تشرح هذه الصفحة كيف نتعامل مع مهمة كشف النصوص المولدة بالذكاء الاصطناعي على مستوى المنتج، وما الذي تعنيه النتيجة وما الذي لا تستطيع إثباته.
1. ما المهمة التي يحاول الكاشف تنفيذها؟
الهدف الأساسي هو تحليل نص وتقدير ما إذا كانت خصائصه أقرب إلى أنماط موجودة في الكتابة البشرية أو في نصوص مولدة أو معدلة بواسطة نماذج AI.
هذه عملية Classification احتمالية، وليست فحصًا جنائيًا لهوية الكاتب.
2. تجهيز النص
قبل التحليل قد تمر المدخلات بخطوات فنية مثل:
- استخراج النص من الملف المدعوم.
- تنظيف عناصر تقنية غير لازمة.
- التعرف على اللغة أو نوع النص عندما تحتاج الوظيفة ذلك.
- تقسيم النص إلى وحدات مناسبة للتحليل.
جودة النص المستخرج من PDF أو OCR قد تؤثر في النتيجة.
3. التحليل
قد يعتمد الكشف على نموذج أو أكثر من نماذج التصنيف والتعلم الآلي التي تتعلم فروقًا إحصائية ولغوية بين مجموعات نصوص بشرية وآلية.
لا نعتمد في تفسيرنا العام على فكرة أن هناك «كلمة سحرية» تثبت أن النص AI. القرار ينتج عادة عن مجموعة إشارات.
4. النتيجة
عندما تعرض الأداة Score أو تصنيفًا، فهو تقدير للنص داخل نموذج الكشف الحالي. لا يعني:
- نسبة الكلمات التي ثبت أن AI كتبها.
- هوية الشخص الذي كتب النص.
- أن ChatGPT تحديدًا هو المصدر.
- أن الطالب أو الكاتب خالف سياسة معينة.
- أن النص منتحل.
5. تحليل المقاطع
إذا وفرت الأداة Highlighting على مستوى الجملة أو المقطع، يجب استخدامه لتحديد المواضع التي تستحق المراجعة لا باعتباره إثباتًا منفصلًا لكل جملة.
6. النص العربي
العربية ليست نوعًا واحدًا من النصوص. الأداء قد يختلف بين:
- العربية الفصحى الحديثة.
- الكتابة الأكاديمية.
- اللهجات.
- النص العربي/الإنجليزي المختلط.
- النص المترجم.
لذلك لا نعتبر نتيجة على الفصحى دليلًا تلقائيًا على مستوى الأداء نفسه في جميع اللهجات.
7. طول النص
النصوص الأطول والمترابطة توفر عادةً إشارات أكثر من الجمل القصيرة أو CTA أو العناوين. النص القصير يجب تفسيره بدرجة تحفظ أكبر.
8. نوع المحتوى
المقال والبحث الأكاديمي ووصف المنتج والـReview والمنشور الاجتماعي ليست بيئات متساوية. القوالب والمراجع والجداول والكود قد تحتاج إلى معالجة أو تفسير منفصل.
9. النص المختلط وAI-assisted writing
قد يكتب الإنسان النص ثم يستخدم AI للتدقيق أو إعادة الصياغة، أو قد يولد AI مسودة يعيد الإنسان تحريرها. هذه الحالات لا يمكن اختزالها دائمًا في Human/AI ثنائي بسيط.
10. تحديد النموذج المصدر
AI Detection العام مختلف عن Model Attribution. لا نصف نتيجة عامة بأنها إثبات أن النص جاء من ChatGPT أو Gemini أو Claude أو DeepSeek.
11. لماذا يمكن أن تحدث False Positives؟
- أسلوب رسمي أو شديد الانتظام.
- النص الأكاديمي.
- القوالب.
- نص قصير.
- الترجمة.
- AI polishing لنص بشري.
- مجال غير ممثل جيدًا في التدريب.
12. كيف نقيم الأداة؟
لا يكفي قياس Accuracy وحدها. نستخدم أو نوصي بمقاييس مثل Precision وRecall وF1 وFalse Positive Rate وFalse Negative Rate، مع فصل النتائج حسب اللغة والمجال والطول عندما تكون البيانات كافية.
13. تحديثات النموذج
قد تتغير النتيجة بعد تحديث نموذج الكشف. لهذا نوثق التغييرات المهمة في سجل التحديثات.
14. الاستخدام الصحيح
- استخدم نصًا كافيًا.
- راجع جودة النص المستخرج من الملفات.
- اقرأ Score باعتبارها إشارة احتمالية.
- راجع المقاطع إن كانت متاحة.
- أدخل سياق الكتابة: لغة، مجال، تحرير، ترجمة.
- استخدم أدلة أخرى للقرارات الحساسة.
15. ما الذي لا ندعيه؟
- لا ندعي دقة 100%.
- لا ندعي اكتشاف كل نموذج وكل لغة بالمستوى نفسه.
- لا ندعي تحديد هوية الكاتب.
- لا ندعي أن Score تثبت سوء السلوك.
- لا ندعي أن AI Detection هو Plagiarism Detection.
للمزيد راجع دقة كاشف الذكاء الاصطناعي وسياسة الاختبارات والمراجعات.
آخر تحديث: 23 أغسطس 2026