أنماط الكتابة بالذكاء الاصطناعي: الكلمات والإيقاع وعلامات الترقيم التي تكشفه

اقرأ هذه الجملة مرة واحدة وانظر إن كنت تعرف بالفعل من أين جاءت: يواصل الباحثون تسليط الضوء على التفاعل المعقد بين الدافعية والتحصيل، كما أن مجموعة متنامية من الأعمال تبرز الدور الرئيس الذي تلعبه التنظيم الذاتي في النجاح الأكاديمي. لا يوجد أي خطأ في ذلك. كل عبارة سليمة نحويًا، وكل كلمة كلمة حقيقية، ولن يحسم المصحح نقطة واحدة. لكنه ما يزال يقرأ كما لو أنه خرج من آلة، لأنه كذلك فعل. هذا ما يتناوله هذا الجزء.

أنماط الكتابة بالذكاء الاصطناعي هي العادات القابلة للتكرار، في اختيار الكلمات، وإيقاع الجمل، وعلامات الترقيم، والبنية، التي تجعل النثر المصاغ آليًا قابلاً للتعرف عليه بمجرد النظر. وتتجمع هذه الأنماط على أربعة مستويات: الكلمات التي يلجأ إليها النموذج، وشكل جمله، وعلامات الترقيم التي يعتمد عليها، والطريقة التي يبني بها الحجة بوصفها كلاً. ولا يثبت أي واحد منها شيئًا بمفرده. لكنها مجتمعة، داخل فقرة واحدة، يصعب عدم ملاحظتها.

الآلة التي تقوم بذلك تسمى كاشفًا إحصائيًا. وهي تمنح درجة لمدى قابلية كل كلمة للتنبؤ، وفقًا لما يتوقعه نموذج لغوي. ويتضمن التقرير رياضيات perplexity وburstiness الكامنة وراء تلك الدرجة، وقد جرى تناولها بمزيد من التفصيل في قطعة أخرى عن كيف تعمل كواشف الذكاء الاصطناعي. أما بقية هذا المقال فهي قائمة بعلامات الكتابة بالذكاء الاصطناعي التي يمكن للقارئ أن يسمعها أو يعدها أو يشير إليها على الصفحة. وقد يكون هذا مهمًا، حتى لو كان الكاشف مخطئًا، أو غير متاح، أو خارج الموضوع. وما يلي هنا لا يحتاج إلى نموذج ولا إلى اشتراك.

لماذا تبدو أنماط الكتابة بالذكاء الاصطناعي آلية؟

يقوم نموذج لغوي بشيء مختلف عن الإنسان على مستوى الجملة, إذ يختار الكلمة التالية الأكثر احتمالًا إحصائيًا، مرارًا وتكرارًا، داخل نظام جرى تدريبه على أن يبدو كفؤًا لا مميزًا. وتنتج الكفاءة على هذا النطاق نثرًا سلسًا وصحيحًا وسريع النسيان، وهذا هو أصل الإحساس الآلي. وغالبًا لا يستطيع القارئ أن يحدد ما الخطأ في فقرة من هذا النوع، بل فقط أنها تبدو مسطحة، والمستويات الأربعة أدناه هي موضع هذه المسطحية.

اختيار الكلمات هو المستوى الذي يلاحظه القراء أولاً: كلمات رسمية، مسرحية، تظهر حيث لا تنتمي. إيقاع الجمل أكثر هدوءاً، فقرة تكون فيها كل جملة تقريباً بالطول نفسه. تحمل علامات الترقيم والتنسيق بصمتها الخاصة، شرطة تستخدم كوصلة عامة، وقائمة نقطية تقطع نصاً لم يكن قائمة في ذهن الكاتب. أما البنية فهي الأقل ظهوراً، جزء يعيد صياغة عنوانه نفسه، ويغطي ثلاث نقاط بالضبط، ثم يختم بتلخيص نفسه.

ابدأ بالكلمات: الأسهل إشارة إليها، والأفضل توثيقاً.

ما الكلمات التي يفرط AI في استخدامها؟

ترى هذه الكلمات الرسمية، المسرحية قليلاً، مرة بعد مرة: "delve" و"underscore" و"showcase" و"pivotal" من بين الأكثر توثيقاً. شرع Dmitry Kobak وثلاثة مؤلفين مشاركين في تحديد هذه اللغة. حللوا 15.1 مليون ملخص من PubMed من 2010 إلى 2024 وحددوا مجموعة من الكلمات التي شهدت زيادة حادة في التكرار عند إطلاق ChatGPT. كانت "delve" الأبعد مدى، وقد قدّرت الدراسة، التي نُشرت في Science Advances في يوليو 2025، أن تكرارها في 2024 كان أعلى بنحو 28 مرة مما كان عليه قبل 2023. وجاءت "underscore" و"showcase" في المرتبة التالية مباشرة. ويقدّر المؤلفون أن ما لا يقل عن 13.5 percent من ملخصات 2024 تحمل علامات على مساعدة AI، وترتفع النسبة إلى أكثر من 40 percent في بعض البلدان والناشرين.

أما سبب تقارب النماذج نحو هذه الكلمات بعينها فهو أقل حسمًا من النمط نفسه. اختبرت دراسة في COLING 2025 إحدى وعشرين كلمة مفرطة التمثيل مقابل بنية النموذج، وبيانات التدريب، والتغذية الراجعة البشرية المستخدمة لضبط chatbots، ووجدت أن مرحلة التغذية الراجعة هي المساهم الأكثر احتمالاً من دون أن تفسر الأثر تفسيراً كاملاً. كما أن التأويل نفسه ما يزال محل جدل، إذ دفع تبادل آراء في مجلة PNAS في 2026 إلى الاعتراض على مدى مباشرة قياس تحول تكرار الكلمات لاستخدام AI، وهو أمر يستحق التذكر قبل التعامل مع أي رقم منفرد هنا بوصفه حقيقة محسومة.

هذا ليس صحيحًا فقط بالنسبة إلى الملخصات العلمية. في دراسة قارنت نصف مليون من المقالات التي كتبها الطلاب وتلك التي ولّدها الذكاء الاصطناعي، قارن الباحثون طول الأوراق واختيار الكلمات فيها، ووجدوا أن المقالات البشرية كانت أطول إجمالًا واستخدمت مفردات أوسع. وفي دراسة لمراجعات الأقران المقدمة إلى أربعة مؤتمرات في تعلم الآلة، بما في ذلك ICLR 2024 و NeurIPS 2023، استخدم الباحثون التقنية نفسها لتقدير أن ما بين 6 و 15 percent من نص المراجعات قد عُدّل تعديلًا جوهريًا بواسطة LLM. وكان من الأرجح أن يتأثر بـ LLM عندما قُدّم قريبًا من الموعد النهائي.

الكلمة أو العبارة التي يفرط الذكاء الاصطناعي في استخدامها	ما يستخدمه الكاتب الحريص بدلًا منها
delve (into)	look at, examine
underscore	show, stress
showcase	present, demonstrate
pivotal	main, deciding
robust	solid, reliable
intricate	complex, detailed
meticulous	careful, thorough
tapestry	mix, range
testament	sign, evidence
boasts	has, includes
foster	encourage, support
garner	gain, attract
multifaceted	many-sided, complex
holistic	whole, overall
nuanced	careful, precise
invaluable	useful, valuable
realm	field, area
embark on	begin, start
unlock	open up, make possible
interplay	relationship, link

لا توجد أي من هذه الكلمات خاطئة في حد ذاتها. إن قسم المنهجيات الذي يصف نتيجة بأنها متينة يستخدم الكلمة استخداما صحيحا، والمؤرخ الذي يصف حجة قانونية معقدة لا يعترف بأنه يخاطب chatbot. ما يبدو مصنوعا آليا هو الكثافة: ثلاث أو أربع من هذه الكلمات في فقرة واحدة، من دون أداء أي عمل محدد، مكدسة بالطريقة التي يكدسها بها النموذج لأن كل واحدة كانت، بصورة مستقلة، الخيار التالي الأكثر أمانا. إن فحصا سريعا باستخدام TextPulse's free AI word cleaner يرصد هذه الكثافة مباشرة.

لماذا تبدو جمل AI كلها بالطول نفسه؟

يبني النموذج كل جملة بالطريقة نفسها التي بنى بها الجملة السابقة، بدلا من ضغط فكرة في ست كلمات في موضع ما وبسطها عبر ثلاثين كلمة في موضع آخر، لذلك يميل الناتج إلى أن يستقر عند الطول نفسه تقريبا في جميع أجزائه. ذلك التباين، أو غيابه، هو أمر يمكنك سماعه بقراءة فقرة بصوت عال، وهو تمرين مختلف عن درجة burstiness التي يحسبها detector من الخاصية الأساسية نفسها.

تفضح عادتان أصغر الإيقاع عن قرب. يميل النموذج إلى إنهاء الجملة باسم فاعل معلق يوحي بالأهمية من دون أن يضيف معلومات، أو بادعاء يتبعه إبراز الحاجة إلى مزيد من البحث أو الإشارة إلى تحول أوسع في المجال. كما أنه يلجأ إلى بنية مزدوجة ليبدو متوازنا، على غرار أن الطريقة ليست فعالة فحسب بل قابلة للتوسع أيضا. إذا قيلت مرة واحدة، فهذه البنية لا تثير الانتباه. أما إذا قيلت في كل فقرة، فإنها تبدو كقالب استبدلت فيه الأسماء.

قاعدة الثلاثة

وعلى مستوى العبارة أيضا، تمثل المجموعات الثلاثية الإيقاع الافتراضي للنموذج: ثلاث صفات قبل اسم، ثلاثة أمثلة في قائمة، ثلاث جمل فرعية مبنية بالطريقة نفسها متتالية. لقد كانت المجموعات الثلاثية العرضية دائما جزءا من الإنجليزية. إن مجموعة ثلاثية موضوعة في مكانها الجيد ليست علامة على أي شيء. المؤشر الحقيقي هو التكرار. ليست الثلاثة هي المشكلة. المشكلة هي ظهور الثلاثة في كل فقرة تقريبا.

العدّ يكفي لاكتشاف معظم هذا من دون أي تدريب خاص. اقرأ فقرة وضع علامة على طول كل جملة بعدد الكلمات. إذا كانت جميع علاماتك ضمن بضع كلمات من العلامة السابقة، فإن الإيقاع هو الدليل. استخدم أداة فحص burstiness المجانية من TextPulse لأتمتة العد ورسمه بيانيًا، وهو أمر مفيد لمقطع طويل جدًا بحيث لا يمكن تقديره بصريًا جملةً جملة.

الشرطة الطويلة وعلامات ترقيم أخرى كدلائل

لماذا أصبحت هذه العلامة الخيار المعتاد

الشرطة الطويلة هي على الأرجح علامة الترقيم الأكثر اتهامًا في الكتابة الآلية. قد تعرفها بوصفها الشرطة الطويلة التي تستبدل فاصلة أو نقطتين أو نقطة لربط جزأين من الجملة. الشرطة الطويلة ليست جديدة، وليست شيئًا اخترعه ChatGPT. وطالما وُجدت أدلة الأسلوب، من Chicago إلى AP، فقد سمحت باستخدامها للتوكيد والاعتراض. وكثير من الكتّاب العاملين يستخدمونها عمدًا.

والسبب المرجح لظهورها كثيرًا في المخرجات الآلية هو سبب عادي: هذه العلامة شائعة في النثر المحرر والمصفوف مهنيًا الذي تُدرَّب عليه نماذج اللغة، وهي تتيح للجملة أن تواصل الحركة من دون الالتزام بنقطة. والنموذج المصمم لإنتاج نص سلس ومترابط يلجأ إلى هذه المرونة كثيرًا، أكثر مما يفعل معظم الناس عند الصياغة باليد.

ويختلف معدل ظهورها اختلافًا كبيرًا بحسب النظام الذي أنتج النص. وقد أظهر اختبار مقارن أُجري في منتصف 2025 ستة روبوتات محادثة على الطلب نفسه وعدّ العلامات: أعادت ثلاثة أنظمة العلامة 8 أو 9 مرات في أقل من 600 كلمة، واستعملها نظام واحد مرتين في ما يقرب من 1000 كلمة، ولم يستعملها نظامان إطلاقًا. والتكرار خاصية للنموذج الذي أنتج الفقرة أمامك، لا سمة ثابتة من سمات الكتابة الآلية. وأضافت OpenAI إعدادًا في نوفمبر 2025 يتيح للمستخدم أن يطلب من ChatGPT التوقف عن استخدام العلامة وأن يلتزم فعلًا بذلك، مما يجعل هذا الدليل نفسه اختياريًا جزئيًا الآن.

لا يجعل أيٌّ من ذلك العلامة نفسها دليلاً على أي شيء. فكثير من الكتّاب الحذرين يستخدمونها عمداً، وكثير من المقالات الطلابية التي لم تمسّها أي chatbot تستخدمها أيضاً، أحياناً لأن معلماً علّمهم ذلك. وما يستحق التحقق هو الكثافة: فالصفحة التي تعتمد على العلامة في كل جملة ثانية تُقرأ على نحو مختلف عن صفحة تستخدمها مرتين عن قصد. يفحص free em dash remover الخاص بـ TextPulse هذه الكثافة ويقترح الفاصلة أو النقطتين أو النقطة أو الشرطة حيث تقتضيها كل حالة.

النقاط، النص الغامق والعناوين

المستوى نفسه يشمل قرارات التنسيق الواقعة دون مستوى الجملة. قائمة نقطية في منتصف نثر لم تكن قائمة قط في ذهن الكاتب. عناوين بصيغة عنوانية حين يكون بقية المستند بصيغة الجملة. عبارة مكتوبة بخط غامق في بداية كل نقطة من نقاط القائمة، كأنها عنوان صغير. ليست أيٌّ من هذه علامات ترقيم، لكنها كلها تأتي من المكان نفسه: نموذج ينسّق نصاً لنافذة محادثة، حيث يحل البناء البصري محل الانتقالات التي يحملها النثر عادة.

البنية وشكل الحجة

المستوى الأخير يقع فوق الجملة، وهو الأصعب إصلاحاً باستبدال كلمة بكلمة، لأنه شكل الحجة نفسها. فالقسم المكتوب آلياً يبدأ كثيراً بإعادة صياغة عنوانه هو نفسه بكلمات مختلفة قليلاً، ثم ينتقل عبر نقطتين أو ثلاث نقاط داعمة تُمنح وزناً متقارباً تقريباً بغض النظر عن مقدار أهمية كل واحدة منها فعلاً، ثم يختم بتلخيص ما قاله للتو بدلاً من إضافة أي شيء جديد.

وتظهر عادة ذات صلة باستمرار في النصوص الأطول: يعدد قسم ما الذي يفعله شيء ما على نحو جيد، ثم ينعطف عند كلمة مثل however، ويعدد التحديات بالترتيب نفسه الأنيق من ثلاث نقاط، ثم يلمّح إلى مستقبل سيحلها على الأرجح. الحجج الحقيقية أكثر خشونة من ذلك. فالكاتب البشري يهتم عادةً بنقطة واحدة أكثر من النقطتين الأخريين، ويمنحها مساحة أكبر، ولا يدين للقارئ بخاتمة متناظرة.

هذا أيضًا هو المستوى الذي يمكن فيه للكتابة الأكاديمية الصياغية أن تبدو مشابهة على نحو خادع للكتابة الآلية، لأن قسم المنهجية أو مراجعة الأدبيات يفترض أن يتبع شكلاً ثابتًا. يكمن الفرق داخل هذا الشكل. مراجعة الأدبيات المكتوبة آليًا تذكر نقاط المجال المعتادة بالترتيب المعتاد. أما المراجعة البشرية فتجادل بشأن النقاط التي تهم ولماذا، حتى داخل قالب صارم، لأن موقفًا حقيقيًا يجري الدفاع عنه.

هل تثبت هذه العلامات أن النص مكتوب بواسطة AI؟

لا توجد علامة واحدة تثبت أي شيء، وكذلك لا تفعل مجموعة كاملة منها. وتحت ضغط محرر أو أستاذ، يمكن للكاتب الأكاديمي الحذر أن ينتج فقرات تتضمن عدةً من هذه السمات، مثل غياب الضمائر، ولكن من دون مساعدة chatbot. وقد يستخدم الكتّاب غير الناطقين بالإنجليزية كلمات آمنة تعلموها في الصف، كما قد يستخدم الطلاب الذين يُعلَّمون استعمال الروابط الرسمية كثيرًا من هذه السمات أيضًا. إن قائمة الكلمات ليست دليلًا على سوء السلوك، بل هي خطأ يمكن أن يؤدي إلى اتهام الكتّاب الحذرين زورًا. ينبغي أن نسمّي هذا الخطأ وننبه إليه، لا أن نكرره بصمت.

ما يمكن للأداة أن تفعله بمسؤولية هو إظهار النمط، لا الفصل في الكتابة. وما علينا تقديمه مع AI humanizer الخاص بـ TextPulse هو تقدير لـ Human Score استنادًا إلى النص المعروض أمامه. هذا قراءة لموضع المسودة بالنسبة إلى هذه الأنماط السطحية، لا حكم صادر عن أي detector ولا وعد بشأن ما قد تقوله أداة مختلفة غدًا. إنه رقم يمكنك استخدامه نقطةَ انطلاق لاتخاذ قرار، كما يعلّم مدقق الإملاء على كلمة من دون أن يقرر ما إذا كانت الجملة المحيطة بها جيدة أم لا.

كل علامة من العلامات المذكورة أعلاه لها صفحة خاصة بها. وقد جرى توثيق المفردات نفسها في مقال عن words that give away ChatGPT، مع معالجات منفصلة لـ the em dash habit و لـ why models reach for one verb in particular. كما تغطي المقالات الأوسع هذه التسميات أيضاً: what AI slop means، what AI fluff means، ودليل عملي لـ telling whether something was written by AI. وإذا كان القلق يتعلق بمسوداتك أنت لا بمسودات شخص آخر، فهناك مقال عن removing AI words from your writing.

في المرة القادمة التي تقرأ فيها نصك وتشعر أن شيئاً فيه ليس على ما يرام تماماً، لا تكتفِ بالبحث عن مرادف لاستبداله. جرّب أن تقرأه بصوت عالٍ بدلاً من ذلك. عدّ عدد الكلمات في كل جملة. اسأل نفسك ما الذي تفعله كل كلمة هناك بالضبط. هذا هو النوع نفسه من القراءة الذي كان يطبقه محرر دقيق قبل وقت طويل من أن يكون لأي من هذا اسم.