اكتشاف أفكار الذكاء الاصطناعي، وليس نص الذكاء الاصطناعي

ماذا لو كان هناك كاشف نصوص ذكاء اصطناعي يمكنه التعرف على أنك كتبت شيئًا بناءً على فكرة قدمها لك الذكاء الاصطناعي – حتى لو كان كل الكتابة الفعلية (أي النص) عملك الأصلي؟

جميعنا نعرف كاشفات نصوص الذكاء الاصطناعي التي تُحرج المشاهير والسياسيين، من بين آخرين – خوارزميات درست خصائص النصوص التي ينتجها الذكاء الاصطناعي ويمكنها تمييز تلك الأنماط عندما تظهر.

هذه الحالات تمثل تفويضًا بسيطًا لمهمة التواصل، حيث نماذج اللغة مثل ChatGPT وGoogle Gemini تتنبأ بالكلمة التالية الأكثر احتمالًا في استجابة لمطالبة المستخدم – ليس بأخذ خطوة للوراء والنظر إلى اللوحة الواسعة للمشكلة أو الفرضية أولاً، بل مجرد تخمين الكلمة الأكثر احتمالًا.

مع ذلك، هذه الرقعة المتقطعة من التنبؤات تُنتج في النهاية بنية أساسية، وفقًا لأبحاث حديثة: الحاجة إلى أن تكون أقسام النص المتجاورة متسقة وذات صلة ببعضها البعض تُسبب تطور توقيع فريد في ‘المخطط’ أو الأبعاد العليا للعمل – الذي يمكنه تمييز يد الذكاء الاصطناعي حتى عندما يُعاد كتابة النص بشكل واسع لجعله يبدو بشريًا:

الشكل العالي الأبعاد المميز للكتابة تحت نماذج اللغة المختلفة، وعلى اليسار – كتابة بشرية خالصة. المصدر

استهداف توليد الأفكار بالذكاء الاصطناعي

تقدم تعاون أكاديمي جديد بقيادة جامعة ميريلاند خطوةً إضافية، من خلال تقديم منهجية يمكنها اكتشاف ما إذا كانت الأفكار نفسها نشأت من الذكاء الاصطناعي، بغض النظر عن من كتب الكلمات في النهاية.

النهج، المسمى IdeaLens والمدرب على مليون مخطط مستخرج من مستندات الويب، يركز على تقليل كل مستند إلى مخطط يحافظ على الأفكار مع إزالة الصياغة – ويأتي مع عرض تجريبي عبر الإنترنت:

على اليسار، أحد مقالاتي الخاصة يمر كإنسان في العرض التجريبي عبر الإنترنت، بينما يبدو أن مقالة أخرى قدمتها (كتبها مؤلف مختلف) قد تلقت مدخلات ذكاء اصطناعي كبيرة. المصدر

كما هو موضح في نتائج العرض التجريبي أعلاه، يمكن لطرق الكشف المستخدمة التمييز بين الأفكار البشرية والنص البشري، وبين الأفكار والكتابة التي ينتجها الذكاء الاصطناعي، وتقييمها بطريقة دقيقة ومتميزة – رغم أن الكاشفين تم تدريبهما على نفس المستندات، والملصقات، والهندسة الأساسية للنموذج، بينما صُمما لاكتشاف أشياء في الأساس معاكسة: أصل الأفكار، وأصل النص.

هذا النوع من الكشف، يشتبه البعض، قد يثير قلق عدد من فئات الكتاب، من كتاب الخطابات السياسية عبر الروائيون والكتاب العموديون، إلى جانب آخرين الذين، حتى الآن، قدّروا أسلوبهم الكتابي الخاص، ومع ذلك سمحوا للذكاء الاصطناعي بتغذية المواضيع الخاصة بهم.

أحد الأسباب التي تجعل نماذج اللغة الكبيرة من المرجح أن تنتج أفكارًا يمكن التعرف عليها (وبالتالي تتبعها) هو ليس فقط أن بعض المفاهيم والنصوص سيطرت إحصائيًا على بيانات التدريب غير المنقحة للنموذج، مما يجعلها أكثر احتمالًا للظهور في مجموعة أوسع من الطلبات؛ ولكن أيضًا لأن نماذج اللغة الكبيرة لديها هوس متكرر وغامض لا يبدو أنه يرتبط ببيانات تدريب محددة، ومع ذلك غالبًا ما تظهر دون دعوة.

يذكر المؤلفون*:

‘بينما تكشف كاشفات الذكاء الاصطناعي الحديثة عن من كتب الكلمات، فإن السياسات الناشئة بشأن استخدام الذكاء الاصطناعي تعتمد بشكل متزايد على سؤال مختلف: من وضع الأفكار؟ نحن نقدم IdeaLens، كاشف يحدد ما إذا كانت أفكار المستند جاءت من إنسان أو من الذكاء الاصطناعي (أصل الفكرة)، بغض النظر عن من كتب كلماته.’

‘لتركيز IdeaLens على الأفكار بدلاً من النص، نمثل المستندات كمخططات: قوائم من العناصر التي تقترن كل منها بدور خطاب مع وصف مختصر ومعاد صياغته للمحتوى، مما يقلل التداخل على مستوى الكلمات مع النص الأصلي.’

البيانات والطرق

تدعي الورقة أن الطريقة الجديدة يمكنها التعرف على الأفكار البشرية في المستندات التي يولدها الذكاء الاصطناعي (أي، شخص قال للذكاء الاصطناعي ‘اكتب لي مقالة عن هذا الموضوع‘)؛ ويمكنها أيضًا التعرف على أفكار الذكاء الاصطناعي في الكتابة البشرية (أي، شخص قال للذكاء الاصطناعي ‘اقترح شيئًا لأكتبه’).

نتائج الاختبار عبر أربع تركيبات من الأفكار والنصوص البشرية والذكاء الاصطناعي. جميع الكواشف الأربعة تعمل بقوة عندما تتشارك الأفكار والنصوص نفس الأصل، لكنها تنحرف بشكل حاد عندما يكون الأصل مختلطًا: يعرّف IdeaLens بشكل صحيح 94.7٪ من المستندات المكتوبة بالذكاء الاصطناعي المستندة إلى أفكار بشرية على أنها ذات أصل بشري، ويحدد الأفكار الذكائية في 68٪ من القصص المكتوبة بشرًا، مقارنةً بـ 8٪ فقط لـ Pangram 4 و0٪ لـ ProseLens وEditLens-3B.. المصدر

يكون الكشف أسهل عندما يكون الأصل واضحًا – على سبيل المثال، عندما يكون النص المكتوب من قبل إنسان مستندًا إلى أفكار مولدة بالذكاء الاصطناعي، أو عندما يكون الناتج المولّد بالذكاء الاصطناعي مستندًا إلى فكرة بشرية. عندما تتفاوت قوة هذه الأصول، يصبح الكشف أصعب.

اختبر الباحثون هذا التمييز عن طريق تعديل مقدار الخطة الأساسية للمستند التي تأتي من شخص تدريجيًا. في تجربة واحدة، تم تزويد نماذج الذكاء الاصطناعي بخطط بشرية متزايدة التفصيل، بدءًا من مجرد موضوع، وصولًا إلى مخطط كامل.

مع زيادة مساهمة الإنسان، انخفض معدل إشارة AI في IdeaLens من 94.9٪ إلى 6.8٪؛ واستمر الكواشف التقليدية للنصوص في التعرف بشكل ساحق على النص الناتج كذكاء اصطناعي:

نتائج الاختبار التي تُظهر ما يحدث عندما يتم تزويد مستند مكتوب بالذكاء الاصطناعي بخطة أساسية متزايدة التزويد من قبل إنسان. يزداد IdeaLens في التعرف على أصل الأفكار البشري، حيث ينخفض معدل إشارة AI من 94.9٪ عند إعطاء موضوع فقط إلى 6.8٪ عند إعطاء مخطط بشري كامل؛ ولا يزال الكواشف النصية التقليدية ProseLens وPangram يصنفان معظم الكتابة الناتجة كذكاء اصطناعي.

نظرًا لأن الأفكار يجب أن تُفصل عن اللغة المستخدمة للتعبير عنها، ولا توجد مجموعة بيانات كبيرة تسجل من هو الفاعل الحقيقي للأفكار في مستند ما، قام الباحثون بدلاً من ذلك بتدريب IdeaLens على تصنيفات كتابة الذكاء الاصطناعي labels — لكنهم أزالوا معظم النص نفسه:

كيف يفصل IdeaLens بين الأفكار والنص أثناء التدريب والاختبار، مقارنةً بكاشف النص التقليدي ProseLens. يتم تقليل عينة من مقال رأي مكوّن من 1,321 كلمة إلى مخطط مُصنّف بالأدوار، مع تصنيف النقاط حسب وظيفتها، مثل حساب حدث أو تقييم. أثناء التدريب، تم إعادة صياغة هذه المخططات لإزالة الصياغة الموروثة من المستندات المصدر قبل أن يتعلم IdeaLens من تصنيفات Pangram AI الموجودة. بالنسبة للمستندات الجديدة، يمكن تمرير المخطط المستخرج مباشرة إلى IdeaLens لتقدير احتمال أن تكون الأفكار مستمدة من الذكاء الاصطناعي. الجزء السفلي من الشكل يُظهر كاشفًا ثانيًا – ‘ProseLens’ – استخدمه الباحثون للمقارنة، والذي يتلقى النص الكامل بدلاً من ذلك ويقدّر ما إذا كان النص نفسه مولّدًا بالذكاء الاصطناعي.

كما هو موضح أعلاه، تم تقليل كل مستند إلى مخطط يصف ما يُقال، والدور الذي يلعبه كل نقطة في المستند. أثناء التدريب، تم إعادة صياغة تلك المخططات لإزالة المزيد من آثار صياغة المؤلفين الأصلية. وبالتالي يمكن لـ IdeaLens إجراء توقعاته في المقام الأول من ideas that remain، بدلاً من الخصائص المميزة للنص.

تم إنشاء ثلاث مجموعات بيانات للمشروع: IdeaShift؛ IdeaShift-X؛ وTwiceTold. تم إنشاء IdeaShift من 500 مستند مكتوب بشرًا ومولد بالذكاء الاصطناعي مأخوذة من مجموعة الاختبار الموجودة للباحثين. استخدم GPT-5.6 Sol لتحويل كل منها إلى مطالبات متزايدة التفصيل، من “موضوع فقط” إلى مخطط كامل. ثم استُخدم GPT-5.6 لتوليد مستندات جديدة.

استخدم IdeaShift-X، بدلاً من ذلك، 10,000 مستند من تأليف بشر FineWeb2 عبر 24 لغة، مطبقًا بروتوكول IdeaShift المذكور أعلاه لتوليد إصدارات ذكاء اصطناعي في كل لغة.

المجموعة الثالثة من البيانات، TwiceTold، كتبها طلاب أكاديميون تحت إشراف المؤلفين، لتجنب الاستخدام المحتمل للذكاء الاصطناعي inherent في جمع مثل هذه البيانات عبر crowdsourcing. كُتبت خمسون قصة من الصفر، لكن باستخدام مخطط مكوّن من 500 كلمة قدمه ChatGPT-5.6 Sol.

اختبارات

شمل كواشف الباحثين الخاصة IdeaLens في شكل المخطط والوثيقة؛ ProseLens المذكور آنفًا؛ إصدارات ModernBERT-L لكلا النظامين؛ إصدارات Qwen3.5-9B من IdeaLens؛ ومتغيّر IdeaLens logistic-classifier.

تمت مقارنتها مع Pangram 4؛ EditLens-Llama-3B؛ Binoculars؛ EditLens-RoBERTa؛ MELD؛ Desklib-academic؛ Desklib؛ Entropy؛ Fast-DetectGPT؛ Likelihood؛ Log-rank؛ LRR؛ MAGE؛ OpenAI-RoBERTa-base؛ OpenAI-RoBERTa-large؛ RADAR؛ و Rank.

في الاختبارات، تم قياس الدقة بناءً على ما إذا كان التصنيف المتنبأ به (AI أو بشري) يطابق مصدر الأفكار. استخدم كل من IdeaLens وProseLens وEditLens عتبة FPR عالمية بنسبة 1٪؛ تم تحويل تصنيفات AI، AI‑مساعد والبشر في Pangram 4 إلى ثنائية؛ واستخدم Fast-DetectGPT وBinoculars وMELD وDesklib عتباتهما الافتراضية.

استخدم التقييم الأوسع 19 معيارًا خارجيًا، بما في ذلك 14 تغطي مواد بشرية بالكامل أو آلية بالكامل، و10 تحتوي على كتابة بشرية تم تعديلها لاحقًا بواسطة AI. تم اختبار 50,000 مستند داخل المجال إضافيًا، بينما استُخدمت 10,000 مستند قبل ChatGPT من مجموعة C4 لتقييم الإيجابيات الكاذبة:

نتائج الاختبار التي تقارن دقة الكواشف عندما تكون الأفكار والنصوص ذات أصل واحد أو مختلف. يحتفظ IdeaLens بدقة عالية في كلا الحالتين، بنسبة 95.3٪ عندما يكون الأصل مشتركًا و81.3٪ عندما يكون الأصل مختلطًا؛ وتؤدي الكواشف المنافسة أداءً أسوأ بكثير عندما يختلف مصدر الأفكار عن مصدر النص.

عبر 51 اختبارًا مأخوذًا من 22 معيارًا، كان IdeaLens هو الكاشف الوحيد الذي أظهر أداءً قويًا عندما كانت الأفكار والنصوص من نفس المصدر أو من مصادر مختلفة، مسجلاً 95.3٪ و81.3٪ على التوالي.

بالمقارنة، سجل كل من ProseLens وPangram 4 أكثر من 98٪ عندما تشترك الأفكار والنصوص في مصدر واحد، لكن انخفضت النتيجة إلى حوالي 25٪ عندما لا يكون ذلك كذلك.

يذكر المؤلفون بشأن هذه النتائج*:

‘نظرًا لأن ProseLens يشارك نفس العمود الفقري، ووثائق التدريب، وعلامات التدريب مع IdeaLens، فإن هذا يبرز تأثير تمثيل المخطط لدينا، الذي يكرره ModernBERT-based pair بعمود فقري مختلف.’

‘IdeaLens ينتقل أيضًا بشكل غير متوقع إلى مدخلات النص الخام أثناء الاختبار، مظهرًا دقة عالية عندما يكون الأصل مشتركًا ودقة أعلى بكثير عندما يكون الأصل مختلطًا مقارنةً بـ ProseLens.’

نجح جميع الكواشف الثلاثة في التعرف على تقريبًا جميع القصص الأصلية المكتوبة بالذكاء الاصطناعي. في مجموعة TwiceTold، حدد IdeaLens الأفكار ذات الأصل AI في 68٪ من القصص المكتوبة يدويًا، مقارنةً بـ 0٪ لـ ProseLens و8٪ لـ Pangram 4:

يُعطي IdeaLens احتمالات AI متشابهة للقصص الأصلية المكتوبة بالذكاء الاصطناعي وإصدارات TwiceTold المكتوبة يدويًا بناءً على نفس المخططات التي يولدها AI، بينما تنخفض احتمالات AI في ProseLens بشكل حاد بمجرد إعادة كتابة النصوص بواسطة البشر.

على الرغم من تدريبه على اللغة الإنجليزية، عمم IdeaLens عبر 24 لغة من IdeaShift-X، معلمًا 95.3٪ من المستندات المستندة إلى أفكار AI – لكن بنسبة 0.7٪ فقط عندما تم توفير الأفكار عبر خطة بشرية مفصلة. وعلى 10,000 مستند بشري قبل ChatGPT عبر نفس اللغات، كان معدل الإيجابيات الكاذبة مجرد 0.1٪.

يعترف المؤلفون بأن مجموعة بيانات أكبر ستكون مرغوبة في الأعمال المستقبلية، وأن ضوضاء تسميات مجموعة البيانات قد تحتاج إلى معالجة. ومع ذلك، يمكن للراغبين في البناء على هذه البداية المثيرة اللجوء إلى GitHub repository الذي وفره مؤلفو الورقة؛ ويمكن للمهتمين البسطاء لصق اختبارات ‘مشتبه فيها’ في demo site للمشروع، وتقييم ما إذا كانت الطريقة تتوافق مع تقديراتهم الخاصة أو مع تقديرات الأساليب الأخرى.

الخلاصة

ما إذا كانت طريقة كشف من هذا النوع مهمة أم لا تعتمد على كيفية تطور القبول أو التكامل أو الرفض للذكاء الاصطناعي (بلا شك بشكل مختلف عبر القطاعات والظروف المختلفة) خلال الأشهر الستة إلى الثانية عشر القادمة.

قد يكون الجمهور أكثر تسامحًا مع استخدام السياسي للذكاء الاصطناعي لتصقيل وتمثيل أفكاره الأصلية، مقارنةً بما قد يكون عليه إذا قدم عرضًا سطحيًا لأفكار مولدة بواسطة نموذج لغوي (فإحصائيًا، الجمهور من المرجح أن يكون متعاطفًا مع استخدام الذكاء الاصطناعي كأداة عرض فقط).

ومع ذلك، في الوقت نفسه، ما الذي نأمله من الذكاء الاصطناعي إذا لم يكن أن ينتج زوايا وأفكارًا وبدائل قد نتغاضى عنها أو لا نفكر فيها أبداً؛ ومن هذا المنظور، هل هو فكرة سيئة أن نمنح الذكاء الآلي فرصة لتولي القيادة؟

حسنًا، من حيث الصورة العامة، ومع الأخذ في الاعتبار الميل الشهير والمتزايد للذكاء الاصطناعي إلى الأخطاء و‑السلوك الشاذ في الآونة الأخيرة، ربما لا يزال من المبكر السماح للنماذج اللغوية الكبيرة بطرح اقتراحات سياسات، أو بشكل عام أن تصبح قوة دافعة في توليد الأفكار.

* تأكيدات المؤلفين، ليست لي، لكن تحويلي للاقتباسات داخل النص الخاصة بالمؤلفين إلى روابط تشعبية، حيث يلزم.

نُشر لأول مرة يوم الثلاثاء، 6 أكتوبر 2026