Turnitin وOpenAI تخسران المعركة: لماذا لم تعد كاشفات الذكاء الاصطناعي تميّز البشر عن النماذج

وصلت النماذج اللغوية إلى مرحلة صار فيها من الصعب أكثر فأكثر أن نعرف من نص واحد هل كتبه إنسان أم آلة. لذلك تتحول كاشفات الذكاء الاصطناعي إلى مرشِّح ضعيف: فهي تُمرِّر النصوص الاصطناعية، وتخطئ في الوقت نفسه بحق الكتّاب الحقيقيين بوتيرة متزايدة.

لماذا تشبه النماذج البشر

لم يمضِ وقت طويل على الاعتقاد بأن النص الآلي يمكن التعرف عليه من نعومته المعقَّمة وتكرار العبارات وبنيته الصحيحة أكثر من اللازم. لكن نماذج LLM الحديثة ابتعدت كثيرًا عن مبدأ «خمِّن الكلمة التالية» البدائي. فوق التنبؤ اللغوي الأساسي، ظهرت آليات تساعد على الحفاظ على المعنى ومحاكاة النبرة وتكييف الإجابة مع جمهور محدد. فالنموذج لا يتعلم الكلام المترابط فحسب، بل يتعلم أيضًا أن يبدو كإنسان يكتب بحثًا دراسيًا، أو يتجادل في دردشة، أو يشرح موضوعًا لزميل.

وتتضافر في ذلك عدة طبقات. فنقل الأسلوب يساعد على إعادة إنتاج طريقة الكتابة الفردية، ويصقل fine-tuning الكلام على أمثلة حقيقية، ويستفيد inference من سياق المحادثة، ويضبط RLHF الإجابات وفق توقعات البشر في المنطق واللباقة والطبيعية. والنتيجة أن المسافة القديمة بين النص «الآلي» والنص «البشري» تختفي. فقد يكون النموذج جافًا وأكاديميًا، أو عاميًّا وغير منتظم، أو حتى فظًّا عن قصد إذا كان هذا الأسلوب أقدر على المرور كحديث بشري حي.

أين تنهار الكاشفات

في ظل ذلك، تفقد الكاشفات نفسها ما تستند إليه. فقد أظهرت دراسة أُجريت عام 2025، ويستند إليها كاتب المادة الأصلية، نتيجة شبه متعادلة: إذ حدّد البشر والخوارزميات النصوص المولَّدة بالذكاء الاصطناعي بدقة نحو 57%. وهذا لم يعد أداة رقابة، بل أقرب إلى رمي عملة.

ومشكلة أخرى قائمة بذاتها: يمكن تمرير النص عبر إعادة صياغة إضافية، فتُمحى الآثار الإحصائية للتوليد أكثر. وكلما أتقنت النماذج إعادة كتابة نفسها، ساء أداء الأنظمة التي تبحث عن التواقيع القديمة.

«GPT أم ليس GPT؟» — كثيرًا ما يُختزل الفحص اليوم في هذا السؤال تحديدًا.

• في الدراسات، تقترب دقة الكشف أكثر فأكثر من التخمين العشوائي.
• تُزيل إعادة الصياغة المتكررة النمطية وقابلية التنبؤ وغيرها من علامات التوليد الظاهرة.
• تضرّ الإيجابيات الكاذبة بالكتّاب الحقيقيين أكثر مما تضرّ بمن يستخدمون الذكاء الاصطناعي على نطاق واسع.
• أغلقت OpenAI أداة AI Classifier الخاصة بها بعد نتائج ضعيفة: فقد كانت الأداة ترصد نحو 26% من النصوص المولَّدة.

أشد الآثار إيلامًا هي الأخطاء بحق البشر. ففي عام 2023 في الولايات المتحدة، أصابت حادثة شهيرة مع Turnitin طالبة مدرسة، إذ صنّف النظام مقالها تقريبًا بالكامل ضمن أعمال الذكاء الاصطناعي. وأظهر فحص مستقل لاحقًا أن الكاشف نفسه بعيد عن الخلو من الأخطاء، وأنه لا يتعرف إلا على جزء من النصوص الآلية. وهذا اللاتناظر خطير: فقد يمرّ المولِّد دون أن يُكتشف، بينما يتلقى الكاتب الأمين ضربة لسمعته. وحين يتعلق الأمر بشهادة جامعية أو منشور علمي أو تقييم مهني، يصبح ثمن الخطأ الواحد باهظًا للغاية.

ما الذي ينبغي تغييره الآن

الخلاصة الرئيسية للتعليم والعلم بسيطة: لا ينبغي فحص النص النهائي وحده، بل مسار ظهوره كاملًا. فكلما كافأ النظام الحجم والبنية الشكلية و«الحشو» الإداري، سهل خداعه باستخدام LLM. ولذا يصبح من الأجدى نقل التركيز إلى المناقشة الشفهية، والمسودات، وسجل التعديلات، وجودة المصادر، وقابلية إعادة إنتاج الاستنتاجات، وقدرة الكاتب على شرح حجته دون ورقة غش. وحيثما يلزم إظهار فهم الموضوع، لا مجرد تقديم كمٍّ كبير من النص المتسق، تقلّ مساحة النموذج للاستبدال غير الملحوظ.

وخارج الوسط الأكاديمي، لا تقل المشكلة عمليةً. فالكاشفات الضعيفة لا توقف التضليل الإعلامي، وتكاد تكون عديمة النفع ضد الهندسة الاجتماعية، حيث تهمّ السرعة والنطاق والنبرة المقنعة. لذلك تحتاج هيئات التحرير والشركات والمراسلات العادية إلى تحقق حقيقي، لا إلى «ماسح سحري للذكاء الاصطناعي»: التحقق من الوقائع عبر عدة مصادر، وتأكيد الهوية عبر قناة ثانية، والانتباه إلى الرسائل السريعة جدًا والمصقولة جدًا. فالنص السلس قد يكون إشارة، لكنه ليس دليلًا، وهذا بالضبط ما يعيد التحقق البشري إلى موقع المركز.

ماذا يعني ذلك

لم يعد ممكنًا النظر إلى كاشف الذكاء الاصطناعي بوصفه قاضيًا يصدر حكمًا نهائيًا على النص. وغاية ما يمكن اعتباره مؤشرًا مساعدًا. فالثقة تنتقل الآن من سطح النص إلى أصله وعملية إنتاجه وقدرة الكاتب على إثبات أنه يفهم حقًا ما كتبه.