باحث يفحص 7.1 مليون ورقة علمية بحثًا عن صور مكررة وأخطاء في البيانات
لا تستطيع المجلات العلمية مطابقة كل صورة وكل جدول، ولذلك قد تمر صورة هلام واحدة على أنها نتيجة تجارب مختلفة. وقد نزّل باحث من Metascience Observatory نحو 42.9 مليون صورة من 7.1 مليون ورقة في Europe PMC، ويبحث بينها عن الصور المكررة. كما رصد في 500 ألف ملف بيانات أكثر من 200 ورقة تتضمن شذوذًا، بينها أوراق في Nature. وتتولى السكربتات البرمجية البحث عن الحالات المشتبه بها، بينما يكتفي الذكاء الاصطناعي بتصفيتها، وهو نهج أكثر موثوقية من أن نطلب من النموذج العثور على كل الأخطاء.
معالج بواسطة الذكاء الاصطناعي من X: @moreisdifferent؛ بتحرير Hamidun News
تقوم المجلات العلمية على المراجعين، لكنهم لا يملكون الوقت فعليًا لمطابقة كل صورة وكل جدول. ولهذا قد تظهر صورة الهلام أو المجهر نفسها في ورقتين على أنها نتيجة تجارب مختلفة، وقد تحتوي جداول البيانات على صفوف منسوخة. وقد حصل الباحث الذي يدير حساب @moreisdifferent ومنظمة Metascience Observatory غير الربحية على تمويل عبر Lightcone Commons، وشرع في فحص هذه الأمور على نطاق واسع. وهذه أرقام حجم العمل: نزّل 42.9 مليون صورة من 7.1 مليون ورقة جُمعت في قاعدة Europe PMC (وهي أرشيف مفتوح للمنشورات الطبية الحيوية)، ويحلل على حدة نحو 500 ألف ملف بيانات مرفقة بالأوراق. وجوهر نهجه أنه لا يطلب من الشبكة العصبية «العثور على كل الأخطاء في الورقة».
ما الذي يجري فحصه تحديدًا
يتضمن المشروع مسارين. الأول هو الصور. فقد كتب المؤلف أداة تبحث عن إعادة استخدام الصور بشكل غير مشروع، سواء داخل الورقة الواحدة أو بين أوراق مختلفة. وفي تجارب أولية على بضعة آلاف من الأوراق عُثر بالفعل على 40 حالة، ونشرها على PubPeer، وهو موقع يناقش فيه العلماء الأوراق علنًا بعد صدورها.
أما المسار الثاني فهو ملفات البيانات، أي الجداول والقياسات الخام. وتبحث فيها أدوات متخصصة عن الشذوذ والقيم المكررة اصطناعيًا. ويذكر المنشور الأصلي أكثر من 100 مشكلة مرصودة، بينما يتحدث نص المشروع عن أكثر من 200 ورقة تعاني مشكلات في البيانات. ويبدو أن الرقمين يعودان إلى مراحل مختلفة من الفحص، وأنهما ما زالا قيد التحديث. وقد صدرت كثير من هذه الأوراق في مجلات كبرى: Nature وNature Communications وScientific Reports وScience Advances. ويراجع المؤلف النتائج يدويًا في الوقت الحالي.
لماذا لا يكفي «سؤال النموذج»
يرى المؤلف أن الذكاء الاصطناعي يلاحظ المشكلات الدقيقة بشكل سيئ في وضعه الافتراضي: مقاطع الصور المتكررة، والسلاسل الرقمية المتشابهة على نحو مريب، والأخطاء في الحسابات. لذلك تتولى سكربتات عادية البحث عن الحالات المشتبه بها، ثم يأتي دور النموذج لاحقًا ليستبعد الإنذارات الكاذبة ويرتب النتائج حسب أهميتها. وهذه الصيغة واضحة للمطورين. تخيّل أنك تفحص سجلات النظام أو تقارير مالية: يلتقط الكود الحتمي المواضع المريبة، ويقرر نموذج LLM أيها يستحق العرض على إنسان.
ومن هذا النهج نشأت حزمة Forensic Metascience AI Toolkit المفتوحة المصدر، وهي منظومة معيارية يمكن بها تركيب سيناريوهات مختلفة لفحص الأوراق. ويزوّد مكوّن «tools agent» وكيل الذكاء الاصطناعي بمجموعة أدوات لفحص البيانات والحسابات. وقد استُمدت كثير من الأساليب من كتاب جيمس هيذرز «An Introduction to Forensic Metascience». ويمكن تشغيل كل ذلك فوق اشتراكات Claude Code وCodex وGrok Build وAntigravity. ويعتبر المؤلف المشروع بديلًا أرخص، وأعلى جودة كما يأمل، من الخدمات المدفوعة لفحص الأوراق. ولإثبات ذلك يعد مجموعات مرجعية فيها أخطاء معروفة مسبقًا، ويريد أن يقارن أي الأدوات تكشف أي أنواع من المشكلات.
وثمة تفصيل هندسي مفيد أيضًا. فقد صنع المؤلف حزمة Python لتنزيل الأوراق بطريقة قانونية. وكثيرًا ما يمكن الحصول على XML/JATS (صيغة للورقة يمكن للآلة قراءتها) حتى حين لا يتوفر PDF، والذكاء الاصطناعي يقرأ الجداول من XML أسهل مما يقرأها من PDF. ويجمع الخيار --fetch-everything كل ما يتصل بالورقة: XML وPDF والكود والملاحق ومجموعات البيانات المرتبطة. وتعثر الحزمة على روابط هذه المواد عبر واجهات API مختلفة واستدعاء واحد لنموذج LLM يمر على نص الورقة.
كيف يتعامل مع النتائج وما حدود المشروع
ينشر المؤلف جزءًا من النتائج على PubPeer. أما الحالات الأخطر فيراسل بشأنها المؤلفين ومحرري المجلات قبل الإعلان العلني، ليتاح لهم مجال للرد. ويشدد على أنه لا ينبغي أن يُقرأ أي تقرير على أنه اتهام بالتعمد، فتكرار البيانات قد يحدث عن غير قصد أيضًا.
والقيود واضحة. فكل حالة يجب أن يؤكدها إنسان، والمجموعات المرجعية للتقييم لا تزال قيد الإعداد، وتدفق النتائج ينمو بالفعل أسرع مما يستطيع شخص واحد مراجعته. لذلك يبحث المؤلف عن متطوعين لمراجعة النتائج عبر تطبيق ويب مخصص يتضمن مسودات رسائل، وعن مبرمجين للجزء المفتوح من المشروع، وعن زملاء لديهم مهام مشابهة لتقاسم العمل.
والخلاصة العملية لمن يبني وكلاء ذكاء اصطناعي: إذا كانت المهمة تتطلب الدقة، فإن موجِّهًا واحدًا كبيرًا رهان سيئ. والأوثق أن تجمع مجموعة أدوات ضيقة تعثر على الحالات المشتبه بها، وتترك للنموذج دور المصفّي والمرتِّب. والمبدأ نفسه يصلح لتدقيق التقارير والسجلات والبيانات السريرية.
- 21 نوفمبر 2026Anthropic تُنهي أسبوعها الأول في البورصة بتقييم 1.6 تريليون دولار، لكن سهمها هبط 8.5% في يوم واحد
- 21 نوفمبر 2026Thinking Machines تطلق Inkling 2 Mini: 26 مليار معامل و20.1 نقطة في مؤشر AA Index
- 21 نوفمبر 202615 وكيلًا فرعيًا من Claude Code كتبوا نظامًا لورشة إنتاج، ويتولى الإصدار وكيلٌ لا يملك صلاحية تعديل الكود
- 21 نوفمبر 2026رياضي في Anthropic يعلن: Claude ساعد في إثبات فرضية ريمان خلال 6 أسابيع
أسئلة وأجوبة حول الخبر
ما أبرز التفاصيل حول ما الذي يجري فحصه تحديدًا؟
يتضمن المشروع مسارين. الأول هو الصور. فقد كتب المؤلف أداة تبحث عن إعادة استخدام الصور بشكل غير مشروع، سواء داخل الورقة الواحدة أو بين أوراق مختلفة. وفي تجارب أولية على بضعة آلاف من الأوراق عُثر بالفعل على 40 حالة، ونشرها على PubPeer، وهو موقع يناقش فيه العلماء الأوراق علنًا بعد صدورها. أما المسار الثاني فهو ملفات البيانات، أي الجداول والقياسات الخام. وتبحث فيها أدوات متخصصة عن الشذوذ والقيم المكررة اصطناعيًا.
ما أبرز التفاصيل حول لماذا لا يكفي «سؤال النموذج»؟
يرى المؤلف أن الذكاء الاصطناعي يلاحظ المشكلات الدقيقة بشكل سيئ في وضعه الافتراضي: مقاطع الصور المتكررة، والسلاسل الرقمية المتشابهة على نحو مريب، والأخطاء في الحسابات. لذلك تتولى سكربتات عادية البحث عن الحالات المشتبه بها، ثم يأتي دور النموذج لاحقًا ليستبعد الإنذارات الكاذبة ويرتب النتائج حسب أهميتها. وهذه الصيغة واضحة للمطورين. تخيّل أنك تفحص سجلات النظام أو تقارير مالية: يلتقط الكود الحتمي المواضع المريبة، ويقرر نموذج LLM أيها يستحق العرض على إنسان.
ما أبرز التفاصيل حول كيف يتعامل مع النتائج وما حدود المشروع؟
ينشر المؤلف جزءًا من النتائج على PubPeer. أما الحالات الأخطر فيراسل بشأنها المؤلفين ومحرري المجلات قبل الإعلان العلني، ليتاح لهم مجال للرد. ويشدد على أنه لا ينبغي أن يُقرأ أي تقرير على أنه اتهام بالتعمد، فتكرار البيانات قد يحدث عن غير قصد أيضًا. والقيود واضحة. فكل حالة يجب أن يؤكدها إنسان، والمجموعات المرجعية للتقييم لا تزال قيد الإعداد، وتدفق النتائج ينمو بالفعل أسرع مما يستطيع شخص واحد مراجعته.
Build & Ship Production AI Agents Without Boilerplate Code
Start your free 72-hour trial at Hamidun Academy (academy.hamidun.com) — interactive lessons on Claude Code & Cursor, live Tech Radar, and production agent templates.
أهم ما في عالم الذكاء الاصطناعي — مرة كل أسبوع
سبع قصص مهمة فعلاً هذا الأسبوع، مختارة بعناية. بلا ضجيج ولا بيانات صحفية.
تم! تحقق من بريدك للتأكيد.