمولاً روی متن انگلیسیِ بومی محاسبه می‌شوند و تعمیم‌پذیر نیستند. دقتِ نمره به پیشینه زبانی نویسنده، توزیع promptهایی که تشخیص‌دهنده روی آن‌ها آموزش دیده، و آستانه‌ای بستگی دارد که مؤسسه تعیین کرده است. نویسنده در زمان ارسال هیچ‌کدام از این‌ها را نمی‌بیند.

شواهدِ فرآیند زنجیره‌ای از رخدادها، مُهرهای زمان و بازبینی‌هایی است که به سند نهایی منتهی می‌شود. Google Docs همه بازبینی‌ها را به‌طور خودکار ثبت می‌کند. Word AutoRecover و اطلاعات بازبینیِ تعبیه‌شده، همه بازبینی‌ها را دنبال می‌کنند. OneDrive ثبت می‌کند که فایل چه زمانی باز و چه زمانی ذخیره شده است. تاریخچه تب‌های مرورگر نشان می‌دهد نویسنده چه زمانی درباره منابعی که نقل کرده تحقیق می‌کرده است. نرم‌افزارهای مدیریت ارجاع (Zotero, Mendeley, EndNote, Paperpile) هر استناد را هنگام افزوده شدن به کتابخانه با مُهر زمان ثبت می‌کنند. همه این شواهد در جریان فرآیند ایجاد می‌شوند. بدون صرف زمانی معادل همان زمان نگارش اولیه، نمی‌توان پس از وقوع آن‌ها را ساخت.

همین است که این تغییر را «تحمل‌پذیر» (load-bearing) می‌کند: ناهم‌سوییِ اعتماد. نمره تشخیص‌دهنده را می‌توان بر اساس اعتبارسنجی، آستانه و سوگیریِ جمعیت به چالش کشید؛ در این حالت، مؤسسه‌ای که از نمره دفاع می‌کند باید شواهدی ارائه دهد که اغلب در اختیار ندارد. ثبتِ فرآیند را می‌توان بر اساس اصالت (authenticity) به چالش کشید؛ که نیازمند شواهدی است که مؤسسه باید در برابر نویسنده‌ای ارائه کند که می‌تواند به فراداده تولیدشده توسط پلتفرم اشاره کند. تقریباً همیشه، مدافعِ ثبتِ فرآیند پرونده آسان‌تری در اختیار دارد.

این یک استدلالِ «انسان‌ساز در برابر تشخیص‌دهنده» نیست. انسان‌ساز فقط سطح را تغییر می‌دهد؛ ثبتِ فرآیند پایه شواهد را تغییر می‌دهد. حتی اگر از فردا هر تشخیص‌دهنده AI به دقتِ کامل روی انگلیسیِ بومی برسد، باز هم ثبتِ فرآیند سیگنال مفیدتری خواهد بود، چون به انتساب تألیف مربوط است نه احتمال.

تغییرات ردیابی‌شده و تاریخچه پیش‌نویس: مستندسازیِ فرآیندیِ قابل دفاع چه شکلی است

خبر خوب این است که تقریباً هر ابزاری که پژوهشگران همین حالا از آن استفاده می‌کنند، به‌طور پیش‌فرض شواهدِ فرآیند تولید می‌کند. کار در «گرفتن» این شواهد و دانستنِ اینکه در زمان نیاز از کجا باید آن‌ها را پیدا کرد، است.

Google Docs. File سپس Version history سپس See version history. درخت کاملِ بازبینی‌ها برای همیشه حفظ می‌شود، از جمله اینکه چه کسی و چه زمانی ویرایش کرده است. اگر به یک ثبتِ قابل اشتراک نیاز دارید، به صورت PDF خروجی بگیرید؛ خروجی، خط زمانی را نشان می‌دهد. مفیدترین ابزارِ شواهدِ فرآیندی در اختیار نویسندگان دانشگاهی در ۲۰۲۶، عمدتاً به این دلیل که به‌صورت پیش‌فرض موجود است، برای همیشه حفظ می‌شود.

Microsoft Word. AutoRecover نسخه‌های ذخیره‌شده خودکار را در یک پوشه پنهان ذخیره می‌کند. Track Changes (Review tab سپس Track Changes) هر ویرایشی را که پس از فعال‌سازی انجام می‌دهید ثبت می‌کند. تغییر گردش کاری ارزشمند این است که Track Changes را برای پیش‌نویس‌نویسی خودتان روشن کنید: از همان ابتدا Track Changes را فعال نگه دارید تا هر ویرایش از آن نقطه به بعد ثبت شود. مهم است نسخه‌ها را به‌طور صریح و با نام‌های توصیفی ذخیره کنید ("draft-2026-07-12-section-3-rewrite") تا توالی بدون باز کردن تک‌تک فایل‌ها قابل خواندن باشد. بیشتر پژوهشگران Track Changes را برای پیش‌نویس‌نویسی خودشان روشن نمی‌کنند، اما اگر می‌خواهید تغییرات را هنگام نوشتن دنبال کنید، بهترین راه همین است.

OneDrive، Google Drive، Dropbox. ارائه‌دهندگان ذخیره‌سازی ابری فعالیت فایل را ثبت می‌کنند. اکثر خدمات IT دانشگاهی این را حداقل ۹۰ روز نگه می‌دارند؛ برخی برای مدت طولانی‌تری. این لاگ مشخص می‌کند فایل چه زمانی تغییر کرده، توسط چه کسی و از کدام دستگاه. این یک مکمل مفید است وقتی تاریخچه بازبینیِ سردبیر اصلی شما ناقص است.

مدیریت‌کننده‌های ارجاع. Zotero، Mendeley، EndNote و Paperpile همه تاریخ اضافه شدن یک استناد به کتابخانه شما و اینکه این استناد به کدام سند اضافه شده است را ثبت می‌کنند. شواهدِ فرآیند در مرحله پژوهش، شواهدی پیش از مرحله نگارش و نیز اعتبارسنجیِ مرحله نگارش است. فرض کنید داوری فکر کند یک منبعی را استناد داده‌اید که نخوانده‌اید. می‌توان به او با مُهر زمانِ زمانی که آن را خوانده‌اید پاسخ داد.

خروجیِ تغییرات ردیابی‌شده. این، تنها خروجیِ واحدِ مهم برای اشتراک گذاشتن شواهد فرآیند با یک داور، سردبیر یا هیئت تمامیت علمی است. تغییرات ردیابی‌شده یک سند Word یا Google Docs است که همه ویرایش‌ها در آن واضح نشان داده می‌شوند (اینکه چه کسی چه کاری را چه زمانی انجام داده است). تغییرات ردیابی‌شده به‌طور پیش‌فرض در proofreader فعال است، اما گزینه‌ای هم وجود دارد تا "raw text" تولید شود اگر لازم باشد نسخه تمیز را ببینید. ما این نسخه را برای هر ارسال و ارائه‌ای توصیه می‌کنیم که ممکن است از شما درباره روند نگارش سؤال شود. توجه کنید که این کار به‌صورت بومی در Claude برای Word هم قابل تولید است. Claude برای Word همان خروجی را به‌صورت بومی تولید می‌کند؛ نکته معماریِ محصول همین است.

آرشیو ایمیل و چت. گفت‌وگوها با استاد راهنما، هم‌نویسندگان و مربیان مرکز نگارش. رشته‌ها را ذخیره کنید. این‌ها الگوی تفکر تکرارشونده‌ای را که به نسخه خطی منتهی شده نشان می‌دهند؛ چیزی که هیچ تشخیص‌دهنده‌ای نمی‌تواند جعلش کند.

عادات پیش‌نویس‌نویسی که ثبتِ فرآیندیِ قابل دفاع تولید می‌کنند

پنج عادت، که هیچ‌یک اصطکاکِ معنی‌داری به گردش کار فعلی شما اضافه نمی‌کند، و در مجموع به «یک ثبتِ فرآیندیِ قابل دفاع» تبدیل می‌شوند.

1. پیش‌نویس را در ابزاری بنویسید که به‌صورت پیش‌فرض تاریخچه بازبینی را حفظ می‌کند. Google Docs یا Word با Track Changes روشن. در ادیتورهای متن ساده‌ای که تاریخچه را حفظ نمی‌کنند پیش‌نویس نزنید؛ و از فایل کاری خروجی تمیز نگیرید و آن فایل کاری را دور نریزید. اگر گردش کار فعلی شما شامل نوشتن در دفترچه و سپس تایپ‌کردنِ بعدی است، همان نسخه تایپ‌شده، پیش‌نویس شما برای اهداف شواهد فرآیند است؛ آن را حفظ کنید.

2. نسخه‌ها را به‌صورت صریح با نام‌های تاریخ‌دار و توصیفی ذخیره کنید. هفته‌ای یک‌بار، یک snapshot از پیش‌نویس فعلی را با نامی مثل "manuscript-2026-07-18-after-methods-rewrite" ذخیره کنید. نسخه‌های نام‌گذاری‌شده باعث می‌شوند توالی در یک نگاه خوانا باشد و از پاکسازی‌های نگه‌داریِ ذخیره‌سازی ابری جان سالم به در برد.

3. یک گزارشِ تغییرات در یک خط کنار نسخه خطی نگه دارید. یک فایل متن ساده در همان پوشه. هر ورودی شامل تاریخ و یک جمله است: "2026-07-18: بعد از جلسه با استاد راهنما، روش‌شناسی بخش ۳ را بازنویسی کردم." پنج دقیقه در هفته، همان فکری را ثبت می‌کند که تاریخچه بازبینی به‌تنهایی نمی‌تواند نشان دهد.

4. ویرایش‌های مبتنی بر AI را از یک مسیرِ تولیدِ «تغییرات ردیابی‌شده» عبور دهید. اگر از Claude برای Word، ChatGPT یا هر ابزار AI دیگر برای کمک به ویرایش استفاده می‌کنید، کار را از مسیری انجام دهید که یک ثبتِ تغییرات ردیابی‌شده تولید می‌کند. Claude برای Word این کار را به‌صورت بومی انجام می‌دهد. پروف‌رِیدر ما این کار را در هر خروجی انجام می‌دهد. ثبتِ خروجی است که هر گفت‌وگوی آینده درباره افشاگری یا تمامیت علمی را قابل‌اتکا می‌کند.

5. تحقیقات پشتیبان را آرشیو کنید. خروجی‌های مدیریت‌کننده ارجاع، PDFهای دانلودشده داخل یک پوشه تاریخ‌دار، بوکمارک‌های مرورگر از صفحات منابع. این رکورد تحقیقات، رکورد استنادات را اعتبارسنجی می‌کند و رکورد استنادات، رکورد نگارش را. هر لایه، لایه بالاتر از خودش را محافظت می‌کند.

پنج عادت، با حدود ۱۵ دقیقه زمانِ سربار در هفته، یک ثبتِ فرآیندی ایجاد می‌کنند که از هر چالش آینده از سوی یک تشخیص‌دهنده، داور یا هیئت تمامیت علمی دفاع می‌کند. درباره سؤال گسترده‌ترِ اینکه چگونه استفاده از ابزارهای AI را، به‌خصوص در خودِ نسخه خطی، مستند کنید، راهنمای افشای AI ما برای manuscripts بخش افشاگرانه را پوشش می‌دهد؛ و برای سؤال سویِ اعتراض که اگر با وجود یک فرآیندِ تمیز برچسب خورده‌اید چه باید کرد، appeal-letter playbook پاسخ را قدم‌به‌قدم توضیح می‌دهد.

پیامد این موضوع برای مؤسسات، نشریات و فروشندگان تشخیص‌دهنده

این تغییر پیامدهای نهادی دارد که در ۱۸ ماه آینده روشن می‌شود.

برای دانشگاه‌ها، پرسش عملیاتی این است که آیا باید هنگام ارسال، ثبت تاریخچه پیش‌نویس را اجباری کنند، چه چارچوبی برای رضایت این کار را پشتیبانی می‌کند، و چگونه شواهد ثبت‌شده را در فرایندهای انضباطی با نمره‌های تشخیص‌دهنده وزن‌دهی کنند. مؤسسات که این کار را درست انجام دهند، سیاستی شفاف منتشر خواهند کرد که شواهد مورد اعتماد و آستانه اقدام را مشخص می‌کند. مؤسساتِ محتاط احتمالاً مرتب در معرض درخواست‌های تجدیدنظر به سبک Newby قرار خواهند گرفت.

برای نشریات، پرسش این است که چگونه شواهد فرآیند را بدون افزودن اصطکاکی که سامانه نتواند جذب کند، در گردش کار داوری ادغام کنند. برخی نشریات الزام خواهند کرد که تغییرات ردیابی‌شده همراه نسخه خطی آپلود شود؛ برخی دیگر، «تأییدیه‌های فرآیند» را در بیانیه افشاگری می‌پذیرند. بعضی نشریات نیز اعتبارسنجی را به فروشنده‌هایی برون‌سپاری می‌کنند که ابزارهای رو‌به‌انتشارکننده می‌سازند. نشریاتی که زودتر حرکت کنند، استانداردِ عملی را تعیین خواهند کرد.

برای فروشندگان تشخیص‌دهنده، این تغییر وجودی است. چرخش Turnitin در Clarity یک مطالعه موردی است: شرکت‌سازِ نمره تشخیص اکنون «ثبت فرآیند» را به‌عنوان سیگنال قابل‌اعتمادتر ارائه می‌کند. فروشندگانی که از این چرخش امتناع کنند، قراردادهای نهادی را به فروشندگانی واگذار خواهند کرد که این کار را انجام می‌دهند. نمره تشخیص حذف نمی‌شود؛ فقط یکی از چند سیگنال خواهد بود که در هر فرایند تمامیت علمیِ خوب‌طراحی، وزنی کمتر از ثبتِ فرآیند می‌گیرد. یادداشت ما درباره «process forensics» در Turnitin Clarity توضیح می‌دهد این محصول دقیقاً چه می‌کند و مؤسسات در کجای مسیرِ گسترش قرار دارند.

نتیجه برای پژوهشگران، روشن‌ترین است. کار تولید این ثبت کم است. دفاع‌پذیری‌ای که فراهم می‌کند زیاد است. بازتعریف از "pass the detector" به "document the process" جایگاه برند ماست که برای بقیه سال از آن دفاع خواهیم کرد.

پرسش‌های متداول

س: آیا «فرآیند، اثبات جدید است» یعنی تشخیص‌دهنده‌های AI از بین می‌روند؟

نه کاملاً. تشخیص‌دهنده‌ها همچنان به‌عنوان یکی از سیگنال‌های غربال‌گری باقی می‌مانند، به‌ویژه در آموزش دوره کارشناسی، جایی که حجم ارسال‌ها باعث می‌شود بازبینی شواهد فرآیند پرهزینه باشد. تغییر اصلی در «وزن» است: نمره یک تشخیص‌دهنده به‌تنهایی دیگر به‌عنوان شاهد اصلی در فرایندهای انضباطی در مؤسساتِ خوش‌طراحی پذیرفته نمی‌شود و رأی Newby v. Adelphi این موضع را در دادگاه رسمی کرد. نمره به ورودی برای بررسی دقیق‌تر تبدیل می‌شود، نه نتیجه نهایی.

س: من روی کاغذ پیش‌نویس می‌نویسم و بعداً تایپ می‌کنم. آیا دفاعِ فرآیند را از دست می‌دهم؟

نه کاملاً، اما حفاظت ضعیف‌تر است. نسخه تایپ‌شده، پیش‌نویس شما برای اهداف شواهد فرآیند است؛ از لحظه‌ای که تایپ را شروع می‌کنید سند را حفظ کنید و بگذارید تاریخچه بازبینی‌ها روی آن جمع شود. عکس گرفتن یا اسکن یادداشت‌های دست‌نویس و تاریخ‌گذاری تصاویر، یک لایه دوم هم اضافه می‌کند. این رکورد دوگانه (دست‌نویس + بازبینی‌های تایپ‌شده) در واقع از یک رکوردِ صرفاً تایپ‌شده قوی‌تر است، چون لایه دست‌نویس ساختِ پسینی آن را دشوارتر می‌کند.

س: اگر مؤسسه من تغییرات ردیابی‌شده را به‌عنوان شواهد نپذیرد چه؟

یک درخواست FERPA ثبت کنید (در آمریکا؛ معادل آن در UK Data Protection Act 2018 و در جای دیگر EU GDPR Article 15 است) تا کل رکورد خود را به دست آورید. تغییرات ردیابی‌شده را همراه هر درخواست تجدیدنظر ارسال کنید، صرف‌نظر از اینکه مؤسسه رسماً قالب را پذیرفته باشد یا نه. رأی Newby نشان داد که نبودِ یک فرآیند روشن برای در نظر گرفتن این شواهد، خود یک مسئله آیین‌نامه‌ای/رویه‌ای است. مؤسسات در پاسخ به‌روز می‌شوند و ارائه پیش‌دستانه رکورد بخشی از فشاری است که باعث به‌روز شدن آن‌ها می‌شود.

س: آیا باید برای پیش‌نویس‌نویسی خود Track Changes را روشن کنم، حتی وقتی فقط خودم نویسنده‌ام هستم؟

در تجربه ما، بله، و این همان تغییر در گردش کار است که بیشتر پژوهشگران از آن سود می‌برند. Track Changes را از ابتدا در هر سند روشن کنید تا یک ثبت کامل از ویرایش‌ها بدون هیچ نظم/انضباطِ اضافه‌ای داشته باشید. نمای مارکاپ را برای نگارش عادی مخفی کنید (Review tab سپس Display for Review سپس No Markup)، اما رکورد زیربنایی را سر جایش نگه دارید و در زمان نیاز نسخه تغییرات ردیابی‌شده را خروجی بگیرید. اصطکاک کم است و حفاظت واقعی.

س: آیا این موضوع خارج از آمریکا هم صدق می‌کند، جایی که Newby الزام‌آور نیست؟

بله، به دو دلیل. اول، گسترش Turnitin Clarity، Claude برای Word، و تغییرات سیاستِ نشریات جهانی هستند، نه وابسته به حوزه قضایی؛ جابه‌جاییِ شواهدِ مورد اعتماد در حال حرکت در سراسر نشر دانشگاهی است، صرف‌نظر از اینکه کجا ارسال می‌کنید. دوم، استدلالِ Newby قابل انتقال است: دادگاه‌ها و هیئت‌های تمامیت علمی در UK، Australia، Canada، India و اتحادیه اروپا با این بحث درگیر شده‌اند که نمره‌های تشخیص‌دهنده به‌تنهایی «تعدادِ کافی برای اثبات» را نمی‌سازند. حتی اگر این پرونده صرفاً قانع‌کننده باشد و نه الزام‌آور، رأی را صریحاً ذکر کنید؛ منطقِ آن به‌خوبی منتقل می‌شود.

ویراستار ساخته شده برای عصر، فرایند همان اثبات است

خروجی تغییرات ردیابی شده در هر ویرایش. ابزار و نسخه به طور خودکار ثبت می شوند. گزارشی که ویراستار، داور یا هیئت اعتبارسنجی شما به آن اعتماد خواهد کرد.