كيف تعمل كشافات الذكاء الاصطناعي ولماذا لا تستطيع النتيجة وحدها إثبات التأليف

الصق مقالاً أو مقالة أو رسالة بريد إلكتروني في كاشف ذكاء اصطناعي، وبعد ثوانٍ قليلة قد يعيد نتيجة مثل "85% ذكاء اصطناعي."

يبدو دقيقاً. ولكنه قد يكون أيضاً سهل سوء الفهم.

لم يلاحظ الكاشف كيف تم كتابة المستند. لقد حلل النص النهائي للبحث عن الأنماط المرتبطة بالكتابة المولدة بالذكاء الاصطناعي. اعتماداً على الأداة، قد تمثل نسبة 85% الاحتمال المقدر بأن الذكاء الاصطناعي أنتج المستند أو حصة النص الذي حدده الكاشف.

هذا يجعل كاشف الذكاء الاصطناعي مفيداً كإشارة، خاصة عندما يحتاج شيء ما إلى نظرة أقرب. لكن النتيجة لا تزال بحاجة إلى سياق وأدلة داعمة قبل أن يتوصل أي شخص إلى استنتاج حول من كتب النص أو كيف أنشأوه. يساعد فهم كيفية إنتاج الكشافات لنتائجها في تفسير ما يمكنها اكتشافه ولماذا تخطئ أحياناً.

ما هو كاشف الذكاء الاصطناعي؟

ينظر كاشف كتابة الذكاء الاصطناعي إلى قطعة نصية منتهية ويقدر ما إذا كانت تشبه الكتابة التي ينتجها نموذج لغوي. عادة ما يلصق المستخدم النص أو يرفع مستنداً. في غضون ثوانٍ، قد تعيد الأداة علامة أو نسبة مئوية أو مقاطع مميزة أو الثلاثة معاً.

• يستخدمهم المعلمون والمؤسسات الأكاديمية عند مراجعة عمل الطلاب.
• قد يستخدمها الناشرون وفرق المحتوى لفحص الكتابة المقدمة أو المكلف بها، بينما تسويق بعض شركات الكاشف نسخاً لفرق التوظيف التي تراجع مواد التقديم.
• يتحقق الكتاب أحياناً من عملهم لفهم كيف يمكن للمعلم أو المحرر أو العميل أو المنصة تصنيفه.

ملاحظة: تخدم أدوات التحقق من الانتحار غرضاً مرتبطاً ولكنه منفصل. فهي تقارن المستند بالمواد المنشورة والمصادر الأخرى للعثور على لغة متطابقة. تقييم كشافات الذكاء الاصطناعي الأنماط في الكتابة المقدمة. وبالتالي، يمكن لمقطع أصلي تماماً أن يتلقى علامة ذكاء اصطناعي، بينما قد لا تحتوي الكتابة البشرية المنسوخة على أي إشارة قوية لتوليد الذكاء الاصطناعي.

كيف تحلل كشافات الذكاء الاصطناعي النص

تعتمد العديد من كشافات الذكاء الاصطناعي على مصنف، وهو نموذج تعلم آلي تم تدريبه على أمثلة للكتابة البشرية وتلك المولدة بالذكاء الاصطناعي. أثناء مقارنتهما، فإنه يتعلم الأنماط التي تميل إلى الظهور في كل منهما، بما في ذلك الأنماط في اختيار الكلمات وبنية الجملة. ثم يبحث عن تلك الأنماط في النص الجديد وينتج تنبؤاً.

ما يتعلمه الكاشف يعتمد على ما يراه أثناء التدريب. قد تواجه الأداة المدربة على مجموعة محدودة من الكتابة صعوبة في التعامل مع موضوع جديد، أو أسلوب غير مألوف، أو مخرجات من نموذج ذكاء اصطناعي لم تواجهه من قبل. وجد البحث عبر أنواع مختلفة من النصوص ونماذج الذكاء الاصطناعي أن أداء الاكتشاف يمكن أن ينخفض في ظل هذه الظروف.

تتخذ بعض الطرق نهجاً مختلفاً. بدلاً من تدريب مصنف منفصل، فإنها تستخدم تقديرات الاحتمال الخاصة بنموذج اللغة للحكم على مدى احتمالية إنتاجه لمقطع ما.

• على سبيل المثال، يقارن DetectGPT النص الأصلي بنص معدل قليلاً للبحث عن الأنماط المرتبطة بتوليد الذكاء الاصطناعي. يصف بحثه هذا بأنه طريقة "صفرية" لأنه لا يتطلب كاشفاً مدرّبًا بشكل منفصل. قد تتضمن النتيجة درجة إجمالية أو جملاً مميزة أو كليهما.
• تقول GPTZero إن النقاط البارزة تظهر الجمل التي لها أكبر تأثير على تنبؤها الإجمالي. نظراً لأنه يقيّم أيضاً المستند الأوسع، فقد لا يحصل المقطع الذي يتم مسحه ضوئياً بمفرده على نفس النتيجة عندما يظهر كجزء من قطعة أطول.

تعكس كل نتيجة كلاً من النص والنظام الذي يقيمه، ولهذا السبب يمكن لكشافات مختلفة الوصول إلى استنتاجات مختلفة حول نفس المقطع.

تكبير

ما تقيسه الحيرة والتفاوت

تظهر الحيرة والتفاوت غالباً في تفسيرات اكتشاف الذكاء الاصطناعي. يمكنهما الكشف عن أنماط مفيدة في قطعة كتابية، لكن أياً منهما لا يشير إلى طريقة كتابة فريدة للذكاء الاصطناعي وحدها.

تفاصيل قد تكون محيرة: الحيرة تقوم بدور مزدوج هنا. بالحروف الصغيرة، فهي مقياس إحصائي. بحرف P كبير، نحن نحن.

تقيس الحيرة مدى إمكانية التنبؤ بالنص

تولد نماذج اللغة النص عن طريق تعيين احتمالات للرموز التالية المحتملة، والتي قد تكون كلمات كاملة أو أجزاء من كلمات. تقيس الحيرة مدى جودة تنبؤ النموذج بالرموز في مقطع ما.

• حيرة أقل: يتبع النص الأنماط التي يجدها النموذج مألوفة.
• حيرة أعلى: الصياغة أقل توقعاً.

النتيجة محددة لنموذج القيام بالتقييم والطريقة التي يتم بها معالجة النص، بحيث يمكن لنفس المقطع الحصول على درجات حيرة مختلفة تحت إعدادات مختلفة.

خذ جملة، "يرجى إعلامي إذا كان لديك أي أسئلة." من المرجح أن نموذج اللغة قد واجه صياغة مماثلة عدة مرات، مما يجعل كل كلمة سهلة التنبؤ نسبياً. هذا يخبرنا بشيء عن مألوفة الجملة. لا يقول شيئاً حاسماً حول من كتبها.

يقيس التفاوت مدى تباين هذه الأنماط

يُستخدم مصطلح التفاوت (Burstiness) بشكل أكثر مرونة في مناقشات اكتشاف الذكاء الاصطناعي. فهو يصف عموماً مدى تغير الكتابة عبر مقطع ما. قد يشمل ذلك الاختلاف في طول الجملة وبنيتها، أو التحولات بين اللغة المتوقعة للغاية والأكثر إثارة للدهشة.

• تفاوت أقل: تتبع الجمل طولاً أو بنية أو إقاعاً أكثر اتساقاً.
• تفاوت أعلى: تتحرك الكتابة بين عبارات أقصر، وتفسيرات أطول، وصياغة أقل توقعاً.

بعض النصوص المولدة بالذكاء الاصطناعي متسقة وقابلة للتنبؤ، وهذا هو سبب ارتباط التفاوت بالاكتشاف. يمكن أن تحمل الكتابة البشرية نفس الصفات، لا سيما في السياقات التجارية والأكاديمية والتقنية. يمكن لنماذج الذكاء الاصطناعي أيضاً إنتاج لغة أكثر تنوعاً عند توجيهها أو تعديلها للقيام بذلك.

تقول GPTZero إن الحيرة والتفاوت كانا ميزتين من عدة ميزات استخدمتها نسخة سابقة من كاشفها.

ما تظهره هذه القياسات: تصف الحيرة والتفاوت الأنماط في المقطع. قد تساعد تلك الأنماط في تفسير سبب تمييز النص، لكنها لا تستطيع تحديد من كتبه.

ما تعنيه نتيجة كاشف الذكاء الاصطناعي

تبدو نتيجة "80% ذكاء اصطناعي" مباشرة. يعتمد معناها على الكاشف.

تصف GPTZero النسبة المئوية بأنها الاحتمال المقدر لنموذجها بأن الذكاء الاصطناعي أو الإنسان قد كتب المستند. Turnitin تستخدم النسبة المئوية لإظهار مقدار النثر المؤهل الذي يحدده نموذجها على أنه قد تم توليده بواسطة الذكاء الاصطناعي أو تعديله باستخدام أدوات ذكاء اصطناعي معينة.

لذلك يمكن أن تعني نفس تسمية "80% ذكاء اصطناعي":

• يقدر الكاشف فرصة بنسبة 80% بأن الذكاء الاصطناعي قد أنشأ المستند.
• حدد الكاشف 80% من النثر الذي قيّمه.

تلك نتائج مختلفة. يقدم أحدهما تنبؤاً حول المستند ككل. يحدد الآخر مقدار النص الذي يتطابق مع معايير الكاشف.

تحتاج درجات الاحتمال إلى فحص آخر: المعايرة. إذا منح الكاشف 100 مستند احتمال ذكاء اصطناعي يبلغ حوالي 80%، فيجب أن يكون ما يقرب من 80 منها مولداً بالذكاء الاصطناعي فعلياً لكي تكون النتيجة معايرة بشكل جيد. يوضح اختبار النموذج مقابل أمثلة ذات أصول معروفة مدى تقارب احتمالاته مع النتائج الحقيقية.

يمكن أن تبدو النسبة المئوية دقيقة قبل أن يتضح معناها أو موثوقيتها. يحدد الملصق، وطريقة التسجيل، وأداء الكاشف ما يمكن أن تدعمه الرقم.

تكبير

يحدد الحد ما يتم وضع علامة عليه

لا يزال يتعين على الكاشف تحديد متى تكون النتيجة عالية بما يكفي لاتخاذ إجراء بشأنها. يُسمى خط الفاصل هذا بالقطع أو الحد.

افترض أن الأداة تسجل النص من 0 إلى 100 وتحدد أي شيء يزيد عن 70. نقل الحد إلى 60 سيترك كل نتيجة دون تغيير مع زيادة عدد المستندات المحددة.

• يكتشف القطع الأدنى عموماً المزيد من الكتابة المولدة بالذكاء الاصطناعي ولكنه يضع أيضاً علامات خاطئة على المزيد من الكتابة البشرية.
• يقلل القطع الأعلى من العلامات الخاطئة، بينما يسمح لمزيد من الكتابة المولدة بالذكاء الاصطناعي بالمرور دون اكتشاف. ينطبق هذا التبادل على أنظمة التخريج على نطاق واسع.

الخطأين المحتملين لهما أسماء مختلفة.

• يحدث الإيجابي الكاذب عندما يتم تصنيف الكتابة البشرية على أنها مولدة بالذكاء الاصطناعي.
• يحدث السلبي الكاذب عندما لا يتم اكتشاف الكتابة المولدة بالذكاء الاصطناعي.

يعكس المكان الذي يرسم فيه الكاشف الخط الخطأ الذي تم تصميمه لتجنبه. يحمل هذا الاختيار وزناً أكبر عندما تؤثر العلامة على درجة أو وظيفة أو مصداقية شخص ما.

كيف يمكن لمعدل خطأ بنسبة 2% أن ينتج ما يقرب من 30% من العلامات غير الصحيحة

يعتمد تأثير معدل إيجابي كاذب بنسبة 2% على مقدار الكتابة البشرية التي يراجعها الكاشف.

فكر في مجموعة افتراضية مكونة من 1,000 مقالة:

• 50 مولدة بالذكاء الاصطناعي.
• 950 كتبت بأيدي بشرية.
• يلتقط الكاشف 90% من المقالات المولدة بالذكاء الاصطناعي.
• إنه يضع علامات خاطئة على 2% من المقالات التي كتبها بشر.

إليك ما يحدث:

وضع الكاشف علامة على 64 مقالة في الإجمالي. تسعة عشر منها كتبها بشر، لذا فإن ما يقرب من 30% من علاماته خاطئة.

يقيس رقما 2% و30% أشياء مختلفة. يضع الكشف علامة خاطئة بشكل غير صحيح على 2% من جميع المقالات التي كتبها بشر. ثم تشكل تلك الأخطاء نحو 30% من كل ما يميزه.

تتجمع الأرقام بهذه الطريقة لأن الكاشف راجع مقالات كتبها بشر أكثر بكثير من تلك المولدة بالذكاء الاصطناعي. حتى معدل الخطأ الصغير يمكن أن ينتج عدداً كبيراً بشكل ملحوظ من العلامات الخاطئة عندما ينطبق على مجموعة أكبر بكثير.

يصف مصطلح المعدل الأساسي مدى شيوع الكتابة المولدة بالذكاء الاصطناعي في المواد التي يتم فحصها. ومع تغير هذه الحصة، يتغير أيضاً معنى النتيجة الإيجابية. إذا ظلت معدلات الإيجابية الحقيقية والإيجابية الكاذبة للكاشف كما هي، فستكون العلامة أكثر موثوقية بشكل عام عندما تكون الكتابة المولدة بالذكاء الاصطناعي شائعة في المجموعة وأقل موثوقية عندما تكون نادرة.

هذه الأرقام افتراضية ولا تصف كاشفاً معيناً. في المراجعة الحقيقية، تكون حصة الكتابة المولدة بالذكاء الاصطناعي غير معروفة عادةً. هذا عدم اليقين هو سبب آخر للتعامل مع العلامة كسبب للنظر بمزيد من الدقة، بدلاً من إثبات كيف تم كتابة المستند.

يعتمد الدقة على ما تم اختبار الكاشف عليه

يصف معدل الدقة الأداء في ظل مجموعة معينة من الظروف. قبل تطبيق هذا المعدل على قطعة كتابية أخرى، تحقق من:

• إصدار الكاشف
• طول النص ولغته وموضوعه وتنسيقه
• نموذج الذكاء الاصطناعي والإعدادات المستخدمة لتوليد المواد الاختبارية
• ما إذا تم تحرير النص أو تعديله عن قصد
• الكتاب الممثلون في العينات التي كتبها بشر

ابدأ بالمدخلات المدعومة للأداة

على سبيل المثال، تتطلب Turnitin ما لا يقل عن 300 كلمة من النثر الطويل. وتقول إن نموذجها لا يكتشف بشكل موثوق الشعر أو النصوص أو الرموز أو التنسيقات الأخرى غير النثرية المولدة بالذكاء الاصطناعي. وبالتالي، فإن الأداء القوي في المقالات لا يُخبرنا إلا القليل عن كيفية تعامل نفس الكاشف مع قصيدة أو رسالة بريد إلكتروني قصيرة.

قارن الاختبار بالكتابة الواقعية

في عام 2024، اختبر الباحثون 12 كاشفاً باستخدام RAID، وهو معيار يحتوي على أكثر من 6 ملايين مقطع مولد بالذكاء الاصطناعي عبر 11 نموذجاً وثمانية مجالات موضوعية. انخفض الأداء عندما واجهت الكشافات نماذج غير مألوفة، أو إعدادات توليد مختلفة، أو نصاً معدلاً عن قصد.

أدى تحدي عام 2025 باستخدام RAID إلى إنتاج نتائج أقوى في ظل ظروف أكثر مألوفية. اكتشف العديد من المشاركين أكثر من 99% من النص المولّد آلياً مع الحفاظ على معدل إيجابي كاذب بنسبة 5%. كما تم تمثيل مجالات الموضوعات ونماذج الذكاء الاصطناعي المستخدمة في الاختبار في بيانات التدريب.

معاً، تُظهر النتائج أن الكشافات يمكن أن أداءها جيداً على المواد المتنوعة التي تدربت على التعرف عليها، بينما تظل المواد غير المألوفة أكثر صعوبة في التقييم.

انظر إلى من تم تمثيلهم

في دراسة أجريت عام 2023، صنفت سبعة كشافات بشكل خاطئ متوسط 61.3% من 91 مقالاً في اختبار TOEFL كتبها متحدثون غير أصليين للغة الإنجليزية على أنها مولدة بالذكاء الاصطناعي. تنطبق هذه النتيجة على الأدوات والعينات التي تم اختبارها في ذلك الوقت. كما يوضح سبب عدم وصف معدل الدقة الإجمالي للأداء بالتساوي لكل مجموعة من الكاتبين.

كيفية قراءة ادعاء الدقة: كلما كان النص المُرسل أقرب إلى المادة المستخدمة في الاختبار، أصبحت النتيجة المبلغ عنها أكثر صلة.

يُظهر المستند النهائي جزءاً فقط من كيفية كتابته

يمكن للذكاء الاصطناعي أن يلعب أدواراً عديدة في عملية الكتابة. قد يستخدمه شخص ما للبحث في موضوع ما، أو تنظيم الملاحظات، أو ترجمة مقطع، أو صقل جملة، أو إنتاج مسودة أولية.

يمكن أن تؤدي سير العمل هذه إلى مستندات مختلفة جداً. قد يستخدم أحد الكتاب الذكاء الاصطناعي للبحث ويؤلف كل جملة بشكل مستقل. وقد يقوم آخر بإعادة كتابة مسودة مولدة بالذكاء الاصطناعي بشكل كبير. وقد يضيف ثالث فقرة واحدة مولدة إلى مقالة مكتوبة بشرياً بخلاف ذلك.

يرى كاشف النص الكلمات التي تم إرسالها. وليس لديه إمكانية الوصول إلى المطالبات أو التعديلات أو القرارات التي سبقتها. لا يمكن لنتيجته إعادة بناء عملية الكتابة الكاملة أو تحديد ما إذا كان المؤلف قد اتبع سياسة معينة. على سبيل المثال،

• قد تسمح المدرسة بالعصف الذهني مع مطالبة الطلاب بكتابة الواجب بأنفسهم.
• قد يسمح الناشر بالتحرير بمساعدة الذكاء الاصطناعي عند الإفصاح عنه.
• قد يهتم مكان العمل بدقة الحقائق أو السرية أو نسب المصادر أكثر مما إذا كان الذكاء الاصطناعي قد ساهم في الصياغة.

يتطلب تطبيق هذه القواعد أدلة حول العملية بالإضافة إلى النص النهائي. يمكن أن توفر تاريخ المسودات وملاحظات البحث وشرح الكاتب سياقاً لا يملكه الكاشف. تنحيتن (Turnitin) تنصح المعلمين صراحة بعدم استخدام درجة كتابة الذكاء الاصطناعي الخاصة به كأساس وحيد لاتخاذ إجراء سلبي ضد الطالب.

يمكن للكاشف تحديد لغة تشبه الأنماط التي يربطها بالذكاء الاصطناعي. يتطلب تحديد ما حدث، وما إذا كان مسموحاً به، مراجعة أوسع.

تضيف العلامات المائية نوعاً مختلفاً من الإشارات

يمكن لبعض أنظمة الذكاء الاصطناعي إضافة نمط قابل للاكتشاف أثناء توليد النص. تُسمى هذه العملية وضع العلامات المائية.

كيف تعمل العلامة المائية النصية

يوفر SynthID من Google DeepMind مثالاً واحداً:

1. يقوم النظام بضبط احتمالات الرموز. إنه يغير قليلاً من احتمال أن يحدد النموذج كلمات معينة أو أجزاء من الكلمات.
2. تخلق تلك الخيارات نمطاً. تم تصميم العلامة المائية لتظل غير مرئية للقارئ.
3. يتحقق كاشف متوافق منه. يحلل الكاشف النص بحثاً عن الإشارة الإحصائية المتوقعة.

نظراً لأنه يتم إضافة النمط أثناء التوليد، فيمكنه توفير معلومات مرتبطة بالنظام الذي أنتج النص.

ما الذي يحد من اكتشاف العلامات المائية

• يجب على المولد إضافتها. يحتاج نظام الذكاء الاصطناعي إلى دعم العلامة المائية وتطبيقها. لا تثبت العلامة المائية الغائبة أن الشخص كتب النص.
• يجب أن يتبقّى ما يكفي من النمط. تقارير Google أن SynthID يمكنه تحمل بعض الاقتصاص، وتغييرات الكلمات، والصياغة المعبرة المعتدلة. يمكن أن تؤدي إعادة الكتابة الشاملة أو الترجمة إلى تقليل ثقته.

يمكن للعلامات المائية تعزيز الأدلة عندما يقوم نظام متوافق بتوليد النص ويبقى ما يكفي من الإشارة. لا يمكنهم تحديد كل قطعة من الكتابة المولدة بالذكاء الاصطناعي.

يمكن للسجلات الأخرى ملء المزيد من تفاصيل الصورة

• تاريخ المسودة يوضح كيف تغير المستند بمرور الوقت.
• تربط ملاحظات البحث ادعاءاتها بالمصادر.
• تُظهر تفاعلات الذكاء الاصطناعي المُفصح عنها المكان الذي ساهمت فيه الأداة.

توفر هذه السجلات سياقاً أكثر مباشرة حول عملية الكتابة مقارنة بنتيجة تعتمد على الأنماط وحدها.

تعامل مع العلامة كبداية للمراجعة

تصبح نتيجة الكاشف أكثر فائدة عندما يكون لها دور محدد. قبل التصرف بناءً على علامة، يجب على المراجعين فهم ما قاسته الأداة، والتأكد من أن النص يقع ضمن نطاقها، وفحص الأدلة الأخرى المتاحة.

يمكن أن تساعد خمسة فحوصات:

1. اقرأ تعريف النتيجة. حدد ما إذا كانت النسبة المئوية تمثل احتمالاً على مستوى المستند أو حصة النص المحدد.
2. تحقق من نطاق الأداة. تأكد من أن لغة المستند وطوله وتنسيقه تتطابق مع ما يدعمه الكاشف.
3. راجع الأدلة. افحص المقاطع المميزة جنباً إلى جنب مع المسودات وملاحظات المصادر وشرح المؤلف.
4. تطبيق السياسة ذات الصلة. حدد استخدامات الذكاء الاصطناعي المسموح بها وما هو الدليل الذي يثبت حدوث انتهاك.
5. تقييم العمل نفسه. مراجعة دقة الحقائق، ونسب المصادر، والأصالة، والجودة بشروطهم الخاصة.

يجب أن تحدد المخاطر عمق المراجعة. قد يستخدم المحرر علامة لتحديد المقالة التي تحتاج إلى نظرة أخرى. يتطلب القرار الذي يؤثر على درجة أو وظيفة أو اتفاقية نشر أدلة أقوى وפרصة للكاتب لشرح عمليته.

يقوم كاشف الذكاء الاصطناعي بضغط حكم معقد في درجة واحدة. يتطلب تفسير هذه النتيجة معلومات لا يحتوي عليها الرقم: ما قياسه الأداة، والحد الذي استخدمته، وأدائها على كتابة قابلة للمقارنة، ومدى شيوع النص المولّد بالذكاء الاصطناعي في المواد التي تتم مراجعتها. يمكن للنتيجة توجيه الانتباه. يمكن أن تساهم درجة الكاشف في تلك المراجعة، لكن أي استنتاج حول التأليف يتطلب أيضاً أدلة حول عملية الكتابة.

الأسئلة المتكررة

هل يمكن أن تكون كشافات الذكاء الاصطناعي خاطئة؟

نعم. يحدث الإيجابي الكاذب عندما يصنف الكاشف الكتابة البشرية على أنها مولدة بالذكاء الاصطناعي. ويحدث السلبي الكاذب عندما لا يتم اكتشاف الكتابة المولدة بالذكاء الاصطناعي. يعتمد تكرار كل خطأ على الكاشف، وعتبته، ومدى تشابه النص المُرسل مع المواد المستخدمة لاختباره.

ما مدى دقة كشافات الذكاء الاصطناعي؟

لا يوجد معدل دقة واحد لكشافات الذكاء الاصطناعي. يمكن أن يختلف الأداء مع اللغة، والطول، والموضوع، وكاتب الأسلوب، وننموذج التوليد، وكمية التحرير. يكون ادعاء الدقة أكثر فائدة عندما تشبه ظروف الاختبار الكتابة التي تتم مراجعتها وتقدم النتيجة إيجابيات كاذبة بالإضافة إلى عمليات الاكتشاف الناجحة.

ماذا تعني نسبة اكتشاف الذكاء الاصطناعي؟

التعريف يعتمد على الأداة. قد يمثل الاحتمال المقدر بأن المستند مولد بالذكاء الاصطناعي، أو النسبة المئوية للنص المؤهل المحدد، أو شكلاً من أشكال الثقة في النتيجة. يجب أن توضح وثائق الكاشف القياس الذي تقرره.

هل يمكن لكاشف الذكاء الاصطناعي إثبات أن شخصاً ما استخدم الذكاء الاصطناعي؟

لا يمكن لدرجة الكاشف وحدها أن تثبت كيف تم إنشاء المستند. فهي تحلل النص المُرسل دون رؤية المطالبات أو المسودات أو التعديلات أو الأبحاث الكامنة وراءه. تأخذ المراجعة الموثوقة في الاعتبار النتيجة إلى جانب أدلة العملية والسياسة التي تحكم الاستخدام المقبول للذكاء الاصطناعي.

لماذا تحصل الكتابة البشرية أحياناً على علامة كذكاء اصطناعي؟

يمكن أن تشترك الكتابة البشرية والمولدة بالذكاء الاصطناعي في نفس الأنماط الإحصائية. قد تساهم اللغة المصملة، أو الصياغة المتوقعة، أو المفردات المحدودة، أو الأسلوب الذي يختلف عن بيانات تدريب الكاشف في نتيجة إيجابية خاطئة. وقد وجد البحث أيضاً أن بعض الكشافات التي تم اختبارها في عام 2023 وضعت علامات غير متناسبة على المقالات التي كتبها متحدثون غير أصليين للغة الإنجليزية.