هل لا تزال كواشف الذكاء الاصطناعي تعتمد على perplexity وburstiness؟

ابحث عن كيفية اكتشاف GPTZero للكتابة بالذكاء الاصطناعي اليوم، وستجد أن معظم ما يظهر لا يزال يركز على إحصاءين، perplexity و burstiness، وهما الزوج الذي جعل الأداة مشهورة خلال أسابيع من إطلاقها في يناير 2023. لكن وثائق الدعم الخاصة بـ GPTZero تقول الآن شيئًا مختلفًا: لقد توقفت عن استخدامهما معًا في خريف ذلك العام نفسه.

فهل لا يزال burstiness مستخدمًا لدى كواشف الذكاء الاصطناعي؟ ليس لدى الأداة التي جعلت المصطلح شائعًا في الأوساط الأكاديمية. يذكر مركز الدعم الخاص بـ GPTZero بوضوح أنه لم يعد يستخدم perplexity أو burstiness، بعد أن انتقل إلى بنية معتمدة على التعلم العميق بدلًا من ذلك. أما Turnitin، الأداة التي يواجهها معظم الطلاب فعليًا، فلم تنشر أصلًا أيًا من المصطلحين بوصفهما جزءًا من منهجها. المفهومان لم يختفيا من النقاش. إنهما غائبان عن المنتجات التي تقوم بعملية الاكتشاف الفعلية.

هل لا يزال burstiness مستخدمًا لدى كواشف الذكاء الاصطناعي؟

لا، ليس لدى GPTZero، ولا بالاسم. وثائق الدعم الخاصة بـ GPTZero تقول ذلك مباشرة: "اعتبارًا من خريف 2023، لم يعد GPTZero يستخدم perplexity و burstiness في اكتشاف الذكاء الاصطناعي لأنه انتقلنا إلى بنية قائمة على التعلم العميق." أدلة Turnitin الخاصة تصف طريقة مختلفة أيضًا، تقوم على تقييم أجزاء من التسليم باستخدام مصنف مدرب، ولا يظهر أي من المصطلحين في تلك الوثائق كذلك. الإحصاءان اللذان حددا الموجة الأولى من اكتشاف الذكاء الاصطناعي ليسا ما تشغله الأدوات الرائدة حاليًا. وهذا أضيق من القول إنهما أُلقيا جانبًا: فما يزال الشرح الخاص بـ GPTZero يعدهما ضمن سبعة مؤشرات تغذي نموذجه. لقد توقفتا عن أن تكونا الطريقة، من دون أن تتوقفا عن أن تكونا قياسًا، والفرق بين هذين الادعاءين هو معظم ما يتوقف عليه هذا السؤال.

ما الذي تغير في خريف 2023

لم يكن المصطلحان غامضين قط. عرّف الشرح المبكر الخاص بـ GPTZero نفسه perplexity بأنها "مقياس لمدى احتمال أن يكون نموذج AI قد اختار المجموعة نفسها تمامًا من الكلمات كما وردت في المستند"، وburstiness بأنها "مقياس لمدى تباين أنماط الكتابة وperplexities النص عبر المستند بأكمله"، وهو إحصاء على مستوى المستند، لا مجرد عدّ بسيط لطول الجملة. ولا تزال التعريفات كلاهما منشورة على موقع GPTZero. ما تغيّر هو أيّهما يشغّله الكاشف فعليًا.

إن عبارة "Migrated to a deep-learning based architecture" هي ادعاء محدد، لا عبارة تسويقية، وهي تصف تغيرًا حقيقيًا في النوع. يُحسب score perplexity مباشرة من صيغة: يُمرَّر النص عبر نموذج لغة مرجعي، ثم يُؤخذ متوسط احتمالات اللوغاريتم، ثم تُرفع النتيجة إلى الأس. أما classifier التعلم العميق فيُدرَّب بدلًا من ذلك، وتُعرَض عليه أعداد كبيرة من الأمثلة المكتوبة بواسطة البشر وAI حتى يتعلم، من تلقاء نفسه، أيّ توليفة من السمات تفصل بين الكومتين في بيانات التدريب تلك. لا يكتب أحد القاعدة يدويًا في النهج الثاني. النموذج هو الذي يجدها.

يحصل كلا المصطلحين المتقاعدين على شرح كامل في موضع آخر من هذا الموقع: ما الذي يقيسه perplexity فعليًا وما الذي يقيسه burstiness فعليًا يغطي كل منهما آلياته الخاصة بعمق، بما في ذلك الصيغ الكامنة وراءه. وتبقى هذه القطعة مركزة على ما إذا كان أيٌّ منهما لا يزال ما يشغّله الكاشف اليوم.

ما الذي توثقه GPTZero وTurnitin فعليًا اليوم

تذكر صفحة التكنولوجيا الحالية لـ GPTZero، التي تصف ما يُشحن في المنتج، أن الشركة تستخدم "an end-to-end deep learning approach, trained on text datasets from the web, education, and AI-generated from a range of LLMs"، وفيها "a sentence-by-sentence classification model determines the probability and confidence that a text was created by AI". ولا يظهر perplexity ولا burstiness في أي موضع من تلك الصفحة، لا بوصفه مكوّنًا، ولا ميزةً موروثة، ولا في حاشية.

لم تكن وثائق Turnitin مبنية أصلا حول أي من المصطلحين. فدلائلها تصف نصا مقدما مقسما إلى مقاطع من بضع مئات من الكلمات، وتُمنح كل مقطوعة درجة بواسطة نموذج مدرب، ثم تُؤخذ درجات المقاطع ويُحسب متوسطها للوصول إلى النسبة الواحدة التي يعرضها التقرير. هذا مصنف خاضع للإشراف يعمل على مقاطع نصية، وهو من الفئة نفسها من المنهج الذي انتقل إليه GPTZero، وليس حسابا لـ perplexity ولا حسابا لـ burstiness تحت اسم مختلف.

يمكن رؤية هذا التحول بأوضح صورة عند المقارنة المباشرة.

	ما وصفته الشروح المبكرة (2023)	ما تصفه الوثائق الحالية
GPTZero	perplexity و burstiness، مع التقييم مقابل نموذج مرجعي	مصنف تعلم عميق على مستوى الجملة يخرج احتمالا ودرجة ثقة
Turnitin	لم يُنشر قط، ولا تظهر المصطلحات في مواد Turnitin نفسها في أي وقت	مقاطع من بضع مئات من الكلمات تُقيَّم بواسطة مصنف مدرب، ثم يُؤخذ متوسطها في نسبة واحدة

لماذا لا تزال المفاهيم تفسر قابلية الكشف

لا يجعل أي من ذلك perplexity و burstiness خطأ، بل يجعلهما فقط قديمين بوصفهما وصفا للآلية الحالية. فقد كان المفهومان يصفان دائما شيئا حقيقيا: فالنص الذي يُولَّد عبر أخذ عينات باتجاه أكثر الامتدادات احتمالا في النموذج يميل إلى أن يكون أكثر قابلية للتنبؤ، كلمة بكلمة، من النص الذي يكتبه الإنسان من الصفر، كما يميل إلى أن يتغير بدرجة أقل من جملة إلى أخرى. ولم تتغير هذه الانتظامية الأساسية لأن موردا ما غيَّر بنية كاشفه. الذي تغير هو الطريقة التي يبحث بها الكاشف عنها.

لا يُطلب من المصنِّف المدرَّب صراحةً أن يبحث عن الحيرة أو التفاوت. بل إنه يُدرَّب على التمييز الأساسي نفسه بين النص البشري والنص الآلي الذي صُمِّمت هاتان الإحصائيتان لالتقاطه. ويبدو من غير المرجح للغاية أن مصنِّفاً مُدرَّباً على التمييز بين المجموعتين لن يعتمد أيضاً على تلك الانتظامية نفسها، وهي واحدة من أكثر الفروق موثوقية بينهما. هذا استدلال حول سبب احتمال عمل المصنِّف، لا ادعاء بشأن قائمة السمات المنشورة الخاصة به، وينبغي إبقاء الأمرين منفصلين.

تدعم أبحاث مستقلة الفكرة القائلة إن الإحصائية الأساسية ما تزال ذات أثر، حتى خارج منتج أي بائع بعينه. DetectGPT، وهي طريقة أكاديمية من نوع zero-shot نُشرت في 2023، تنظر إلى قريبة وثيقة من الحيرة، أي مدى انحناء دالة الاحتمال اللوغاريتمي للنموذج حول مقطع نصي، وتصل إلى 0.95 AUROC على أحد المعايير المرجعية مقابل 0.81 لأفضل خط أساس سابق من نوع zero-shot، من دون تدريب مصنِّف على أمثلة موسومة إطلاقاً. والفكرة الأساسية، وهي أن النص المولَّد آلياً يقع في منطقة متميزة إحصائياً ضمن فضاء الاحتمال الخاص بالنموذج نفسه، ما تزال مجال بحث نشط. لكنها ببساطة ليست ما يقدمه GPTZero للمستخدمين.

لماذا لا يزال كثير من الإنترنت يخطئ في هذا الأمر

كُتبت معظم الشروح المنشورة حول كيفية عمل كشف الذكاء الاصطناعي خلال إطلاق GPTZero في يناير 2023 أو بعده بقليل، حين كانت الحيرة والتفاوت هما الإطارين العامين الوحيدان اللذان قدّمتهما الشركة نفسها علناً. ولا تزال صفحات الشرح الأصلية تلك متاحة اليوم. أما إشعار الإحالة إلى التقاعد في خريف 2023 فيقع على صفحة دعم منفصلة بدلاً من أن يكون مدمجاً فيها، لذا فإن الكاتب الذي قرأ الصفحة الأولى وتوقف عن البحث لن يكون لديه سبب لمعرفة أن الطريقة تغيّرت بعد أقل من عام.

يدّعي استعراض لكاشف من طرف ثالث متداول في 2026 أن GPTZero ما يزال يستخدم الحيرة وتفاوت الإيقاع بوصفهما طبقة واحدة ضمن عدة طبقات داخل نظام أكبر. ويتعارض هذا الادعاء مباشرة مع صفحة التكنولوجيا الحالية الخاصة بـ GPTZero نفسها ومع وثائق الدعم الخاصة بها، ولا يوجد في موقع GPTZero نفسه ما يؤيده. إن شركة تصف منتجها الذي طرحته بالفعل تظل أرجح من ادعاء غير موثق من طرف ثالث عن المنتج نفسه، حتى لو كانت وثائق المورّد قد تكون خاطئة هي الأخرى. يتبع هذا النص صفحات GPTZero نفسها بدلًا من الاستعراض الذي يكرر القصة الأقدم.

ما الذي يعنيه هذا بالنسبة إلى طريقة كتابتك

إن الإرشاد العملي المبني حول تفاوت الإيقاع لم يصبح عديم الفائدة لمجرد أن الكلمة اختفت من مواد GPTZero نفسها. إن تنويع طول الجمل عمدًا لا يزال، من الناحية الميكانيكية، حجة تتعلق بتجنب التجانس الإحصائي نفسه الذي يُرجح كثيرًا أن يكون المصنّف قد دُرّب على ملاحظته، مهما سمّى تلك الإشارة داخليًا. لقد بقيت النصيحة الأساسية بعد تغيير بنية المورّد، رغم أن المفردات التي تصفها لم تبقَ.

لا يتطلب أيٌّ من هذا أخذ كلام أي شخص على أنه صحيح، بما في ذلك هذا المنشور. يتيح لك فاحص الحيرة المجاني من TextPulse ومجموعة الأدوات المجانية الأوسع أن تنظر إلى موضع مسودتك قبل أن يفعل ذلك أي كاشف، من أي جيل كان.

إذا أعادتك النتيجة إلى كتابتك نفسها، فإن المتابعات العملية هي زيادة تفاوت الإيقاع عمدًا وتنويع طول الجمل عبر فقرة أكاديمية, وهو العمل نفسه الموصوف من دون المقياس.

إن الآلية التي يشغّلها الكاشف ستستمر في التغير، وقد غيّرها GPTZero بالفعل مرة واحدة. وما يبقى ثابتًا هو السؤال الفعلي، الذي تغطيه هذه الصفحة بالكامل في دليلها إلى كيفية عمل كاشفات AI فعليًا: هل الكتابة المتوقعة هي الشيء نفسه الذي تعنيه الكتابة المولدة آليًا، بغض النظر عن الصيغة التي تكون رائجة في سنة معينة.