چرا آشکارسازهای AI علیه نویسندگان غیربومی انگلیسی سوگیری دارند

اینکه آشکارسازهای هوش مصنوعی علیه گویشوران غیر بومی سوگیری دارند، یک شکایت ذهنی نیست. یک مطالعه داوری‌شده در 2023 از Stanford این موضوع را به طور مستقیم اندازه‌گیری کرد. پژوهشگران هفت آشکارساز GPT پرکاربرد را روی 91 انشای واقعی TOEFL نوشته‌شده توسط گویشوران غیر بومی انگلیسی و 88 انشای نوشته‌شده توسط دانش‌آموزان کلاس هشتم آمریکایی اجرا کردند، سپس مقایسه کردند که هر گروه چه نمره‌ای گرفت.

آشکارسازها انشاهای کلاس هشتم را تقریباً هر بار درست می‌خواندند. اما در انشاهای TOEFL، که توسط بزرگسالانی نوشته شده بود که پیش‌تر یک آزمون مهارت انگلیسی در سطح تحصیلات تکمیلی را گذرانده بودند، همان هفت ابزار به طور میانگین نرخ مثبت کاذب 61.22 درصد را گزارش کردند. 89 مورد از 91 انشا، یعنی نزدیک به 98 درصد، دست‌کم توسط یکی از آن هفت ابزار به عنوان تولیدشده توسط هوش مصنوعی علامت‌گذاری شدند.

مرور TextPulse بر شواهد گسترده‌تر درباره دقت آشکارسازهای هوش مصنوعی این یافته اصلی و دعاوی حقوقی‌ای را که بعدها به آن دامن زد، پوشش می‌دهد. اما چیزی که تقریباً همه جا، هنگام استناد به این مطالعه، حذف می‌شود سازوکار آن است: چرا نثر یک انگلیسی‌زبان در سطح تحصیلات تکمیلی در وهله نخست شبیه متن ماشینی خوانده می‌شود، و وقتی دیگر این‌گونه خوانده نمی‌شود چه چیزی تغییر می‌کند.

آشکارسازهای هوش مصنوعی سوگیر علیه گویشوران غیر بومی, سازوکار

یک آشکارساز هرگز معنا را نمی‌خواند. آن فقط می‌سنجد که هر واژه تا چه اندازه قابل پیش‌بینی است، با توجه به واژه‌هایی که پیش از آن آمده‌اند، و وقتی مدل می‌توانسته بیشتر آن را از پیش حدس بزند، به آن بخش نمره پایین می‌دهد. تنوع واژگانی, یعنی گستره واژگانی که نویسنده به کار می‌گیرد به جای آنکه مجموعه کوچک‌تری از واژه‌های امن را تکرار کند, و پیش‌بینی‌پذیری نحوی, یعنی این‌که ساختار جمله تا چه اندازه از رایج‌ترین الگوی زبان پیروی می‌کند به جای آنکه آن را متنوع کند, دو ویژگی تولید زبان هستند که این نمره را پایین می‌آورند.

این تمایز اهمیت دارد، زیرا این دو به شکل‌های متفاوتی در صفحه ظاهر می‌شوند. تنوع واژگانی به خودِ واژه‌ها مربوط است: نویسنده‌ای که در سه جمله متفاوت به سراغ «obtain»، «acquire» و «secure» می‌رود، در مقایسه با کسی که «get» را سه بار می‌نویسد، متنوع‌تر به نظر می‌رسد، حتی وقتی جملات در سایر جنبه‌ها یکسان باشند. پیش‌بینی‌پذیری نحوی به ساختار مربوط است: نهاد، فعل، مفعول، که بارها و بارها تکرار می‌شوند، نه جمله‌ای که با یک بند وابسته آغاز می‌شود یا با واژه‌ای غیرمنتظره پایان می‌یابد. نویسنده‌ای که زبان دوم را در شرایط امتحان به کار می‌برد، هر دلیلی دارد که به نسخه امن‌تر هر دو مورد روی بیاورد.

نوشتار به زبان دوم به طور قابل اتکا نشان می‌دهد که هر دو کمتر وجود دارند، و این نه به عنوان یک کاستی. نویسنده‌ای که در یک زبان اضافی کار می‌کند، بر واژگان و الگوهای جمله‌ای تکیه می‌کند که احتمال درست بودنشان بیشتر است، زیرا حدس نادرست وقتی زبان هنوز کاملا خودکار نشده است، هزینه بیشتری دارد. مقاله Stanford که سوگیری آشکارساز را مستند کرده است، به مجموعه‌ای از پژوهش‌های زبان‌شناسی کاربردی درباره دقیقا همین الگو استناد می‌کند، الگویی که مدت‌ها پیش از وجود آشکارسازهای هوش مصنوعی تثبیت شده بود: غنای واژگانی کمتر، تنوع واژگانی کمتر، و ساختار جمله‌ای ساده‌تر، ویژگی‌های مستند و قابل اندازه‌گیریِ نوشتار به زبان دوم هستند، نه نشانه‌ای از چیز دیگری.

این شکاف میان نوشتار بومی و غیربومی به صورت یک تفاوت perplexity ظاهر می‌شود، همان سنجشی که یک آشکارساز برای تصمیم‌گیری درباره اینکه آیا یک متن به طور ماشینی تولید شده است یا نه، اجرا می‌کند. perplexity پایین‌تر، صرف نظر از اینکه چه کسی آن را تولید کرده باشد، خوانشی ماشینی‌تر دارد، و نوشتار غیربومی به دلایلی که هیچ ارتباطی با یک chatbot ندارند، در آن مقیاس پایین‌تر قرار می‌گیرد. اینکه آیا این شکاف واقعا همان چیزی است که آشکارسازها را هدایت می‌کند، نه یک تصادف، پرسشی است که می‌توان آن را آزمود. گروه Stanford آن را به طور مستقیم آزمود.

وقتی همان مقاله‌ها با واژگان غنی‌تر بازنویسی شدند چه رخ داد

پژوهشگران همان 91 انشای TOEFL را که پیش‌تر باعث نرخ مثبت کاذب میانگین 61.22 percent شده بودند، برداشتند و از ChatGPT خواستند آن‌ها را با یک دستور واحد بازنویسی کند: "Enhance the word choices to sound more like that of a native speaker." هیچ چیز درباره محتوا، استدلال یا دستور زبان قرار نبود تغییر کند. پس از همان یک ویرایش، نرخ مثبت کاذب میانگین در میان همان seven detectors از 11.77 percent به 11.77 percent کاهش یافت، یعنی کاهشی نزدیک به fifty percentage points، و تعداد انشاهایی که هر detector به‌طور unanimous علامت‌گذاری کرده بود از eighteen به one رسید.

سپس پژوهشگران آزمایش را به‌صورت معکوس اجرا کردند. آن‌ها 88 انشای پایه eighth-grade از native-speaker را برداشتند، که detectors در ابتدا تقریباً هر بار آن‌ها را درست امتیازدهی کرده بودند، و از ChatGPT خواستند انتخاب واژگان آن‌ها را چنان ساده کند که گویی توسط یک non-native speaker نوشته شده‌اند. نرخ مثبت کاذب میانگین در همان انشاهای native-written از 5.19 percent به 56.65 percent جهش کرد. نویسندگی انشاها تغییر نکرد. فقط واژگان تغییر کرد، و detectors نیز از واژگان پیروی کردند.

Perplexity در هر دو جهت همگام با نرخ طبقه‌بندی نادرست حرکت کرد: وقتی انشاهای TOEFL غنی‌تر شدند، به‌طور شدید افزایش یافت، و وقتی انشاهای eighth-grade ساده شدند، به‌طور شدید کاهش یافت. نویسندگان از این امر چنین نتیجه‌ای صریح می‌گیرند: آنچه detectors در واقع به آن واکنش نشان می‌دادند هرگز نویسندگی نبود. بلکه انتخاب واژگان بود، ویژگی‌ای که واژگان هر نویسنده‌ای می‌تواند آن را حمل کند، صرف‌نظر از این‌که English را کجا آموخته باشد.

این سوگیری در میان detectors مختلف تا چه اندازه یکنواخت است

آن seven detectors در بیشتر موارد با هم توافق نداشتند، مگر درباره این‌که خطا در کدام جهت رخ می‌دهد. هر یک از آن‌ها انشاهای TOEFL را بسیار بیشتر از انشاهای eighth-grade علامت‌گذاری کردند، اما با حاشیه‌هایی بسیار متفاوت.

آشکارساز	نرخ مثبت کاذب، انشاهای TOEFL	نرخ مثبت کاذب، انشاهای بومی
Originality.ai	76%	1%
Quil.org	75%	9%
Sapling	68%	5%
OpenAI's detector	58%	9%
Crossplag	52%	12%
GPTZero	52%	0%
ZeroGPT	48%	0%

این‌ها ارقام 2023 هستند که بر ابزارها، همان‌گونه که در آن زمان وجود داشتند، اندازه‌گیری شده‌اند. از آن زمان، چند مورد کاملا تغییر کرده‌اند: OpenAI آشکارساز خود را در July 2023 متوقف کرد، چهار ماه پس از این آزمون، پس از آنکه دریافت تنها 26 درصد از متن‌های واقعیِ نوشته‌شده توسط AI را به‌درستی برچسب می‌زند، در حالی که همچنان 9 درصد از نوشته‌های انسانی را به‌اشتباه برچسب می‌زد. آنچه تغییر نکرده، جهت این شکاف است. یک معیار سنجش سوگیری گسترده‌تر که به‌طور خاص برای آزمودن آشکارسازها در دسته‌های جمعیت‌شناختی و زبانی ساخته شده بود، در December 2025 منتشر شد و بر چهار ابزار متن‌باز جدیدتر اجرا شد، و همچنان یادآوری به‌طور پیوسته پایین‌تری را برای گروه‌های کم‌نماینده نویسندگان گزارش کرد.

آیا این سوگیری هنوز در آشکارسازهای جدیدتر هم دیده می‌شود؟

مطالعه Stanford اکنون چند نسل AI قدیمی است، و خود نویسندگان آن نیز محدودیت را نام برده‌اند: یک نمونه آزمایشی کوچک، و آشکارسازهایی که عمدتا بر پایه GPT-2 ساخته شده بودند، مدلی بسیار کوچک‌تر و قدیمی‌تر از آنچه امروز نیروی آشکارسازی را فراهم می‌کند. این امر یک پرسش موجه را پیش می‌کشد. آیا فناوری بهتر این شکاف را بسته است؟

جدیدترین آزمون اختصاصی می‌گوید هنوز نه. در یک مطالعه در فوریه 2026 از دانشگاه سلطان قابوس، پژوهشگران دو آشکارساز تجاری موجود، Turnitin و Originality، را در برابر 192 متن آزمودند که ترکیبی از نگارش اصیل دانشجویان EFL پیش از ChatGPT، نگارش حرفه‌ای انسانی، متن تولیدشده توسط AI، و متن ترکیبی انسان و AI بودند. نتایج نشان داد دقت کلی برای این دو ابزار 69 درصد و 61 درصد بود، و دقت در دسته ترکیبی، یعنی همان نوع نوشتاری که در عمل از یک مرحله ویرایش به دست می‌آید، تقریباً به صفر سقوط کرد. همان مطالعه همچنین یک سوگیری دوم را که هم‌زمان با سوگیری زبانی عمل می‌کرد آشکار کرد: دقت در نگارش علمی 28 تا 38 واحد درصد کمتر از نگارش علوم انسانی بود.

هیچ‌یک از این دو یافته به یک محصول معیوب واحد مربوط نیست. دو معماری متفاوت آشکارساز، که با فاصله سه سال و بر پیکره‌های متنی متفاوت و توسط دو گروه پژوهشی متفاوت آزموده شده‌اند، همچنان به همان نتیجه می‌رسند: نگارشی که تحت تأثیر قراردادهای ژانری یا زبان دوم شکل گرفته است، به چیزی که این ابزارها آن را ماشینی می‌نامند نزدیک‌تر می‌شود تا نگارشی که هیچ‌یک از این دو ویژگی را ندارد. ابزارهای رایگان TextPulse به نویسنده امکان می‌دهند همین نمایه آماری را پیش از آنکه هر بخشی از آن به آشکارساز یک نهاد برسد، بررسی کند.

شواهد مستقل که نشان می‌دهد شکاف واقعی است، نه یک مصنوع آزمون

نخستین مشکل نتایج TOEFL این است که می‌توان استدلال کرد که آن‌ها فقط به یک مطالعه آزمایشی کوچک در 2023 مربوط می‌شوند. همین موضوع در مطالعه‌ای دیگر از همان گروه پژوهشی، با استفاده از داده‌هایی که هیچ ارتباطی با آشکارسازها ندارند، پاسخ داده شد. آن‌ها 1,574 مقاله پذیرفته‌شده در ICLR 2023، یک کنفرانس مهم یادگیری ماشین، را بررسی کردند و نمونه را به چکیده‌هایی محدود کردند که پیش از وجود ChatGPT ارسال و داوری شده بودند.

نویسندگانی که در کشورهایی مستقر هستند که انگلیسی زبان اصلی آن‌ها نیست، چکیده‌هایی با perplexity به‌طور معناداری پایین‌تر از نویسندگانی که در کشورهای انگلیسی‌زبان بومی مستقر هستند نوشتند، و این تفاوت حتی پس از کنترل این‌که هر مقاله تا چه اندازه توسط داوران امتیاز گرفته بود نیز برقرار ماند. این نمونه نمی‌توانست توسط کسی شکل گرفته باشد که بخواهد شبیه یک chatbot، بیشتر یا کمتر، به نظر برسد. ChatGPT سه ماه تا انتشار فاصله داشت وقتی بازه ارسال مقاله بسته شد. شکاف perplexity میان نگارش دانشگاهی بومی و غیربومی چیزی نیست که آشکارسازها آن را اختراع کرده باشند. چیزی است که آن‌ها به ارث برده‌اند.

یک تحلیل آماری 2026 از تشخیص AI به‌عنوان یک مسئله آزمون، نسخه‌ای رسمی از همین نتیجه ارائه می‌کند. هرگاه گروهی از نویسندگان زبانی تولید کند که در مجموع با خروجی معمول AI هم‌پوشانی داشته باشد، هر آشکارسازی که توان واقعی برای شناسایی متن نوشته‌شده توسط AI داشته باشد، ناگزیر باید برای همان گروه مشخص نرخ مثبت کاذب بالاتری داشته باشد، یک ویژگی ریاضیِ آزمون یک جمعیت متنوع، نه نقصی در هیچ ابزار واحدی. نویسندگان غیربومی انگلیسی روشن‌ترین مورد مستند از همین هم‌پوشانی هستند.

این برای نویسندگان در یک زبان دوم چه معنایی دارد

هیچ‌یک از این‌ها استدلالی برای کمتر شبیه خودتان نوشتن نیست. این دلیلی است برای این‌که پیش از آن‌که نمره‌ای برسد، بدانید دقیقاً چه چیزی اندازه‌گیری می‌شود. آشکارسازی که نثر شما را قابل پیش‌بینی می‌خواند، در حال ثبت یک ویژگی آماری واقعیِ نگارش به زبان دوم است، نه شواهدی مبنی بر این‌که شما از ابزاری استفاده کرده‌اید که استفاده نکرده‌اید.

پژوهشگران Stanford که مطالعه اصلی را انجام دادند، به پیامد ناخوشایند یافته خود نیز اشاره می‌کنند: همان تعدیل واژگانی که خطر مثبت کاذب را کاهش می‌دهد، از همان نوع بازنگری‌ای است که یک نویسنده ممکن است به دلایل کاملاً جداگانه بخواهد انجام دهد، عبارت‌بندی روشن‌تر، واژه‌ای دقیق‌تر، مستقل از هر آشکارسازی. صفحه TextPulse برای نویسندگان دانشگاهی ESL توضیح می‌دهد که این نوع بازنگری در جمله‌های واقعی چه شکلی دارد، جدا از هر چیزی که به نمره تشخیص مربوط باشد.

آشکارسازهای جدیدتر دارند به‌طور صریح این الگو را در نظر می‌گیرند. Pangram، یکی از تازه‌ترین ورودکنندگان تجاری، در مستندات فنی خود بیان می‌کند که طبقه‌بند آن علیه نویسندگان انگلیسی‌زبانِ غیربومی سوگیری ندارد، هرچند این ادعا از سوی فروشنده مطرح شده است نه از طریق آزمون مستقل. یک perplexity checker رایگان همان سنجش زیربنایی را نشان می‌دهد که هر یک از این ابزارها از یک متن محاسبه می‌کنند، بی‌آنکه ابتدا پیش‌نویس را به جایی ارسال کنند.

دو همراه عملی در همان خوشه قرار می‌گیرند: زمان استفاده از a, an و the، که رایج‌ترین منبع این الگو به‌تنهایی است، و به‌طور کلی‌تر چگونه در نگارش دانشگاهی انگلیسی طبیعی به نظر برسیم.

پژوهش همچنان در همان جهت انباشته می‌شود، دو سال بعد، در میان تیم‌های مختلف، آشکارسازهای مختلف، و طرح‌های آزمون مختلف. آنچه همگام با آن پیش نرفته است، یک پاسخ نهادیِ به‌طور گسترده پذیرفته‌شده است: ممیزی یک آشکارساز در برابر دامنه‌ای از نویسندگان پیش از آنکه به هر یک از آنان اعتماد شود، نه پس از آنکه یک دانشجوی مشخص پیشاپیش متهم شده باشد. تا زمانی که این امر به روال عادی تبدیل نشود، بار اثبات نادرستی یک هشدار کاذب دقیقاً بر دوش همان نویسندگانی می‌افتد که این پژوهش می‌گوید بیشترین احتمال را برای دریافت آن دارند.