الأوراق العلمية المصاغة بثقة تؤثر في أحكام الذكاء الاصطناعي، بصرف النظر عن جدارتها

الثقة ميزة تطورية واضحة، وهي، وفقًا لورقة بحثية جديدة من ألمانيا، ميزة أيضًا عند مراجعة ورقة علمية بواسطة نماذج اللغة الكبيرة (النماذج اللغوية الكبيرة) بدلًا من أقران المؤلف؛ وهو أمر تزداد الحاجة إليه، إذ إن عدد الأوراق العلمية يتضخم بفضل مكاسب الإنتاجية التي يحققها الذكاء الاصطناعي.

تخلص الدراسة الجديدة إلى أن مراجعي الذكاء الاصطناعي، أي المراجعين غير البشريين، يمنحون باستمرار درجات أعلى للأوراق العلمية المكتوبة بلغة واثقة وحازمة، حتى عندما يكون البحث الكامن وراءها مطابقًا لبحوث أوراق صيغت بنبرة أقل ثقة. وفي بعض الحالات، يكفي تغيير الصياغة وحدها لتحويل الرفض إلى قبول.

ويقول المؤلفون:

‘تكشف تجاربنا عن تفضيلات ملحوظة لدى مراجعي النماذج اللغوية الكبيرة لصالح [papers] استخدام لغة تنم عن ثقة عالية. والأهم أن هذه التفضيلات تؤدي في كثير من الأحيان إلى تغيير القرار عند الحد الفاصل بين القبول<>والرفض، ما يؤثر مباشرة في نتائج المراجعة.

‘وبعيدًا عن الدرجات، وجدنا أن الجوانب التي تتناولها المراجعات تختلف من حيث تواترها ونبرتها تبعًا للسمات اللغوية للورقة، ما قد يؤثر في القرارات النهائية.’

المفارقة أن الظاهرة التي يحددها المؤلفون تشبه إلى حد كبير الطريقة التي قد يكون بها الذكاء الاصطناعي ‘واثقًا من خطئه’ عند الرد على مطالباتنا واستفساراتنا؛ لكن القرار هنا بشري، والمسؤولية الفردية والجماعية حقيقية، سواء أكان العلماء المشاركون في إعداد هذه الأوراق يؤمنون فعلًا بادعاءاتهم أم لا.

إذا أخذ الذكاء الاصطناعي يقرر على نحو متزايد أي الأوراق العلمية تُنشر، فقد يتعلم العلماء أن «يبدوا أكثر ثقة» بوصف ذلك تكتيكًا تنافسيًا، وربما يفعلون ذلك خصوصًا عندما تكون أوراقهم المقدمة معيبة؛ وقد يتيح هذا للبحوث العلمية الأضعف موطئ قدم لا تستحقه في الحيز المتاح للاهتمام، الذي يتناقص باستمرار.

التبجح طريقًا إلى النصر

وفقًا لـالدراسة*، كان مراجعو الذكاء الاصطناعي أميل إلى الإشادة بمناهج الأوراق المكتوبة بثقة ونظرياتها وإسهاماتها العلمية، حتى عندما كانت هذه مطابقة لما ورد في نسخ أقل حزمًا. وفي اختبارات المؤلفين، أُعيدت صياغة 504 أوراق علمية بأساليب مختلفة، ثم قيّمتها ستة نماذج للذكاء الاصطناعي، منها GPT-5.5 وClaude Sonnet 4.6 وGemini 3.5 Flash. وكان من الضروري إنشاء نسخ اصطناعية/معدلة من الأوراق كي لا تؤثر غرائب وسمات الأوراق الحقيقية المقدمة في النتائج:

أمثلة على المقطع العلمي نفسه بعد إعادة صياغته بأربعة أساليب مختلفة. وتحدد التظليلات الملونة التغييرات التي تهدف إلى جعل النص يبدو أكثر أو أقل ثقة، أو أقرب إلى الإنجليزية الأكاديمية التي يكتبها متحدثون أصليون أو غير أصليين. ومع ذلك، ظلت النتائج والأرقام الأساسية دون تغيير. المصدر

اختيرت الأوراق من بين المشاركات المقدمة إلى مؤتمر ICLR لعام 2026، وضمت أعدادًا متساوية من الأوراق المقبولة والمرفوضة. ثم أعاد Claude Opus 5 صياغة كل ورقة مقدمة لتبدو أكثر أو أقل ثقة^†، مع إبقاء المحتوى العلمي دون تغيير، بما يتيح عزو الاختلافات في مراجعات الذكاء الاصطناعي إلى أسلوب الكتابة، أي إلى تفاوت مستوى الثقة المعبر عنه.

أظهرت النتائج أن مراجعي الذكاء الاصطناعي منحوا درجات أعلى للأوراق العلمية المكتوبة بلغة واثقة، حتى عندما كانت الأدلة متطابقة. وسجل Claude Sonnet 4.6 أقوى تحيز، إذ فضّل النسخ الواثقة بمعدل يفوق سبعة أضعاف تفضيله للنسخ الحذرة. وفي 21% من الحالات، أوصى بقبول ورقة مكتوبة بثقة، بينما أوصى برفض نسخة صيغت بحذر أكبر من الورقة نفسها.

وتقول الدراسة الجديدة:

‘تثير نتائجنا مخاوف مهمة بشأن استخدام النماذج اللغوية الكبيرة في مراجعة الأقران. فإذا حصلت أوراق متكافئة في المحتوى على درجات وتعليلات مراجعة مختلفة لمجرد اختلاف خصائصها اللغوية، فإن أحكام المراجعين لا تعكس الجودة العلمية وحدها.

‘لذلك، ينبغي إخضاع مراجعي النماذج اللغوية الكبيرة لاختبارات ضغط باستخدام صيغ مختلفة تحافظ على المحتوى، للتحقق مما إذا كانت التغييرات اللغوية تؤثر بصورة منهجية في تقييماتهم.’

ويمضي المؤلفون إلى اقتراح أن تتناول هذه الاختبارات صراحةً درجات الأوراق ومراجعاتها المكتوبة معًا، لتحديد ما إذا كانت اللغة الواثقة تُفهم خطأً على أنها دليل علمي أقوى.

المنهجية

اختير ما مجموعه 504 أوراق علمية من المشاركات المقدمة إلى المؤتمر الدولي للتعلم التمثيلي (ICLR) لعام 2026. وقُسمت العينة بالتساوي بين الأوراق المقبولة والمرفوضة، مع اختيار 24 ورقة مقدمة من كل فئة من فئات الأبحاث الـ21 في المؤتمر:

طريقة الاختبار ذات المراحل الثلاث. أُعيدت صياغة الأوراق العلمية لتغيير مستوى إتقان اللغة الإنجليزية الظاهر أو درجة الثقة في التعبير، مع الحفاظ على نتائجها؛ ثم دُققت الصياغات المعدلة للتحقق من التغييرات في الأسلوب والمعنى قبل تقييمها من مراجعين يعملون بالذكاء الاصطناعي في ظروف متطابقة؛ وبعد ذلك قورنت الفروق بين درجات المراجعة.

أُخفيت هوية مؤلفي كل ورقة، وأُعيدت صياغتها باستخدام Claude Opus 5 لإنتاج نسخ بديلة تتيح اختبار كل من درجة الثقة التي عُبّر بها عن الادعاءات، ومستوى إتقان الكاتب للغة الإنجليزية كما يبدو من النص. وفي اختبارات الثقة، صيغت العبارات إما بلهجة أكثر جزمًا أو بتحفظ أكبر. واستُخدمت كلمات توحي باليقين، مثل «بوضوح» و«بالتأكيد»، بوتيرة أكبر في النسخ «الواثقة»، في حين فُضّلت تعبيرات تفيد التحفظ، مثل «قد» و«يشير إلى»، في المسودات الأكثر حذرًا.

في جميع الحالات، ظلت الادعاءات العلمية والأدلة والنتائج والمصطلحات التقنية والبنية العامة من دون تغيير. ويشير المؤلفون إلى أن تعليمات إعادة الصياغة استندت إلى أبحاث لغوية راسخة، لا إلى طلبات عامة لمحاكاة أساليب كتابة بعينها.

التحقق من الصياغات المعدلة

لأغراض التحقق، قورنت كل صياغة معدلة بنصها الأصلي باستخدام التشابه الدلالي، الذي يقيس مدى احتفاظ المقاطع بمعناها؛ وبمقياس تشابه TF-IDF (الذي يقيس مدى الحفاظ على المفردات والمصطلحات). واقتربت درجتا المقياسين من 1، ما يؤكد شدة التشابه مع النصوص الأصلية:

التحقق من الأوراق المعاد صياغتها. استخدمت النسخ الواثقة لغة أكثر جزمًا، بينما عبّرت النسخ الحذرة عن قدر أكبر من عدم اليقين. وتؤكد الدرجات التي تقترب من 1 شدة التشابه مع النصوص الأصلية، فيما تبرز الألوان القيم الأعلى لكل مقياس مستهدف.

اختُبر ستة مراجعين يعملون بالذكاء الاصطناعي: نماذج مملوكة هي GPT-5.5؛ وClaude Sonnet 4.6؛ وGemini 3.5 Flash؛ ونماذج مفتوحة الأوزان هي Gemma 3؛ وQwen3 VL؛ وGLM 4.7. واختيرت هذه النماذج جزئيًا لأن تواريخ انقطاع معرفتها جميعًا تسبق عام 2026، ما يقلل خطر امتلاكها معرفة مسبقة بقرارات قبول الأوراق أو رفضها.

خضعت كل ورقة معاد صياغتها لمراجعة مستقلة وفق إرشادات تحاكي أسلوب المؤتمرات. ولتحديد مدى تفاوت الدرجات بين التقييمات المتكررة، راجع كل نموذج عشر أوراق اختيرت عشوائيًا عشر مرات.

النتائج

اختبرت التجارب ما إذا كان المراجعون الستة المختارون من أنظمة الذكاء الاصطناعي سيميلون باستمرار إلى تفضيل أساليب كتابة بعينها، وقارنت بين أوراق كُتبت بلغة «واثقة» وأخرى «حذرة»، وبين أوراق تحاكي الإنجليزية الأكاديمية التي يكتبها متحدثون أصليون أو غير أصليين^†.

نتائج مقارنة درجات مراجعة الذكاء الاصطناعي لـ504 أوراق علمية أُعيدت صياغتها بأساليب مختلفة. توضح نسب التفضيل أي النسختين نالت درجة أعلى، مع بيان حالات التعادل بين قوسين؛ وتوضح النسب كم مرة زاد تفضيل إحدى النسختين على الأخرى؛ أما حالات تبدل القرار فتبيّن كم مرة أدى تغيير الصياغة إلى قلب قرار القبول أو الرفض. وتشير القيم الإحصائية المكتوبة بخط عريض إلى فروق ذات دلالة إحصائية. والقسم المعني هو القسم السفلي، إذ لا تتناول هذه المقالة الفرضية الواردة في القسم العلوي (انظر الهوامش).

فضّل المراجعون الستة العاملون بالذكاء الاصطناعي الكتابة الواثقة باستمرار. وكان Claude Sonnet 4.6 الأكثر تفضيلًا لها؛ إذ منح، كما ذُكر سابقًا، المسودات «الواثقة» درجات أعلى بمعدل سبع مرات مقارنة بالمسودات «الحذرة».

اعتُبرت الورقة مقبولة إذا بلغت درجتها 4.5 من 10، لكن تغييرات أسلوب الكتابة دفعت أحيانًا بالورقة نفسها إلى ما فوق هذه العتبة أو دونها، ما قلب القرار؛ وكانت هذه التغييرات تميل عمومًا إلى تفضيل الكتابة الواثقة.

كان أداء Claude Sonnet 4.6 سيئًا على نحو خاص؛ إذ قبل النسخة «الواثقة» ورفض النسخة «الحذرة» في 21% من الحالات. ولم يحدث العكس إلا في 2.8% من الحالات.

ظهر هذا التأثير أيضًا في المراجعات المكتوبة، إذ كان مراجعو الذكاء الاصطناعي أكثر ميلًا إلى الإشادة بمنهجية الورقة ونظرياتها وإسهاماتها العلمية عندما صيغت ادعاءاتها بثقة. وبما أن البحث نفسه لم يتغير، فلا يمكن عزو هذه التقييمات الأكثر إيجابية إلا إلى اختلاف طريقة العرض والنبرة.

الخلاصة

كلما استخدم البشر الذكاء الاصطناعي لزيادة نسبة الإشارة إلى الضوضاء، ولو عن غير قصد، جُرّب الذكاء الاصطناعي بوصفه حلًا، وهنا للتعامل مع الزيادة الكبيرة في طلبات نشر الأبحاث المتعلقة بالذكاء الاصطناعي؛ وهي طفرة عزّزت مؤخرًا نفوذ Arxiv في ضبط قبول الأبحاث ومعاييره. لكن لا بد أن يكون واضحًا الآن أن النماذج اللغوية الكبيرة المتقدمة، وجميع مستويات النماذج الأدنى منها، لا تزال تنطوي على غرائب كثيرة جدًا تحول دون إمكان الوثوق بها عمومًا بوصفها حَكَمًا، إلا في أكثر الظروف صرامةً من حيث تحديد المعايير.

في مثل هذه الحالات، ربما يكون تحويل النماذج اللغوية الكبيرة الأصغر حجمًا إلى أدوات تحكيم مخصصة عبر الضبط الدقيق أو محولات LoRA منخفضة الرتبة فكرة أفضل. غير أن ذلك يتطلب بذل جهد إضافي ولو قليلًا، إن لم يتطلب استثمارًا إضافيًا ولو بسيطًا، في حين أن تثبيت النماذج المحلية «الأساسية» أو استدعاء واجهات برمجة التطبيقات أسرع وأقل تكلفة نسبيًا.

ومع ذلك، قد تحظى هذه الورقة الموجزة إلى حد كبير باهتمام يفوق المتوسط لدى المستخدم النهائي للنماذج اللغوية الكبيرة، إذ سيكون معتادًا على «الحماسة» بوصفها مشكلة ينبغي له الالتفاف حولها كي يعمل بفاعلية مع الذكاء الاصطناعي؛ وإذا تعذر حتى الآن إصلاح هذه المشكلة وما يماثلها من مشكلات النماذج اللغوية الكبيرة، فيمكن على الأقل أخذها في الحسبان.

قبل أن نتخذ نبرة ساخرة أكثر من اللازم إزاء هذا النوع من المساواة السطحية عند تقييم الذكاء الاصطناعي، يجدر بنا أن نتذكر أن هذه الأنظمة تائهة مثلنا تمامًا حين يتعلق الأمر بنظرية المعرفة—أي البحث عن مرجعية حاسمة؛ فنحن أيضًا، عبر التاريخ، كثيرًا ما نخلط بين الإشارة والشيء نفسه.

* بعنوان «الأسلوب على حساب المضمون؟ التحيز اللغوي في مراجعة الأقران القائمة على النماذج اللغوية الكبيرة»

^† أو لمحاكاة الإنجليزية الأكاديمية التي يكتبها متحدثون أصليون أو غير أصليين — وهي فرضية موازية لم تتمكن الورقة من إثباتها بالقدر نفسه من الفاعلية، ولا يتناولها هذا المقال.

نُشر لأول مرة يوم الثلاثاء، 27 أكتوبر 2026