كيف تعمل كواشف الذكاء الاصطناعي؟ الحيرة، التفاوت، واحتمال الرمز

بدأت جامعتك في تمرير التسليمات عبر كاشف للذكاء الاصطناعي، وقد عاد تقرير برقم لم تكن تتوقعه. قبل أن تحاول الاعتراض عليه، من المفيد أن تعرف ما الذي يعنيه ذلك الرقم. كيف تعمل كواشف الذكاء الاصطناعي؟ إنها لا تقرأ الكتابة الآلية بالطريقة التي يقرأ بها الإنسان. إنها تقيس مدى قابلية نصك للتنبؤ بالنسبة إلى نموذج لغوي، ثم تحول هذه القابلية للتنبؤ إلى درجة. لا شيء في هذه العملية ينظر إلى ما تعنيه، أو إلى حجتك، أو إلى ما إذا كنت قد كتبت الشيء فعلا.

لقد أمضيت سنوات في بناء أدوات تفكك النص إحصائيا، وأهم شيء يمكن فهمه عن الكشف هو هذا: إنه قياس للنمطية، لا للأصل. ما إن تتضح هذه الفكرة حتى يصبح كل من التكنولوجيا وإخفاقاتها أكثر منطقية بكثير.

ما الذي يقيسه الكاشف فعليا

الكاشف لا يعرف من كتب أي شيء. ما لديه هو نموذج لغوي ودالة تسجيل. يقرأ النموذج نصك من اليسار إلى اليمين، وفي كل نقطة ينتج توزيعا احتماليا للكلمة التي ينبغي أن تأتي بعد ذلك. إذا أعطيته الكلمات "the results of the" فسيرتب "study" في المرتبة الأعلى، و"experiment" أدنى قليلا، و"marmalade" في مكان قريب من الصفر.

لذلك يطرح الكاشف سؤالا واحدا على وثيقتك: كم مرة اختار هذا النص الكلمة التي توقعها النموذج؟ إن الكتابة التي تواصل اختيار كلمات ذات احتمال مرتفع تبدو وكأنها صادرة عن آلة، لأن هذا بالضبط ما يفعله مولد النصوص. إن النموذج يأخذ عينات من أعلى توزيعه الخاص، مرارا وتكرارا، عبر آلاف الرموز.

ولهذا السبب فإن هذه الفئة كلها تقف على أرض أكثر اهتزازا مما توحي به المواد التسويقية. الكاشف لا يعثر على علامة مائية أو بصمة. إنه يلاحظ أن نثرك غير مفاجئ إحصائيا، والنثر غير المفاجئ له أسباب كثيرة غير روبوت محادثة.

الحيزية: مدى دهشة النموذج

المقياس الأساسي يُسمّى الحيرة، وهو أبسط مما يبدو. خذ الاحتمال الذي أسنده النموذج إلى كل كلمة ظهرت فعلاً، ثم احسب متوسط اللوغاريتمات لتلك الاحتمالات، وبعد ذلك خذ الأسّ للنتيجة. ما ينتج هو رقم واحد يصف مدى دهشة النموذج من مستندك. يمكنك التحقق من الحيرة في مسودتك الخاصة بدلاً من التخمين.

تعني الحيرة المنخفضة أن النص سار في الاتجاه الذي توقعه النموذج. وتعني الحيرة المرتفعة أنه ظلّ يتخذ منعطفات لم يتوقعها النموذج. تميل الكتابة البشرية إلى أن تكون أعلى، لأن الناس يلجؤون إلى الاسم المحدد الغريب، والتركيب غير المألوف، والجملة التي تبدأ من موضع غير متوقع. وتميل النصوص المولدة إلى أن تكون أقل، لأن عملية فك الترميز مبنية على تجنب هذه التحركات تحديداً.

قارن بين طريقتين لافتتاح قسم المنهجية. إن عبارة "كانت نتائج الدراسة ذات دلالة إحصائية" هي تسلسل يمكن لأي نموذج تقريباً أن يتوقعه بثقة عالية، لأنها لا تحمل معلومات غير متوقعة. أما عبارة "انحرفت اثنتان من المجموعات الثلاث قبل الأسبوع السادس، وهو ما لم نكن قد خططنا له" فهي أقل قابلية للتنبؤ بكثير، لأنها تحمل معلومات محددة وغير مألوفة لا يمكن تخمينها من بقية الورقة. إن الثانية تكلّف الكاشف دهشة حقيقية، وهذه الدهشة هي ما يُسجَّل بوصفه بشرياً.

التقطّع, التباين لا المتوسط

الحيرة وحدها ليست كافية، لأن المستند قد يفضي في المتوسط إلى رقم معقول تماماً بينما يكون متجانساً على نحو مريب في داخله. ما يهم هو التغير عبر نصك، وهذا ما يقيسه التقطّع: مقدار تذبذب طول الجملة والحيرة على مستوى الجملة مع تقدّم الكتابة. سيُظهر لك كاشف التقطّع هذا الانتشار مباشرة.

نسرع عندما نكون واثقين، ونبطئ عندما نتحفظ، وتبقى هذه الإيقاعية في النثر. يكتب الناس على شكل دفعات. قد تبدأ الفقرة بجملة خبرية قصيرة من ثماني كلمات، ثم تدخل في جملة من 34 كلمة تحمل ثلاث جمل فرعية واعتراضاً بين قوسين، ثم تعود إلى شيء سريع.

لا ينجح ناتج النموذج في فعل ذلك على نحو موثوق. تتجمع الجمل قرب متوسط الطول. وتأتي الفقرات في حزم منتظمة. ويبدأ كل قسم بإعادة صياغة عنوانه الخاص. إنه يُقرأ بسلاسة ويحقق درجات سيئة، لأن انخفاض التباين عبر الجمل يعد من أقوى الإشارات التي يمتلكها الكاشف. ليس جملة واحدة بعينها هي التي تكشفه، بل التجانس.

الإشارة	ما الذي تقيسه	لماذا تحصل النصوص الآلية على درجة منخفضة
Perplexity	مدى دهشة النموذج من اختياراتك للكلمات، محسوبا بمتوسط عبر المستند	فك الترميز يعاين رموزا ذات احتمال مرتفع بحكم التصميم
Burstiness	مدى تباين طول الجملة وقابليتها للتنبؤ عبر النص	يتكتل الناتج قرب المتوسط بدلا من أن يتأرجح
Token probability	الاحتمال لكل كلمة الذي تُحسب منه القيمتان الأخريان	سلاسل طويلة من اختيارات عادية على نحو فردي

احتمال الرمز ومصدر الدرجة

كلتا هاتين القيمتين مبنيتان على قيمة ثالثة، وهي الاحتمال اللوغاريتمي لكل رمز، أي المادة الخام التي يُحسب منها كل شيء آخر. تعرضها بعض الأدوات لك مباشرة، مع إبراز المقاطع التي كان نصك فيها الأكثر قابلية للتنبؤ. هذه الإبرازات ليست اتهامات لجمل محددة، مهما أوحت الواجهة بذلك. إنها الأجزاء التي أسهمت أكثر ما يكون في قيمة على مستوى المستند.

لقد تجاوزت مناهج البحث الحدود البسيطة. ينظر DetectGPT وامتداداته إلى الانحناء: فهي تُحدث اضطرابا طفيفا في نصك وتتحقق مما إذا كان الاحتمال ينخفض وفق النمط الذي يميل النص المولَّد إلى إظهاره. وتقارن أخرى المقطع نفسه تحت نموذجين مختلفين وتستخدم الاختلاف بينهما بوصفه إشارة.

تتعلق إحدى النتائج بأي شخص يخضع للتقييم. وبما أن المقاييس تُحسب بالاستناد إلى نموذج مرجعي معين، فإن الدرجة تكون دائماً نسبية إلى ذلك النموذج. يمكن لكاشفين أن يقرآ الفقرة نفسها ويختلفا اختلافاً تاماً، ولا يكون أي منهما معطلاً. إنهما يجيبان عن السؤال نفسه من نقاط مرجعية مختلفة.

أما النتيجة الثانية فلا يُشار إليها كثيراً. لا يستطيع النموذج أن يجد مقطعاً قابلاً للتنبؤ إلا إذا كان ذلك المقطع شبيهاً بما دُرِّب عليه، لذلك تتدهور جودة الكشف كلما اتسعت الفجوة بين النموذج المرجعي وأي شيء أنتج النص. إن المولدات الأحدث، والتخصصات غير المألوفة، واللغات غير الإنجليزية كلها توسع تلك الفجوة. وهذا جزء من سبب ندرة بقاء الدقة المقاسة في معيار مرجعي مضبوط على حالها عند مواجهة رزمة حقيقية من التسليمات.

لماذا يُكتشف نص AI أصلاً

كيف يختار نموذج اللغة كلمته التالية

لو تُرك نموذج اللغة وشأنه، لكان ببساطة يعرض قائمته الكاملة المرتبة للكلمات المحتملة التالية ويترك شيئاً آخر يختار. في الممارسة العملية، تتولى استراتيجية فك الترميز هذا الاختيار تلقائياً، كلمة بعد كلمة، كما أن الاستراتيجية المستخدمة تغير شكل المخرجات حتى عندما لا يتغير النموذج الأساسي أبداً.

يختار فك الترميز الجشع دائماً الكلمة الواحدة الأكثر احتمالاً. وفي الورقة التي قدمت أخذ العينات النواتي بوصفه حلاً، لاحظ Ari Holtzman والمؤلفون المشاركون أن اتباع هذه الاستراتيجية يؤدي إلى نص، على حد تعبيرهم، 'باهت ومكرر على نحو غريب.' أما البحث الشعاعي، الذي يتتبع عدة استمرارات مرجحة في الوقت نفسه قبل الاستقرار على واحدة منها، فيقع في نسخة مشابهة من المشكلة نفسها.

تعيد استراتيجيات أخذ العينات إدخال بعض العشوائية، ولكن بطريقة مضبوطة. تضبط درجة الحرارة مدى حدة تفضيل النموذج لاختياراته العليا قبل سحب كلمة ما. أما أخذ العينات النواتي، الذي يسمى أحياناً top-p، فيقتطع التوزيع إلى أصغر مجموعة من الكلمات التي يتجاوز احتمالها المجمع عتبة معينة، ثم يسحب فقط من تلك المجموعة، وقد وُصف في الورقة الأصلية بأنه أخذ عينات من نواة ديناميكية للتوزيع بدلاً من ذيله غير الموثوق.

حتى أقل هذه الإعدادات حتمية لا يزال يستمد من قائمة مختصرة مبنية على ما يعدّه النموذج بالفعل مرجحا. لم يكن الكتابة البشرية يوما ما تُولَّد عبر ترتيب مفردات ثم السحب من أعلاها، لذلك فهي تتجاوز تلك القائمة المختصرة باستمرار. أحيانا يكمن المعنى في الكلمة التي لم تكن موجودة قط في القائمة.

تسطح المفردات: كلمات أقل وأكثر أمانا

تسطح المفردات هو النسخة على مستوى الكلمة من العادة نفسها. عند كل نقطة في الجملة، يمكن لعشرات الكلمات أن تواصلها على نحو معقول، لكن قلة منها تقع أعلى بكثير من البقية في ترتيب النموذج، ويستمر فك الترميز في الوقوع على تلك القلة. وإذا ضُرب هذا الاختيار في كل جملة داخل وثيقة، فإن نطاق الكلمات المستخدمة فعليا يضيق بصورة قابلة للقياس مقارنة بكتابة بشرية ذات طول مماثل.

يتراكم هذا الأثر بدلا من أن يبقى ثابتا. فالنموذج الذي يمد يده إلى الكلمة الأعلى ترتيبا في الجملة الأولى يكون أكثر ميلا إلى إنشاء سياق تكون فيه الكلمة الأعلى ترتيبا في الجملة الثانية شائعة أيضا، لأن الكلمات الشائعة تميل إلى أن تتبع الكلمات الشائعة. أما الكاتب البشري فيقطع هذا الانجراف باستمرار، فيلجأ إلى المصطلح التقني المحدد، أو الفعل غير المألوف قليلا، أو الكلمة التي تسمي الشيء الفعلي بدلا من تقريب آمن له. ويظهر هذا الفرق في صورة معجم عملي أصغر بشكل قابل للقياس في النسخة المولدة، حتى عندما تصف النسختان الحقائق الأساسية نفسها.

هذه خاصية للمقطع كله، لا لأي اختيار منفرد لكلمة واحدة. كلمة آمنة واحدة لا تثبت شيئا. أما صفحة كاملة منها، جملة بعد جملة وهي تلتقط الدرجة نفسها من المفردات الشائعة، فهي ما صُممت إشارة الكلمة في الكاشف على مستوى الكلمة لرصده فعلا.

التجانس النحوي: الأشكال نفسها، مكررة

التجانس النحوي هو النسخة على مستوى الجملة. وهو لا يتعلق بطول الجملة، بل بعدد الأشكال النحوية المتميزة التي يستخدمها المقطع: كيف تبدأ الجمل، وكيف ترتبط الجمل الفرعية بعضها ببعض، وكم مرة تؤدي كلمة انتقالية وظيفة ربط فكرة بأخرى. والنموذج الذي يواصل التنبؤ بالبنية التالية الأكثر احتمالا إحصائيا يستقر في دورة صغيرة من الأشكال ويكررها.

يمكن أن يختلف طول الجمل في الفقرة الواحدة ومع ذلك تظل القراءة تبدو مسطحة نحويًا إذا كانت كل جملة تتبع البنية نفسها من فاعل وفعل ومتمم، أو تبدأ بالنوع نفسه من الانتقال، أو تنتهي بالطريقة نفسها. تكمن قابلية التنبؤ في النمط، لا في عدد الكلمات، وهو تمييز يُتناول بمزيد من التفصيل في الدليل حول ما الذي تقيسه burstiness فعليًا.

ما يضيّق النطاق	ما يميل إليه النص المحسّن لفك الترميز	ما تميل إليه الكتابة البشرية
اختيار الكلمات	يستقر على الكلمة الشائعة الأكثر احتمالًا في كل خطوة	يلجأ إلى الكلمة المحددة أو الأقل شيوعًا التي تسمّي الشيء الفعلي
بداية الجملة	يكرر تدويرًا صغيرًا من بدايات انتقالية آمنة	ينوع طريقة بدء الجملة، بما في ذلك بدايات قد يصنفها النموذج على أنها أقل احتمالًا
بنية الجملة الفرعية	يكرر بنية نحوية مفضلة واحدة أو اثنتين عبر المقطع	يمزج بين البنى البسيطة والمعقدة بحسب ما تحتاجه الجملة

الاختيارات التي يميل الإنسان وحده إلى اتخاذها

الوجه الآخر للنطاق الضيق هو ما يقع خارجه. فالشخص الذي يصف أحداثًا حقيقية يلجأ إلى الرقم الدقيق بدلًا من الرقم التقريبي، ويعترف بالجزء الذي لم ينجح، ويقطع الجملة ليصححها في منتصف الفكرة، أو يختار كلمة صحيحة لا مألوفة. وكل واحد من هذه الاختيارات هو، من منظور نموذج لغوي، رمز منخفض الاحتمال، وهو بالضبط النوع الذي صُمم فك الترميز لتجنبه.

ولا يعني أي من ذلك أن الكتابة المحددة أو غير المألوفة آمنة من كل إشارة، أو أن الكتابة السليمة المتقنة مثيرة للريبة بحكم الأصل. فقد يقع قسم المنهجية، أو بند قانوني، أو مسودة نهائية خضعت لتحرير مكثف ضمن نطاق ضيق لأسباب لا علاقة لها بنموذج، ولهذا فإن درجة واحدة ليست حكمًا على من كتب النص، بل وصفًا لنمط.

إن رؤية موضع مسودتك الخاصة على ذلك النطاق أكثر فائدة من التخمين. تقيس أداة TextPulse فاحص perplexity المجاني وفاحص burstiness قابلية التنبؤ على مستوى الكلمات وإيقاع الجملة إلى الجملة كلٌّ على حدة، لذلك تظهر المفردات المسطحة والبنية الجملية المتكررة بوصفهما إشارتين مختلفتين بدل رقم واحد ممزوج.

ينتج عن هذا صفحتان أضيق نطاقا. كيف يكشف Turnitin عن AI على وجه التحديد هي إحداهما، والفرق بين درجة التشابه لديه ودرجة AI لديه هي الأخرى، لأنهما يختلطان على نحو متكرر.

ويقع كلاهما ضمن مجموعة الأدوات المجانية الأوسع، لكل من يريد أن يرى النمط بنفسه بدلا من أن يثق برقم واحد على نحو أعمى.

ما مقدار ما يُنتَج على الويب الآن بواسطة AI؟

وفق عدة مقاييس، يتجاوز النص المنتج آليا الآن النص المكتوب بشريا على الإنترنت. وقد حلل فريق في Amazon Web Services 6.4 مليار جملة من الويب ووجد أن 57.1% كانت موجودة بوصفها ترجمات آلية عبر ثلاث لغات أو أكثر، وكان كثير منها منخفض الجودة. ووجد تحليل أجرته شركة SEO Graphite في 2025 أن ما يزيد قليلا على نصف مقالات الويب المنشورة حديثا كانت مولدة بواسطة AI. ولا تُستثنى Wikipedia: فقد قاست دراسة في Princeton لصفحات أُنشئت في أغسطس 2024 أن نحو واحد من كل عشرين مقالا جديدا باللغة الإنجليزية كان مولدا بواسطة AI بدرجة كبيرة.

ترتفع الحصة، لأن تكلفة مخرجات النماذج أقل بكثير من الكتابة البشرية، ولأن كل حافز تجاري يدفع في الاتجاه نفسه. وتعمل منصات كاملة الآن من دون كتّاب بشريين على الإطلاق: Chirper شبكة اجتماعية يملؤها بالكامل حسابات AI، حيث لا يستطيع البشر إلا المشاهدة، وSocialAI يبيع موجزا تكون فيه كل استجابة لك صادرة عن روبوت. وتحمل المنتديات وأقسام المراجعات وسلاسل التعليقات النمط نفسه على نطاق أصغر.

بالنسبة إلى الكشف، يغيّر هذا معدل الأساس. كان بإمكان مصنّف يقرأ نصاً ويبياً عشوائياً في 2023 أن يفترض أن معظمَه من تأليف البشر، أما المصنّف في 2026 فلا يستطيع ذلك. كما أن هذا يعود فيغذي النماذج نفسها، لأن كل جيل جديد يتدرب على ويب كان أسلافه قد كتبوا فيه بالفعل، وهذا أحد الأسباب التي تجعل عادات المفردات التي تعتمد عليها الكواشف تنتشر بدلاً من أن تتلاشى.

أما بالنسبة إلى كتابتك أنت، فالعاقبة واضحة: النثر المكتوب بشرياً أصبح الفئة الأقلية، والمدققون والمحررون والقراء يدركون ذلك. الشك المتزايد هو الآن الوضع الافتراضي، ولهذا تحديداً يجدر فهم ما الذي يستطيع الكاشف قياسه وما الذي لا يستطيع قياسه.

ما الذي تضيفه الكواشف التجارية فوق ذلك

الأدوات التي تشتريها المؤسسات فعلياً لا تشغّل perplexity كما في الكتب الدراسية. Turnitin وGPTZero وOriginality.ai وغيرها تدرب مصنفات خاضعة للإشراف على مجموعات كبيرة موسومة من نصوص بشرية وآلية، باستخدام سمات إحصائية إلى جانب السمات الأسلوبية. ما يتعلمه المصنف هو أي شيء يميز بين هاتين الكومتين في بيانات التدريب الخاصة به، وهو أمر أضيق وأكثر ارتباطاً بالتاريخ من "الكتابة بالذكاء الاصطناعي" بوجه عام.

الاعتماد على التدريب هو المشكلة الصامتة. فالمصنف الذي يدرب أساساً على مخرجات جيل واحد من النماذج يجب أن يعمم على نماذج أحدث، وعلى تخصصات غير مألوفة، وعلى كتّاب لا تشبه الإنجليزية لديهم توزيع التدريب الخاص به. تنشر الشركات أرقام الدقة من تقييماتها الخاصة، وغالباً ما تقع الاختبارات المعيارية المستقلة دون تلك الأرقام بكثير عند استخدام الأدوات نفسها.

قراءة الدرجة من دون المبالغة في قراءتها

عادة ما يصل تقرير الكاشف على هيئة نسبة مئوية، وهذه النسبة تُساء قراءتها على نحو متكرر. فهي ليست نسبة الوثيقة التي كتبها جهاز. وبحسب الأداة، قد تكون درجة ثقة المصنف، أو حصة الجمل التي تجاوزت عتبة داخلية ما، وغالباً ما تكون الشركات غامضة بشأن أيهما المقصود. يمكن لتقريرين يظهران كلاهما ستين في المئة أن يعنيَا أشياء مختلفة جداً.

من المفيد أيضًا معرفة ما الذي يحرّك الدرجة لأسباب لا علاقة لها بمن كتبه. فالمستندات القصيرة أكثر ضجيجًا، لأن النص المتاح لتستقر عليه المتوسطات أقل، ويمكن لمقال من 500 كلمة أن يتقلب كثيرًا بفعل جملتين أو ثلاث غير مألوفة. وتُحتسب المادة المقتبسة أيضًا ما لم تقم الأداة باستبعادها، لذلك فإن مراجعة أدبية مكتظة بالاقتباسات المقتبسة ترث قابلية التنبؤ الخاصة بما تقتبسه. وينطبق الأمر نفسه على مقطع تقني مثقل بالمصطلحات القياسية.

إذا كنت الطرف الذي تلقى تنبيهًا، فإن الرد المفيد هو الأدلة لا الجدل حول المقياس. فالسجل الزمني للإصدارات، والمسودات، والملاحظات، وسجلات البحث كلها تشير إلى العملية، والعملية هي ما تستطيع لجنة سوء السلوك تقييمه فعليًا. لا توجد عتبة يمكن لأي أحد أن يشير إليها وتفصل بين كاتب حريص ونموذج.

لماذا تُطلق الكواشف تنبيهًا على كتابة لم ينتجها أي نموذج

الإيجابيات الكاذبة ليست خللًا نادرًا. إنها تنتج مباشرة من قياس النمطية. فكل كتابة يمكن التنبؤ بها حقًا ستحصل على درجة بوصفها قابلة للتنبؤ، بغض النظر عمن أنتجها.

الكتّاب غير الناطقين بالإنجليزية كلغة أم هم الأكثر تأثرًا. وقد وجد باحثون في Stanford أن الكواشف أساءت تصنيف نسبة كبيرة من مقالات غير الناطقين بها كلغة أم على أنها مولدة آليًا، بينما صنفت مقالات الناطقين بها كلغة أم على نحو صحيح. والسبب ميكانيكي لا خبيث: فالكتّاب الذين يعملون بلغة ثانية يميلون إلى الاعتماد على التراكيب المألوفة والمفردات الأكثر شيوعًا. وهذا هو بالضبط ملف انخفاض perplexity، ولهذا السبب يتلقى كتّاب ESL تنبيهًا بسبب الكتابة بعناية.

وتسبب الأعراف الأكاديمية المشكلة نفسها. فمن المفترض أن يكون قسم المنهجية نمطيًا. كما أن الكتابة القانونية، والتوثيق التقني، والتقارير السريرية كلها تكافئ الصياغة القياسية أكثر من الصياغة المبتكرة. ويزيد التحرير المكثف الأمر تعقيدًا، لأن صقل المسودة يعني عادة إزالة اللاانتظامات التي كانت تحمل بصمتك الإحصائية.

لقد لاحظت المؤسسات ذلك. عطلت Vanderbilt ميزة الكشف عن الذكاء الاصطناعي في Turnitin بدلاً من الاعتماد على درجات لا يمكن التحقق منها، وقيّدت جامعات أخرى كيفية استخدام هذه الأرقام في إجراءات سوء السلوك. ينبغي التعامل مع درجة الكاشف بوصفها قرينة ضعيفة واحدة، لا حكماً نهائياً.

ما الذي يعنيه هذا لكتابتك أنت

النصيحة العملية التي تترتب على الآليات ليست غريبة، ولا يتضمن أي منها التحايل على شيء. نوّع طول الجمل عمداً، لأن الانتظام هو ما يُسجَّل. حافظ على التفصيل المحدد, الرقم الفعلي، القيد الفعلي، الشيء الذي أخفق في الأسبوع السادس. الكفاءة العامة هي ما يُسجَّل على أنه مصنوع آلياً، أما التحديد فهو كتابة أفضل وإشارة أقوى في الوقت نفسه.

احتفظ أيضاً بأسلوبك الخاص. إذا كانت لديك طريقة في التعبير، فاتركها كما هي. إن الميل إلى صقل المسودة حتى تبدو مثل أي ورقة أخرى في المجال هو الميل الذي يخفض perplexity لديك.

أمر واحد ينبغي تجنبه: بعض الأدوات تُدخل أخطاء نحوية عمداً لرفع perplexity. هذا ينجح على مستوى المقياس، لكنه فكرة سيئة للغاية لأي نص يُقيَّم أو يُراجع من الأقران، لأنك تستبدل شبهة بيقين. الهدف هو كتابة تبدو لك، لا كتابة أُتلفت عمداً. هذا هو الفارق الكامل بين إعادة الصياغة لقارئ بشري وبين إفساد النص لخداع المصنِّف.

إذا أردت أن ترى هذه الأرقام في مسودتك أنت بدلاً من أن تأخذ بكلام صندوق أسود، فالمقاييس الأساسية ليست سرية. ستُظهر لك أدوات تحليل النص المجانية موضع نصك، ويمكنك أن تقرر بنفسك ما إذا كانت المقاطع المسطحة مشكلة أسلوبية تستحق الإصلاح.