شغّل نصوصاً قديمة ومعتمدة مكتوبة بيد بشرية عبر كاشفات الذكاء الاصطناعي وقد تعود مصنّفة على أنها من إنتاج الذكاء الاصطناعي. هذا يخبرك بشيء لا تقوله صفحات التسويق لدى البائعين: الأداة لا تقيس ما يزعم اسمها أنها تقيسه.
تلك الفجوة هي الموضوع بأكمله. كاشف النص بالذكاء الاصطناعي لا يكشف تأليف الذكاء الاصطناعي. إنه يكشف نوعاً من الكتابة، نصاً تشبه بصمته الإحصائية مخرجات الذكاء الاصطناعي التي دُرّب عليها الكاشف. وحين تصادف الكتابة البشرية أن تتشارك تلك البصمة، يضع الكاشف علامة عليها، ولا يستطيع التمييز بينهما. والأشخاص الذين يخسرون المنح الدراسية والعقود والمكانة الأكاديمية بسبب نسبة مئوية هم على الجانب الخاطئ من ذلك الالتباس.
هذا ما تمثّله النسبة، ولماذا تكون الأخطاء بنيوية لا خللاً سيصلحه الإصدار التالي، وعلى من تقع، وما الذي يمكن لمؤسسة جادّة استخدامه بدلاً منها. لهذا فإن كاشفات الذكاء الاصطناعي مخطئة في السياق الوحيد الذي يهمّ فيه السؤال فعلاً: القرارات عالية المخاطر بشأن أشخاص حقيقيين.
النسخة المختصرة
- كاشفات الذكاء الاصطناعي تقيس التشابه الإحصائي، لا التأليف. النسبة العالية لـ"الذكاء الاصطناعي" تعني أن النص يبدو كالكتابة التي دُرّب الكاشف على ربطها بالذكاء الاصطناعي. وهي لا تُثبت أن آلة أنتجته، ولا تستطيع ذلك.
- معدل الإيجابيات الكاذبة هو أرضية رياضية، لا خلل هندسي. يجادل تأطير رياضي صدر عام 2026 بأن أي كاشف مفيد يعتمد على النص فقط ويعمل بمحاولة واحدة يواجه اتهامات كاذبة بمعدل تحدّده كمية التداخل بين الكتابة البشرية وكتابة الذكاء الاصطناعي. النماذج الأفضل لا تزيله.
- الأخطاء تقع بأشد وطأتها على الكتّاب المنضبطين. المتحدثون بالإنجليزية كلغة ثانية والكتّاب في أساليب منضبطة ومقيّدة، بما في ذلك الكتّاب العلميون والقانونيون والتقنيون، يُوضع عليهم العلامة أكثر، لأن النثر النظيف المتوقع يتشارك السمة الإحصائية التي يقرأها الكاشف على أنها "ذكاء اصطناعي".
- المصدرية هي المقاربة التي تحل محل الكشف الإحصائي. العلامة المائية (SynthID) واعتمادات المحتوى الموقّعة (C2PA) تسجّل المصدر وقت التوليد بدلاً من تخمينه لاحقاً. هذا قابل للتحقق، لكن فقط للمحتوى الذي لمسته الأدوات المتوافقة.
ما لا يغطّيه هذا المقال
- هذا ليس ترتيباً لأي الكاشفات هو "الأفضل". الحجة هنا هي أن سؤال الترتيب نفسه هو السؤال الخاطئ.
- هذا ليس دليلاً للتهرب من الكشف. هناك الكثير من تلك الأدلة في أماكن أخرى؛ هذا يتعلق بما يعنيه القياس.
- هذا ليس استشارة قانونية لاتهام محدد. إن كنت تعترض على واحد، فتحدّث إلى شخص يتولى ذلك.
- هذا ليس درساً تعليمياً. لا توجد أداة لتثبيتها ولا إعداد لنسخه.
ما الذي تقيسه كاشفات الذكاء الاصطناعي فعلاً؟
يقيس كاشف النص بالذكاء الاصطناعي مدى تشابه قطعة من الكتابة مع النص المولّد بالذكاء الاصطناعي، مستخدماً ثلاث إشارات: perplexity وburstiness والمصنّفات المدرّبة. ويُبلغ عن احتمال أن يكون النص مكتوباً بآلة. أما ما لا يفعله، ولا يستطيع بنيوياً فعله، فهو التحقق من مَن أو ما الذي أنتج النص. إنه يفحص الكلمات ويستنتج، ولا يرى أبداً العملية التي أنشأتها.
Perplexity هي مدى "اندهاش" نموذج لغوي من الكلمة التالية في تسلسل. يميل نص الذكاء الاصطناعي إلى انتقاء الرمز التالي الأكثر احتمالاً إحصائياً في كل خطوة، وهو ما يُقرأ على أنه perplexity منخفضة. أما الكتابة البشرية فتأخذ منعطفات أغرب وتسجّل درجة أعلى. Burstiness تقيس التباين في طول الجملة وبنيتها. البشر يمزجون القصير والطويل؛ والذكاء الاصطناعي يميل نحو الرتابة. يجمع الكاشف بين الاثنين في نسبة مركّبة. أما مقاربة المصنّف المدرّب فتتخطى الإشارات المنتقاة يدوياً وتتعلم بدلاً منها أنماطاً كامنة من مجموعات بيانات ضخمة من النصوص البشرية ونصوص الذكاء الاصطناعي المصنّفة.
لكل إشارة العيب نفسه، مرتدياً ثياباً مختلفة. burstiness لا تستطيع فصل "الكاتب البشري المنضبط" عن "الذكاء الاصطناعي"؛ فالمذكرة القانونية وروبوت المحادثة كلاهما ينتج تبايناً منخفضاً. والمصنّفات المدرّبة على مخرجات نموذج واحد لا تنتقل إلى النموذج التالي. أما معيار RAID، وهو أحد أكبر التقييمات المنشورة لكاشفات نصوص الذكاء الاصطناعي، فقد اختبر أكثر من 6 مليون توليدة عبر 11 نموذجاً و8 مجالات و11 هجوماً عدائياً و4 استراتيجيات فكّ ترميز. وخلاصته الأساسية أن الكاشفات تُضعَف بسهولة عبر الهجمات العدائية وتغييرات أخذ العينات وعقوبات التكرار والمولّدات غير المرئية. وperplexity لديها مشكلة دقة تستحق أن تُذكر بوضوح.
مشكلة النموذج الوكيل. لقياس perplexity نص بدقة، تحتاج إلى التوزيع الاحتمالي الكامل (الـ logits) من النموذج نفسه الذي كتبه. الكاشفات لا تملك ذلك تقريباً أبداً؛ فهي تقدّر perplexity بنموذج وكيل بدلاً منه. وحين يختلف النموذج الكاتب عن النموذج القائس، وهي الحالة الطبيعية، يحمل رقم perplexity خطأً منهجياً مغروساً منذ البداية. وأكثر الطرق الإحصائية تطوراً حتى الآن، Binoculars، تقلّل ذلك الضجيج بمقارنة perplexity نموذجين مترابطين، وهي مع ذلك تقيس إحصائيات النص، لا مصدره.
تلك الجملة الأخيرة هي جوهر القسم بأكمله. كل طريقة هنا، من عتبة perplexity الفجّة إلى Binoculars، تقرأ خصائص الكلمات. ولا واحدة منها ترصد فعل الكتابة. إنها تقيس التشابه مع توزيع تدريبي.
التشابه ليس تأليفاً، تلك هي المشكلة برمّتها، في أربع كلمات.
لماذا تنتج كاشفات الذكاء الاصطناعي هذا الكم من الإيجابيات الكاذبة؟
تضع الكاشفات علامة على الكتابة البشرية بأنها ذكاء اصطناعي لأنها تضع علامة على أي كتابة تشبه خصائصها الإحصائية مخرجات الذكاء الاصطناعي. يعامل تأطير رياضي صدر عام 2026 هذا على أنه أكثر من خطأ ضبط: حين لا يعرف المقيّم توزيع الكتابة الفردي لكل شخص، تكون الاتهامات الكاذبة حتمية، بمعدل تحدّده كمية تداخل الكتابة البشرية وكتابة الذكاء الاصطناعي. الأرضية حقيقية، وهي لا تتحرك.
الورقة البحثية هي ورقة Garland لعام 2026 "كاشفات الذكاء الاصطناعي تُخفق مع مجموعات الطلاب المتنوعة: تأطير رياضي لحدود الكشف البنيوية." تعامل نظرية الكشف التقليدية المهمة على أنها اختبار بين توزيعين معروفين: هذا ما تبدو عليه الكتابة البشرية، وهذا ما تبدو عليه كتابة الذكاء الاصطناعي، فقرّر أيّهما أنتج النص. حجة Garland هي أن الجانب البشري ليس توزيعاً واحداً. فأسلوب كل شخص الطبيعي هو توزيعه الخاص، وأساليب بعض الناس تتداخل بشدة مع مخرجات الذكاء الاصطناعي. وبالمصطلحات الإحصائية تكون الفرضية الصفرية مركّبة (حزمة من توزيعات كثيرة لا توزيعاً واحداً)، وكاشف يعتمد على النص فقط ويعمل بمحاولة واحدة ضد فرضية صفرية مركّبة لا سبيل له لتجنّب الاتهامات الكاذبة.
"أي كاشف يعتمد على النص فقط ويعمل بمحاولة واحدة وله قدرة مفيدة لا بد أن ينتج اتهامات كاذبة بمعدل يحكمه التداخل التوزيعي بين كتابة الطلاب ومخرجات الذكاء الاصطناعي." Garland، 2026 (arXiv:2603.20254)
النتيجة تستحق الدقّة، لأنها ما يفصل هذا عن التأطير المعتاد "الكاشفات ليست مثالية بعد". الحدّ ينبع من تنوع السكان، لا من جودة النموذج. كاشف أفضل، مجموعة تدريب أكبر، مصنّف أذكى: لا شيء منها يمسّه، لأن التداخل الذي يعتمد عليه هو خاصية من كيفية كتابة الناس، لا من مدى جودة هندسة الأداة. وخط سياسة Garland نفسه يتبع مباشرة: "لا ينبغي أن تكون درجات الكشف دليلاً وحيداً في إجراءات سوء السلوك."
السجل التجريبي يتوافق مع الرياضيات. بنت OpenAI مصنّفاً لمخرجات نماذجها الخاصة، وشاهدته يتعرّف على نص الذكاء الاصطناعي 26% من الوقت فقط بينما يضع علامة كاذبة على البشر 9% من الوقت، وأوقفته في يوليو 2023، مستشهدة بموثوقيته المنخفضة "نظراً لأن المعلّمين قد يتخذون أحكاماً بشأن طلاب بعواقب محتملة دائمة." ووضعت دراسة محكّمة صدرت عام 2026 في المجلة الدولية للنزاهة التعليمية دقة Turnitin عند 61% وOriginality.ai عند 69% في الاستخدام الواقعي على مجموعة بيانات مختلطة، وهي بعيدة كثيراً عن نسبة 99% على صفحات التسويق. وخلص معيار hCaptcha إلى أن لا كاشف عام اختبره تفوّق على الصدفة العشوائية. عطّلت جامعة Curtin لاحقاً ميزة كشف الكتابة بالذكاء الاصطناعي في Turnitin اعتباراً من 1 يناير 2026، مستشهدة بالحاجة إلى الثقة والوضوح والإنصاف والتقييم المهيّأ للمستقبل.
ثم اضرب في الحجم. عطّلت Vanderbilt كاشف Turnitin بعد إجراء الحساب على حجمها الخاص: بمعدل إيجابيات كاذبة مزعوم قدره 1% عبر 75,000 تقديم سنوي، سيُوضع على نحو 750 طالباً سنوياً علامة خاطئة. وهذا هو التقدير المنخفض، مأخوذ من الرقم المتفائل الخاص بالبائع نفسه.
معدل الإيجابيات الكاذبة أرضية تحدّدها مدى اختلاف كتابة الناس، لا سقفٌ يخفضه الإصدار التالي.
من الذي يُوضع عليه العلامة خطأً أكثر من غيره؟
نعم، الكاشفات متحيّزة، وعلى نحو منهجي. الكتّاب بالإنجليزية كلغة ثانية والكتّاب في أساليب منضبطة ومقيّدة (قانونية، علمية، تقنية) يُوضع عليهم العلامة أكثر لأن كتابتهم قد تحمل سمة الـ perplexity المنخفضة والـ burstiness المنخفضة التي يقرأها الكاشف على أنها "ذكاء اصطناعي". التحيّز لا يتعلق بمن هم؛ بل بأن النثر الدقيق البسيط المتوقع قد يبدو إحصائياً كمخرجات آلة.
الدليل التأسيسي هو دراسة Liang وآخرين لعام 2023 في Patterns. شُغّلت سبعة كاشفات مستخدمة على نطاق واسع مقابل 91 مقالة TOEFL من متحدثين بالإنجليزية كلغة ثانية و88 مقالة من طلاب الصف الثامن الأمريكيين من متحدثين أصليين. صنّفت الكاشفات خطأً أكثر من نصف مقالات غير الناطقين الأصليين (بمعدل إيجابيات كاذبة متوسطه 61.3%) بينما سجّلت درجة شبه كاملة على مجموعة المتحدثين الأصليين. ووضعت الكاشفات السبعة جميعها بالإجماع علامة على 19.8% من مقالات TOEFL المكتوبة بيد بشرية بأنها من تأليف الذكاء الاصطناعي.
التجربة التي تحسم القضية هي التدخّل. حين استخدم الباحثون ChatGPT لإثراء مفردات المقالات غير الأصلية نفسها لتبدو أقرب إلى لغة الناطقين الأصليين، هبط معدل الإيجابيات الكاذبة من 61.3% إلى 11.6%. جعل النص أكثر مساساً بالذكاء الاصطناعي جعل الكاشفات تضع عليه علامة أقل، لأن ما كانت تتفاعل معه طوال الوقت هو قابلية التنبؤ بالمفردات، لا التأليف. الإشارة التي تقود الاتهام كانت perplexity، وperplexity لم تكن أبداً مقياساً لمن كتب الكلمات.
النمط لا يتوقف عند إتقان اللغة. BAID، أول معيار منهجي للتحيّز، قيّم الكاشفات عبر سبعة محاور اجتماعية لغوية (الديموغرافيا، والعمر، والمستوى الدراسي، واللهجة، والرسمية، والميل السياسي، والموضوع) على أكثر من 200,000 عيّنة، ووجد تفاوتات ثابتة في المحاور السبعة كلها. ووجد Rashidi وآخرون أن كاشف نص بالذكاء الاصطناعي أخطأ في تصنيف ما يصل إلى 8% من الملخصات العلمية المعروفة المكتوبة بيد بشرية بأنها من إنتاج الذكاء الاصطناعي، مستخدماً ملخصات نُشرت بين عامي 1980 و2023، لأن الكتابة الطبية والعلمية تقوم على مفردات مقيّدة وصياغة متحفّظة وبنية موحّدة. والكتابة القانونية قالبية بحكم التصميم. The Authors Guild عبّرت عن نسخة الكاتب المحترف من هذا بوضوح: كلما كان أسلوب الكاتب أكثر تهذيباً وتحكماً، زاد شبهه بالمخرجات التي بُنيت هذه الأدوات لوضع العلامة عليها.
الكتّاب الأكثر عرضة للاتهام الكاذب هم من يكتبون بأكثر الطرق انضباطاً وتقييداً، النقيض التام مما قد يتوقعه "الغش".
إذا كانت الكاشفات تعمل، فلماذا يستطيع أي أحد تجاوزها؟
تجاوز الكاشف أمر روتيني، لا بارع. الكاشفات منخفضة الأداء أصلاً، والتلاعب العدائي يدفعها أخفض؛ فإعادة الصياغة العدائية تقلّص معدلات الإيجابيات الصحيحة للكاشفات بمتوسط 88%. سباق التسلح غير متكافئ بحكم التركيب: على الكاشف أن يدافع عن كل مسار تهرّب في آن واحد، بينما أداة التجاوز عليها فقط أن تتغلب على النمط الواحد الذي يقيسه الكاشف حالياً.
الأرقام تأتي من البحث مباشرة. Perkins وآخرون (2024) قاسوا دقة الكاشف عند 39.5% على النص المولّد بالآلة، هابطة إلى 17.4% بمجرد تطبيق تقنيات التهرّب. Cheng وآخرون (2025) وجدوا أن إعادة الصياغة العدائية خفّضت متوسط معدلات الإيجابيات الصحيحة بنسبة 87.88% عبر أنواع الكاشفات، وقلّصت Fast-DetectGPT بنسبة 98.96%. Sadasivan وآخرون (2023) أظهروا أن إعادة الصياغة التكرارية تستطيع تقليص أداء الكاشف بحدّة، بما في ذلك الكاشفات القائمة على العلامة المائية، مع إبقاء النص قابلاً للقراءة. وحول هذه النتائج تجلس صناعة مضادّة كاملة من أدوات "الأنسنة" وظيفتها إعادة كتابة نص الذكاء الاصطناعي حتى يسجّل كأنه بشري، ووجود تلك الصناعة هو بذاته دليل على ما تقيسه الكاشفات. لا تستطيع بناء أداة موثوقة لهزيمة مقياس للتأليف. لكن يمكنك بناء واحدة لهزيمة مقياس لإحصائيات النص، وقد فعل الناس.
عدم التكافؤ بنيوي، ويظهر في وتيرة الإصدارات. حين أطلقت Turnitin ميزة كشف متجاوزي الذكاء الاصطناعي في أغسطس 2025، وهي محاولة للإمساك بنص مرّ عبر أدوات الأنسنة، سارع بائعو أدوات الأنسنة إلى الإعلان عن ادعاءات تجاوز خاصة بهم. كل تحديث للكاشف يحدّد هدفاً جديداً؛ وكل هدف يُصاب.
هناك استنتاج يمكن للقارئ استخلاصه من كل هذا، ويستحق أن يُوسم كاستنتاج لا كحقيقة. مقروءاً بهذه الطريقة، تلتقط الكاشفات في الغالب من يقدّمون مخرجات ذكاء اصطناعي خام غير محرّرة: أقل المستخدمين تحفيزاً وأقلّهم عناية. والذين تريد السياسة الإمساك بهم أكثر هم من يفوتون بأسهل ما يكون.
سباق التسلح ليس فجوة مؤقتة سيغلقها البائعون. إنه غير متكافئ بحكم التصميم.
ماذا تفعل المؤسسات الآن؟
قائمة متنامية من الجامعات (Vanderbilt, Yale, Curtin، والـ University of Waterloo، وغيرها) عطّلت أو قيّدت كاشف الذكاء الاصطناعي في Turnitin، مستشهدة بحجم الإيجابيات الكاذبة، والتحيّز ضد غير الناطقين الأصليين، والدرجات غير المستقرة، ونقص الشفافية. وأبقاه آخرون كإشارة استرشادية فقط، لا الأساس الوحيد للاتهام أبداً. الحكم المؤسسي يصل مستقلاً عن الأوراق البحثية، وهو يتفق معها.
المنطق موثّق ومحدّد. Vanderbilt ذكرت أربعة أسباب حين عطّلت الميزة في أغسطس 2023: حساب الـ 750 اتهاماً كاذباً سنوياً، والتحيّز ضد غير الناطقين الأصليين، وغياب أي تفسير لكيفية وصول Turnitin إلى حكمه، ومخاوف الخصوصية بشأن تقديم البيانات لطرف ثالث. جامعة Curtin أعلنت أنه، اعتباراً من 1 يناير 2026، ستُعطّل ميزة كشف الكتابة بالذكاء الاصطناعي في Turnitin عبر جميع الحرم الجامعية وفترات الدراسة، بينما تبقى فحوصات مطابقة النصوص العادية نشطة. وجامعة Waterloo أوقفت وظيفة كشف الذكاء الاصطناعي في Turnitin اعتباراً من سبتمبر 2025 بعد مشاورة أكاديمية داخلية. جامعة University of Texas at Austin لا تُقرّ برامج كشف الذكاء الاصطناعي، وليس لديها عقود مركزية أو أوامر شراء لميزات كشف ذكاء اصطناعي فعّالة، وتصنّف هذه البرامج على أنها عالية المخاطر للمشتريات. وإرشادات هيئة التدريس من مؤسسات منها MIT و Stanford تصل إلى الدرس العملي نفسه: كاشفات الذكاء الاصطناعي لديها معدلات أخطاء عالية، وإيجابيات كاذبة، ومخاطر تحيّز، لذا لا ينبغي معاملتها كدليل حاسم.
تحت لغة السياسة يوجد أشخاص. Marley Stevens، وهي طالبة في University of North Georgia، وُضعت عليها علامة من Turnitin على عمل كتبته بنفسها، وُضعت تحت المراقبة الأكاديمية، وخسرت منحة HOPE Scholarship؛ وتقول إنها لم تفعل سوى تشغيل النص عبر Grammarly. وفي UC Davis، طالب واحد اتُّهم باستخدام الذكاء الاصطناعي بُرّئ لاحقاً بعد إظهار سجل تعديل Google Docs، وأبلغ اختبار منفصل أجراه طلاب أن GPTZero وضع علامة خطأ على 40% من 247 مستنداً غير مولّد بالذكاء الاصطناعي. هذه ليست الحالات الحدّية التي يهملها معدل الخطأ بالتقريب. عند الأحجام التي تعمل بها هذه الأدوات، تكون هي معدل الخطأ ظاهراً للعيان.
ما الذي يحل محل الكشف الإحصائي؟
الإجابة الناشئة هي المصدرية: بدلاً من فحص النص المكتمل وتخمين مصدره، سجّل إشارة مصدر قابلة للتحقق في لحظة التوليد. مقاربتان تتقاربان، العلامة المائية SynthID من Google DeepMind ومعيار C2PA Content Credentials، مقترنتان بأدلة أقدم كسجل المسودات والعمل الصفّي. المصدرية لا تخمّن على نحو أفضل. إنها تغيّر السؤال إلى سؤال يمكن الإجابة عنه.
SynthID يعمل عبر توجيه احتمالات الرموز أثناء توليد النموذج للنص، تاركاً نمطاً إحصائياً يستطيع المتحقّق فحصه لاحقاً. نشرت Google تقنية SynthID عبر الصور والنصوص والصوت والفيديو المولّدة؛ وقد استُخدم تطبيقها للصور وإطارات الفيديو لوضع علامة مائية على أكثر من 10 مليار صورة وإطار فيديو، وتوفّر Google الآن بوابة SynthID Detector للوسائط المدعومة. حدودها موثّقة: تعمل على أفضل نحو على المخرجات الأطول والمتنوعة، وتؤدي أداءً ضعيفاً على الإجابات القصيرة أو الوقائعية البحتة (هناك طريقة صحيحة واحدة فقط لكتابة عاصمة فرنسا، فلا شيء لتعديله)، وتتدهور ثقتها تحت إعادة الكتابة الثقيلة أو الترجمة. كما لا يمكنها رؤية نص من أي نموذج لا يطبّقها.
C2PA Content Credentials تتّبع المقاربة المكمّلة: بيانات وصفية موقّعة تشفيرياً تُرفق وقت الإنشاء، تسجّل أي أداة صنعت المحتوى ومتى. انضمت OpenAI إلى لجنة توجيه C2PA في مايو 2024. وفي مايو 2026، وسّعت مجموعة المصدرية الخاصة بها لمخرجات الصور المدعومة عبر اقتران C2PA Content Credentials بالعلامة المائية SynthID من Google DeepMind واستعراض أدوات التحقق. الطبقتان تدعمان إحداهما الأخرى. البيانات الوصفية الموقّعة غنية لكن يمكن تجريدها عند إعادة الرفع، بينما تصمد علامة SynthID المائية أمام لقطات الشاشة وتغييرات الصيغة لكنها تحمل معلومات أقل. المأزق هو نفسه الذي يحدّ من كل مخطط مصدرية: يتحقق من محتوى الأدوات المشاركة، ولا يقول شيئاً عن محتوى الأدوات غير المشاركة. التغطية طوعية، وتنمو فقط بنمو التبنّي.
لهذا لا يتوقف المجال عند العلامات المائية. البدائل التي تستقر عليها إرشادات الجامعات وإجماع المجتمع إجرائية: اشترط سجل المسودات وتثبيتات الإصدارات، وابنِ مكوّنات صفّية أو شفهية قصيرة، وصمّم تقييمات يصعب تزييفها دون انخراط حقيقي. وحين تظهر إشارة، عاملها كافتتاح محادثة، لا إغلاق قضية.
تلك هي الخلاصة الملموسة التي يمكن لمقيّم حملها إلى أصحاب المصلحة. الكشف الإحصائي يسأل "هل يبدو هذا النص كذكاء اصطناعي؟"، سؤال، وفق Garland، لا إجابة موثوقة له. المصدرية تسأل "هل وقّعت أداة متوافقة على هذا؟"، سؤال له إجابة قابلة للتحقق، لمجموعة المحتوى الفرعية التي لمستها تلك الأدوات. المقايضة هي تغطية أضيق مقابل ادعاء يمكنك فعلاً الوقوف خلفه، وهو الموقع الأفضل حين تكون مكانة شخص على المحك.
الدقة المُسوّقة مقابل النتائج المستقلة
ادعاءات دقة البائعين والقياسات المستقلة ليست متقاربة. يضع الجدول أدناه الرقم المُسوّق لكل أداة مقابل ما وجده الاختبار المستقل. إنه ليس دليل شراء؛ لا يوجد عمود "موصى به"، لأن حجة هذه المقالة هي أن التأطير خلف مثل ذلك العمود مكسور. إنه سجل للفجوة.
| الأداة | الدقة / معدل الإيجابيات الكاذبة المُسوّق من البائع | النتيجة المستقلة |
|---|---|---|
| GPTZero | دقة 99%، معدل إيجابيات كاذبة 1% | معدل إيجابيات كاذبة 16% على مقالات مكتوبة بيد بشرية في دراسة شملت 78 مقالة |
| Turnitin | معدل إيجابيات كاذبة <1% | دقة إجمالية 61% في دراسة عام 2026 في المجلة الدولية للنزاهة التعليمية |
| ZeroGPT | دقة كشف 98.5% | 83% إيجابيات كاذبة على ملخصات طبية مكتوبة بيد بشرية في دراسة عن جراحة القدم والكاحل |
| Originality.ai | ادعاءات دقة 99%+ / إيجابيات كاذبة منخفضة، بحسب النموذج | دقة إجمالية 76% في مراجعة Scribbr لعام 2024؛ دقة إجمالية 69% في دراسة في سياق أكاديمي عام 2026 |
| Copyleaks | دقة تفوق 99% | هبطت الدقة إلى 71% على نص مولّد بـ DeepSeek وخاضع للأنسنة في دراسة كاشف عام 2025 |
| مصنّف OpenAI | غير متاح | معدل إيجابيات صحيحة 26%، معدل إيجابيات كاذبة 9%؛ أُوقف في 20 يوليو 2023 بسبب الدقة المنخفضة |
هذه الأرقام غير قابلة للمقارنة المباشرة كدرجات معيارية لأن كل اختبار استخدم مجموعات بيانات وعتبات وظروف كتابة مختلفة. المغزى هو الفجوة المتكررة بين ادعاءات البائعين المضبوطة والتقييمات الواقعية أو المستقلة الأكثر فوضى.
الأسئلة الشائعة
ما الذي يكشفه كاشف النص بالذكاء الاصطناعي فعلاً: الذكاء الاصطناعي، أم نوعاً من الكتابة؟
إنه يكشف نوعاً من الكتابة. يقيس الكاشف ما إذا كان النص يشبه إحصائياً مخرجات الذكاء الاصطناعي: perplexity منخفضة وburstiness منخفضة، أو تطابق مع الأنماط المتعلَّمة لمصنّف مدرّب. ولا يستطيع التحقق من التأليف. النسبة العالية تعني أن الكتابة تبدو كنص الذكاء الاصطناعي الذي دُرّبت عليه الأداة، لا أن آلة أنتجته.
لماذا وُضعت علامة على مقالتي المكتوبة بيدي بأنها مولّدة بالذكاء الاصطناعي؟
لأن كتابتك تتشارك سمة الـ perplexity المنخفضة الإحصائية التي يقرأها الكاشف على أنها ذكاء اصطناعي، وهي سمة شائعة في الكتابة المصقولة أو التقنية أو غير الناطقة بالإنجليزية كلغة أم. يتفاعل الكاشف مع المفردات المتوقعة وبنية الجملة الموحّدة، لا مع التأليف. العلامة هي بيان عن إحصائيات نصك، لا دليل على أنك استخدمت الذكاء الاصطناعي.
هل كاشفات الذكاء الاصطناعي متحيّزة ضد المتحدثين بالإنجليزية كلغة ثانية؟
نعم، على نحو قابل للقياس. وجد Liang وآخرون (2023) معدل إيجابيات كاذبة متوسطه 61.3% على مقالات TOEFL من كتّاب غير ناطقين أصليين، مقابل قرب الصفر على مقالات المتحدثين الأصليين. ووجد معيار BAID لاحقاً تفاوتات مماثلة عبر سبعة محاور منها اللهجة والرسمية والموضوع. السبب إحصائي: المفردات المقيّدة تُقرأ على أنها perplexity منخفضة، وهو ما يقرأه الكاشف خطأً على أنه ذكاء اصطناعي.
لماذا يحصل النص نفسه على درجات كشف ذكاء اصطناعي مختلفة عند فحوصات متكررة؟
لأن درجات الكاشف تقديرات قائمة على النموذج، لا ملاحظات مباشرة للتأليف. العتبات وسلوك المصنّف والمعالجة المسبقة وتحديثات الأداة كلها يمكن أن تؤثّر على النسبة النهائية، لذا ينبغي معاملة الدرجة كإشارة ضعيفة لا كقياس مستقر.
ماذا ينبغي أن تستخدم المؤسسات بدلاً من كاشفات النص بالذكاء الاصطناعي؟
أدوات المصدرية (العلامة المائية SynthID وC2PA Content Credentials) للمحتوى من مولّدات متوافقة، مقترنة بأدلة العملية كسجل المسودات وتثبيتات الإصدارات والعمل الصفّي، إضافة إلى تقييمات أُعيد تصميمها لتتطلب انخراطاً حقيقياً. أي مخرجات كاشف ينبغي أن تبدأ محادثة، لا أن تكون أبداً دليلاً وحيداً في قرار يؤثّر على مكانة أحد.
