كشف مخرجات نماذج اللغة الكبيرة وأنسنتها: تحليل

الملخص

يقدّم هذا التقرير تحليلًا تقنيًا شاملًا لمشكلتين وثيقتَي الصلة في المعالجة التطبيقية للغات الطبيعية: (1) الكشف الآلي عن النصوص المولّدة آليًا، و(2) تحويل النصوص المولّدة آليًا إلى مخرجات شبيهة بالكتابة البشرية لا يمكن تمييزها إحصائيًا، وهي عملية نسمّيها في هذا التقرير أنسنة نصوص الذكاء الاصطناعي.

ندرس الأسس الرياضية للكشف، وتحديدًا تقييم الحيرة في ظل الاحتمالات القبلية لنماذج اللغة الانحدارية الذاتية، والتذبذب بوصفه مقياسًا لتباين أطوال الجمل، والبصمات الخاصة بكل نموذج عبر التحليل الأسلوبي والعلامات المائية في فضاء اللوجيتات. ثم نصف مشكلة الأنسنة بوصفها مهمة توليد نصوص عدائية، ونحلل الفروق المعمارية بين المناهج القائمة على إعادة الصياغة وإعادة الكتابة التوليدية الكاملة عبر نموذج لغوي منفصل.

النتائج الرئيسية: (أ) تعمل الكواشف الحالية وفق افتراضات توزيعية تنهار عند تحوّل المجال ومع نصوص غير الناطقين الأصليين باللغة؛ (ب) تحافظ الأنسنة القائمة على إعادة الصياغة على الاحتمال القبلي التوليدي وتميل إلى الإخفاق أمام الكواشف القائمة على الحيرة؛ (ج) تنتج إعادة الكتابة الكاملة بالتوليد عبر نموذج آخر نصًا لا يمكن تمييز حيرته على مستوى الرموز (tokens) في ظل النموذج المصدر إحصائيًا عن النص البشري؛ (د) تقدّم مخططات العلامات المائية الناشئة سطح كشف أكثر متانة لا تستطيع مناهج الأنسنة الحالية التغلب عليه دون الوصول إلى مفتاح العلامة المائية.

الكلمات المفتاحية: الحيرة، التذبذب، التوليد الانحداري الذاتي، العلامات المائية في اللوجيتات، البصمات الأسلوبية، توليد النصوص العدائي، التحوّل التوزيعي، الإنتروبيا المتقاطعة، إنتروبيا شانون، توزيع الاحتمالات على مستوى الرموز

1. المقدمة وصياغة المشكلة

أدّى انتشار نماذج اللغة الكبيرة (LLMs) القادرة على توليد نصوص سلسة ومتماسكة إلى مشكلة مزدوجة الاستخدام: فالقدرة التوليدية نفسها التي تتيح أدوات الإنتاجية تفتح الباب أمام محتوى يُضلّل بشأن مصدره. وقد دفع ذلك إلى تطوير متوازٍ في اتجاهين بحثيين متعارضين: كشف النصوص المولّدة آليًا (MGTD) وأنسنة النصوص المولّدة آليًا (MGTH).

نعرّف فضاء المشكلة رسميًا على النحو التالي. ليكن H فضاء النصوص التي كتبها البشر وM فضاء النصوص المولّدة آليًا. يربط الكاشف المثالي D : T → {0,1} أي نص t بتسمية ثنائية (بشري أم آلي)، بينما يربط المؤنسِن المثالي F : M → H النص المولّد آليًا بالتوزيع البشري. وعمليًا، فإن كلًّا من D وF دالتان احتماليتان تعملان على متشعبات توزيعية متداخلة — والتوتر العدائي بينهما هو الموضوع المحوري لهذا التقرير.

1.1 مشكلة الاحتمال القبلي التوليدي

تولّد نماذج اللغة الكبيرة الحديثة النصوص عبر أخذ العينات من توزيع احتمالي شرطي على رموز المفردات V:

P(t₁, t₂, \dots, tₙ) = \prodᵢ P(tᵢ | t₁, \dots, tᵢ₋₁; θ) التحليل الانحداري الذاتي إلى عوامل

حيث تمثّل θ معاملات النموذج. في كل خطوة توليد، يحسب النموذج متجه لوجيتات z ∈ ℝ^|V| ويطبّق تحويل softmax للحصول على احتمالات الرموز. وتحدد استراتيجية أخذ العينات — argmax (الجشعة)، أو top-k، أو النواة (top-p)، أو أخذ العينات المعدَّل بدرجة الحرارة — الخصائص الإحصائية لتوزيع المخرجات.

الفكرة الجوهرية للكشف: ينتج هذا المسار التوليدي نصًا ذا خسارة إنتروبيا متقاطعة أقل بشكل منهجي من النص البشري، وفق التوزيع الاحتمالي للنموذج المصدر. فالكتابة البشرية تعكس مسارًا توليديًا مختلفًا، تشكّله قيود الذاكرة العاملة، والمراجعة، والحالة العاطفية، وتفاوت الخبرة في المجال، والخصوصيات الأسلوبية، فينتج توزيعًا مختلفًا إحصائيًا حتى عندما يكون المحتوى الدلالي متطابقًا.

2. كشف نصوص الذكاء الاصطناعي: الأسس التقنية

2.1 الكشف القائم على الحيرة

الحيرة (perplexity) هي المقياس الأساسي في كشف النصوص المولّدة آليًا. بالنسبة إلى سلسلة من الرموز t = (t₁, t₂, …, tₙ)، تُعرَّف الحيرة في ظل النموذج اللغوي M على النحو التالي:

PPL(t) = exp(- (1/n) \sumᵢ log P M (tᵢ | t₁, \dots, tᵢ₋₁)) تعريف الحيرة

وبصيغة مكافئة، الحيرة هي الأسّ المرفوع لخسارة الإنتروبيا المتقاطعة للنموذج على السلسلة. وتشير الحيرة المنخفضة إلى أن النموذج يمنح السلسلة احتمالًا أعلى، أي أن السلسلة قابلة للتنبؤ بدرجة كبيرة وفق التوزيع الذي تعلّمه النموذج.

2.1.1 لماذا تكون حيرة النصوص المولّدة آليًا منخفضة

تُدرَّب نماذج اللغة الكبيرة على تقليل خسارة الإنتروبيا المتقاطعة على النصوص البشرية، ما يجعلها تقارب توزيع النصوص البشرية. لكنها أثناء التوليد تطبّق أيضًا قيودًا على أخذ العينات (درجة الحرارة، top-k/top-p) تميل إلى تركيز الكتلة الاحتمالية، فتأخذ العينات فعليًا من نسخة أكثر حدّة من التوزيع المتعلَّم.

# Perplexity computation (simplified)
def compute_perplexity(text: str, model, tokenizer) -> float:
    tokens = tokenizer(text, return_tensors='pt')
    with torch.no_grad():
        outputs = model(**tokens, labels=tokens['input_ids'])
        nll = outputs.loss  # negative log-likelihood
    return torch.exp(nll).item()

# Detection threshold (empirically derived)
DETECTION_THRESHOLD = 20.0  # lower = more likely AI
is_ai_generated = compute_perplexity(text, model, tokenizer) < DETECTION_THRESHOLD

2.1.2 توزيع درجات الحيرة

تجريبيًا، ترصد الكواشف جيدة المعايرة توزيعات الحيرة التقريبية التالية عبر مجموعات النصوص:

مصدر النص	متوسط PPL	الانحراف المعياري لـ PPL	النطاق المعتاد
كتابة أكاديمية بشرية	52.3	18.7	25 – 110
مدونة بشرية / كتابة غير رسمية	67.8	31.2	18 – 180
GPT-4 (درجة الحرارة=0.7، top-p=0.9)	14.6	6.2	7 – 35
Claude 3 Sonnet	16.9	7.8	8 – 42
GPT-4 + تمريرة أنسنة	38.4	14.1	18 – 85
كتابة بشرية لمتعلمي الإنجليزية لغةً ثانية (ESL)	21.3	9.4	10 – 55

إن التداخل بين توزيعات كتابة متعلمي الإنجليزية لغةً ثانية ومخرجات GPT-4 (إذ يتمركز كلاهما حول PPL ≈ 15–25) هو المحرك الرئيسي لمعدلات النتائج الإيجابية الخاطئة ضد غير الناطقين الأصليين. وهذا ليس إخفاقًا في المعايرة، بل يعكس تداخلًا توزيعيًا حقيقيًا لا يمكن حله بتعديل عتبات الكشف.

2.1.3 كواشف الحيرة دون تدريب مسبق (Zero-Shot)

لا تحتاج الكواشف دون تدريب مسبق إلى أي تدريب، إذ تستخدم تقديرات الاحتمال الخاصة بالنموذج المصدر نفسه. ويحسب النهج المرجعي (Mitchell et al.، 2023؛ DetectGPT) نسبة لوغاريتم الاحتمال بين النص الأصلي ونسخ مشوَّشة منه:

S(t) = log P M (t) - E q(t'|t) [log P M (t')] دالة التقييم في DetectGPT

الحدس هنا: يميل النص المولّد آليًا إلى الوقوع قرب القمم المحلية لدالة لوغاريتم الاحتمال للنموذج، بينما لا ينطبق ذلك على النص البشري. لذلك تميل التشويشات على النص المولّد آليًا إلى خفض لوغاريتم الاحتمال، بينما قد ترفعه التشويشات على النص البشري أو تخفضه عشوائيًا.

2.2 تحليل التذبذب

التذبذب (burstiness) مفهوم مستعار من نظرية المعلومات وعلم الشبكات، ويقيس تفاوت الفترات بين الأحداث في عملية نقطية. وعند تطبيقه على النصوص، يصف التباين في أطوال الجمل:

B = (σ L - μ L) / (σ L + μ L) معامل التذبذب (Goh & Barabási، 2008)

حيث μ_L متوسط طول الجملة (بالرموز) وσ_L انحرافه المعياري. B ∈ [−1, 1]: تشير B → −1 إلى تباعد منتظم تمامًا، وB = 0 إلى تباين موزّع وفق توزيع بواسون، وB → 1 إلى أنماط شديدة التذبذب وغير منتظمة.

import numpy as np

def compute_burstiness(sentences: list[str]) -> float:
    lengths = [len(s.split()) for s in sentences]
    mu = np.mean(lengths)
    sigma = np.std(lengths)
    if mu + sigma == 0:
        return 0.0
    return (sigma - mu) / (sigma + mu)

# Typical empirical values:
# Human prose:     B ∈ [0.15, 0.45]
# GPT-4 default:   B ∈ [-0.10, 0.10]
# After humanizer: B ∈ [0.12, 0.38]

ملاحظة تقنية: التذبذب ونموذج عملية التجدد

رسميًا، يمكن نمذجة توليد الجمل بوصفه عملية تجدّد تقابل فيها الفترات بين التجددات أطوال الجمل. وتُظهر الكتابة البشرية ديناميكيات تجدد غير بواسونية ذات ذيول ثقيلة، إذ تتبع أطوال الجمل تقريبًا توزيعات لوغاريتمية طبيعية أو توزيعات Weibull بدلًا من التوزيع شبه الأسّي الذي تنتجه نماذج اللغة الكبيرة عند أخذ العينات تحت قيود درجة الحرارة. والكواشف التي تُلائم توزيعات بارامترية على متتاليات أطوال الجمل، بدلًا من حساب إحصاءات موجزة، أكثر متانة أمام التلاعب العدائي.

2.3 بصمات النماذج والتحليل الأسلوبي

إلى جانب الإحصاءات الإجمالية، تُظهر نماذج اللغة الكبيرة المختلفة بصمات أسلوبية ثابتة ناتجة عن تركيبة بيانات تدريبها، وأهداف الضبط الدقيق بـ RLHF، والفروق المعمارية.

2.3.1 البصمات المعجمية

المصطلح	الملاحظة
delve	حضور مفرط بشكل ملحوظ في مخرجات Claude/GPT-4 مقارنة بالكتابة الأكاديمية البشرية (نسبة تكرار 7.3x)
certainly	يُستخدم كتأكيد في بداية الجملة بمعدلات تتجاوز 5x خط الأساس البشري؛ علامة قوية على GPT-3.5/4
furthermore	يُفرط في استخدامه كأداة ربط بين الفقرات؛ كثافة أدوات الانتقال 2–4x خط الأساس البشري
crucial	يظهر في نحو 12% من فقرات GPT-4 التي تناقش الأهمية مقابل نحو 3% في النص البشري
leverage (فعل)	علامة على الكتابة التجارية/التقنية؛ حضور مفرط بنسبة 3.8x في المحتوى المولّد بواسطة ChatGPT
tapestry	علامة على الإفراط في الاستعارة؛ ترتبط بأنماط مكافأة معيّنة في الضبط الدقيق بـ RLHF

البصمات المعجمية هشّة، فهي تتغير مع كل إصدار من النموذج ويمكن التغلب عليها بتوجيه صريح في المطالبات. وأكثر ما تفيد بوصفها أدلة داعمة لا إشارات كشف أساسية.

2.3.2 البصمات التركيبية

الأنماط التركيبية أكثر متانة من البصمات المعجمية، فهي تعكس تفضيلات النموذج المتعلَّمة الأكثر ثباتًا عبر إصدارات الضبط الدقيق: معدل استخدام المبني للمجهول (2–3x الكتابة البشرية غير الرسمية)، وكثافة العبارات الاسمية، وتضمين مركزي أقل عمقًا من النص الأكاديمي البشري، والإفراط في بنى القوائم المتوازية ثلاثية العناصر، وتكتّل عبارات التحوّط عند حدود الفقرات بدلًا من توزّعها في أنحاء النص.

2.3.3 البصمات على مستوى الخطاب

تعمل أكثر البصمات متانة على مستوى الخطاب: بروز الجملة المحورية (أكثر من 94% في الموضع الأول مقابل نحو 73% في النص البشري)، وتجانس أطوال الفقرات، وكثافة أدوات الانتقال عند 1.8x خط الأساس البشري، ونسبة أكثر ثباتًا بين الادعاءات والأدلة على امتداد المستند.

2.4 العلامات المائية في اللوجيتات

أكثر مناهج الكشف متانة من الناحية التقنية هو العلامات المائية في اللوجيتات (Kirchenbauer et al.، 2023)، الذي يضمّن إشارة قابلة للكشف إحصائيًا في عملية التوليد نفسها. في كل خطوة توليد، تُقسَّم المفردات V تقسيمًا شبه عشوائي إلى قائمة ‘خضراء’ G وقائمة ‘حمراء’ R باستخدام تجزئة (hash) للرمز السابق بوصفها بذرة:

G t = HashPartition(t i-k:i, γ)|V| where |G| = γ|V| توليد القائمة الخضراء (γ = نسبة التقسيم)

أثناء التوليد، تُعزَّز لوجيتات رموز القائمة الخضراء بمعامل صلابة δ قبل تطبيع softmax:

z' j = z j + δ \cdot 1[j \in G t] for j \in V خطوة تشويش اللوجيتات

يعتمد الكشف على اختبار z أحادي الطرف لنسبة الرموز الخضراء:

z = (|G tokens | - γn) / \sqrt(nγ(1-γ)) ~ N(0,1) under H₀ إحصائية z لكشف العلامة المائية

خاصية حاسمة: متانة العلامة المائية

تختلف العلامات المائية في اللوجيتات نوعيًا عن البصمات الإحصائية، لأنها لا تعتمد على افتراضات توزيعية يمكن التغلب عليها بالأنسنة. فالعلامة المائية مضمّنة في سلسلة الرموز نفسها. والتغلب عليها دون الوصول إلى دالة التجزئة ومفتاح التقسيم يتطلب إعادة كتابة عدد كافٍ من الرموز لطمس الإشارة الإحصائية، وهو ما يشكّل، إذا نُفّذ بشكل شامل، مشكلة الأنسنة ذاتها. ولا تستطيع مناهج الأنسنة الحالية التي تحافظ على المحتوى الدلالي التغلب بشكل موثوق على مخططات العلامات المائية القوية. ومع ذلك، لا يطبّق أي مزوّد نماذج رئيسي هذه التقنية على نطاق واسع حتى الربع الأول من 2026.

3. أنسنة نصوص الذكاء الاصطناعي: المناهج التقنية

3.1 تصنيف أساليب الأنسنة

النهج	عمق المعالجة	الأثر على الحيرة	الأثر على التذبذب
استبدال المرادفات	معجمي (على مستوى الكلمة)	ضئيل — الاحتمال القبلي دون تغيير	لا يوجد
التحويل التركيبي	تركيبي (على مستوى العبارة)	متوسط — بعض الإخلال	تحسّن طفيف
نموذج إعادة الصياغة	دلالي سطحي	متوسط — إخلال جزئي	تحسّن متوسط
إعادة كتابة كاملة بنموذج لغوي كبير	دلالي تداولي	مرتفع — احتمال قبلي توليدي جديد	تحسّن كبير

3.2 المناهج القائمة على إعادة الصياغة: لماذا تفشل

يمكن صياغة نمط الإخفاق الأساسي رسميًا. ليكن t_AI نصًا مولّدًا آليًا وt_para = Paraphrase(t_AI) إعادة صياغته:

PPL M (t para) \approx PPL M (t AI) عندما تحافظ Paraphrase على المحتوى الدلالي مبرهنة الحفاظ على الاحتمال القبلي (صياغة غير رسمية)

يصح ذلك لأن نموذج إعادة الصياغة هو نفسه نموذج لغوي كبير مدرَّب على تقليل خسارة إعادة البناء على التوزيع نفسه، ما يعني أن مخرجاته منخفضة الحيرة أيضًا في ظل نموذج التقييم. فإعادة الصياغة التي تحافظ على الدلالة تحصر المخرجات في المنطقة نفسها من فضاء المعنى.

# Empirical validation: perplexity before/after paraphrase
original_ai_text = generate_with_gpt4(prompt)
paraphrased_text = quillbot_paraphrase(original_ai_text)

ppl_original = compute_perplexity(original_ai_text, gpt4_scoring_model)
ppl_paraphrased = compute_perplexity(paraphrased_text, gpt4_scoring_model)

# Typical observed result:
# ppl_original:    14.2
# ppl_paraphrased: 17.8 (<20% change — still within AI distribution)
# Threshold for detection: PPL < 25 → still flagged as AI

3.3 إعادة الكتابة التوليدية الكاملة: نهج النماذج المتقاطعة

إعادة الكتابة التوليدية الكاملة بنموذج لغوي كبير مختلف هي النهج الوحيد الذي يعالج جذريًا مشكلة الاحتمال القبلي التوليدي:

مبرهنة إعادة الكتابة عبر النماذج (صياغة غير رسمية)

إذا ولّد النموذج M_A النص t_A وأعاد النموذج M_B (A ≠ B) كتابته لينتج t_B مع الحفاظ على المحتوى الدلالي، فإن PPL_{M_A}(t_B) يتحدد بالاحتمال القبلي التوليدي لـ M_B لا لـ M_A. وبما أن لـ M_A وM_B احتمالات قبلية توليدية مختلفة ناتجة عن اختلاف بيانات التدريب والبنى وأهداف RLHF، فستكون حيرة t_B في ظل M_A أعلى من حيرة t_A — وربما بما يكفي للتغلب على الكواشف القائمة على M_A.

3.3.2 دور درجة الحرارة ومعاملات أخذ العينات

# Effect of temperature on humanization quality

temperature = 0.0   # Greedy decoding
# Result: deterministic output, PPL ≈ source model output
# Burstiness improvement: minimal

temperature = 0.7   # Standard setting
# Result: PPL increases 40-60% vs. source, B increases ~0.12

temperature = 1.0   # Full temperature
# Result: PPL increases 80-120% vs. source, B increases ~0.22
# Trade-off: more frequent quality degradation

# Optimal: high temperature + top-p=0.9 + repetition_penalty=1.1
# Maximizes distributional shift while maintaining fluency

3.3.3 هندسة مطالبات التعليمات لأغراض الأنسنة

# Effective humanization prompt structure
HUMANIZER_PROMPT = """
You are rewriting the following text to sound like it was written by a human.

Core requirements:
- Generate completely from your own language patterns — do not preserve
  the sentence structures of the original
- Vary sentence length significantly: mix 5-8 word sentences with
  25-40 word analytical sentences
- Include at least one moment of epistemic hedging per paragraph
  ('in most cases', 'tends to', 'the evidence suggests')
- Use contractions naturally throughout
- Avoid: 'furthermore', 'moreover', 'delve', 'crucial', 'certainly'
  as sentence-initial affirmations
- Preserve all factual content and logical structure
- The output should NOT begin with the same word as the input

Input text:
{source_text}
"""

4. الديناميكيات العدائية: سباق التسلح

4.1 لعبة الكشف والأنسنة

يمكن نمذجة الكشف والأنسنة بوصفهما لعبة بين لاعبَين. ليكن D_θ كاشفًا وH_φ مؤنسِنًا:

min φ max θ E[D θ (H φ (t AI))] - λ \cdot SemanticLoss(t AI, H φ (t AI)) دالة هدف الأنسنة وفق مبدأ Minimax

عمليًا، لا يملك أي من اللاعبَين وصولًا إلى معاملات الآخر، لذا فهي لعبة ذات معلومات غير كاملة. يُحسّن المؤنسِنون أداءهم في مواجهة سلوكيات الكواشف القابلة للرصد، وتُعاد تدريب الكواشف كلما أصبحت استراتيجيات الأنسنة معروفة.

4.2 الوضع الحالي للتوازن (الربع الأول من 2026)

الكواشف القائمة على الحيرة: يُتغلَّب عليها بإعادة الكتابة الكاملة بنموذج ذي بنية مختلفة. وتميل أدوات الأنسنة الحالية القائمة على إعادة الكتابة الكاملة إلى خفض معدلات الكشف إلى مستويات قريبة من الصدفة في النثر المتقن الصياغة.

الكواشف القائمة على التذبذب: يُتغلَّب عليها جزئيًا. إذ تحقق أدوات الأنسنة المضبوطة بالتعليمات التي تنوّع أطوال الجمل صراحةً قيمًا B ∈ [0.15, 0.35]، ما يتداخل بدرجة كبيرة مع التوزيع البشري.

كواشف البصمات الأسلوبية: يُتغلَّب عليها بالمطالبات السلبية وإعادة الكتابة الكاملة بالنموذج، التي تستبدل بصمة النموذج المصدر ببصمة نموذج إعادة الكتابة.

المصنِّفات التجميعية متعددة الخصائص: يُتغلَّب عليها جزئيًا. تعالج إعادة الكتابة الكاملة 60–80% من الخصائص لكنها تترك إشارة متبقية في الأنماط على مستوى الخطاب.

العلامات المائية في اللوجيتات: لم تتغلب عليها حاليًا أي أداة أنسنة متاحة للعموم. ولا يمكن إزالة إشارة العلامة المائية دون الوصول إلى دالة التجزئة.

4.3 تحليل النتائج الإيجابية الخاطئة

مسبّب النتائج الإيجابية الخاطئة	الحجم	الآلية
كتابة بالإنجليزية لغير الناطقين الأصليين	مرتفع (10–20% نتائج إيجابية خاطئة)	المفردات المحدودة مع السجل الرسمي تنتج البصمة التوزيعية نفسها التي تنتجها مخرجات نماذج اللغة الكبيرة
الكتابة الأكاديمية الرسمية	متوسط (5–15%)	أعراف الأسلوب الأكاديمي تطابق البصمات الأسلوبية لنماذج اللغة الكبيرة
النصوص التقنية المتخصصة	متوسط (5–10%)	المفردات المقيّدة تخفض الإنتروبيا؛ والجمل الدقيقة تخفض التذبذب
النثر الخاضع لتحرير مكثّف	منخفض إلى متوسط (3–8%)	تمريرات التحرير المتعددة تمحو عدم الانتظام الأسلوبي
المستندات المليئة بالقوائم	مرتفع داخل الأقسام	المحتوى المقسّم إلى بنود تذبذبه شبه معدوم
النصوص القصيرة جدًا (أقل من 200 كلمة)	مرتفع جدًا (15–40%)	كتلة إحصائية غير كافية لتصنيف موثوق

5. MultipleChat AI Humanizer: البنية التقنية

5.1 نظرة عامة على النظام

يطبّق MultipleChat AI Humanizer خط إعادة كتابة كاملة عبر النماذج يتكون من خمسة مكونات معمارية: (1) المعالجة المسبقة للنص المصدر وتقسيمه، و(2) اختيار النموذج وهندسة المطالبات، و(3) التوليد عبر نموذج آخر بمعاملات أخذ عينات مضبوطة، و(4) التحقق من الجودة بعد التوليد، و(5) تعزيز التذبذب اختياريًا.

# Simplified pipeline architecture
class MultipleChat_Humanizer:
    def __init__(self, rewriter_model: str):
        self.model = load_model(rewriter_model)  # Claude, GPT-4, Gemini, Grok
        self.detector = load_detector('multiplechat-v2')
        self.segmenter = SemanticSegmenter()

    def humanize(self, source_text: str, instructions: str = '') -> HumanizationResult:
        # 1. Segment into semantically coherent chunks
        segments = self.segmenter.segment(source_text, max_tokens=4096)
        # 2. Construct humanization prompt
        prompt = build_humanization_prompt(segments, instructions, target_burstiness=0.25)
        # 3. Cross-model generation
        rewritten = self.model.generate(
            prompt, temperature=0.85, top_p=0.92,
            frequency_penalty=0.3, presence_penalty=0.2
        )
        # 4. Quality gate: semantic similarity check
        sim = semantic_similarity(source_text, rewritten)
        if sim < 0.75:
            rewritten = self.retry_with_stricter_prompt(source_text)
        # 5. Detection score computation for user feedback
        detection_score = self.detector.score(rewritten)
        return HumanizationResult(
            text=rewritten, detection_score=detection_score,
            burstiness=compute_burstiness(rewritten), semantic_similarity=sim
        )

5.2 اختيار النموذج والخصائص المقارنة

يميل الضبط الدقيق بـ RLHF في Claude إلى إنتاج مخرجات أعلى كثافةً في عبارات التحوّط وأكثر تنوعًا في التراكيب النحوية، ما يحقق أكبر تحسّن في التذبذب (متوسط تحسّن B: +0.19). أما GPT-4 فينتج جملًا أقصر وأكثر انتظامًا نحويًا، وهو ما يفيد المحتوى التقني لكنه يحقق مكاسب أقل في التذبذب (متوسط تحسّن B: +0.12).

مبدأ معماري أساسي

يبلغ تحسّن الأنسنة أقصاه حين يكون نموذج إعادة الكتابة ونموذج التقييم لدى الكاشف متباعدَين معماريًا. ذلك أن الكشف القائم على الحيرة يقيس مدى قابلية النص للتنبؤ في ظل نموذج الكاشف، والنص المولّد بعائلة نماذج مختلفة أقل قابلية للتنبؤ بطبيعته. ويتيح دعم MultipleChat لأربع عائلات نماذج مختلفة اختيار نموذج إعادة الكتابة الأبعد عن الكاشف المرجّح.

5.3 كاشف الذكاء الاصطناعي في MultipleChat

يطبّق كاشف MultipleChat مصنِّفًا تجميعيًا متعدد الخصائص مدرَّبًا على مخرجات النماذج الأربعة المدعومة جميعها. وتشمل مجموعة الخصائص: خصائص الحيرة (المحسوبة مقابل عدة نماذج تقييم)، وخصائص التذبذب (على مستوى الجملة والفقرة)، والخصائص المعجمية (كثافة عبارات التحوّط، وعدد علامات الذكاء الاصطناعي، ومعدل الاختصارات، ومعدل المبني للمجهول)، وخصائص الخطاب (موضع الجملة المحورية، وكثافة أدوات الانتقال، وتباين أطوال الفقرات)، وخصائص الإنتروبيا (إنتروبيا شانون للرموز الأحادية والثنائية).

# Per-sentence heatmap generation (simplified)
def generate_heatmap(text: str) -> list[SentenceScore]:
    sentences = sent_tokenize(text)
    scores = []
    for i, sent in enumerate(sentences):
        # Context window: 2 sentences before and after
        context_start = max(0, i-2)
        context_end = min(len(sentences), i+3)
        context = ' '.join(sentences[context_start:context_end])
        sent_features = {
            'local_ppl': perplexity(context, scoring_model),
            'sent_length': len(sent.split()),
            'has_hedge': bool(re.search(HEDGE_PATTERN, sent)),
            'ai_markers': count_ai_markers(sent, AI_LEXICAL_SET),
        }
        score = ensemble_classifier.predict_proba(sent_features)[1]
        scores.append(SentenceScore(sentence=sent, ai_prob=score))
    return scores

6. أنماط الإخفاق والمشكلات المفتوحة

6.1 أنماط إخفاق الأنسنة

الانجراف الدلالي في ظل الأنسنة المفرطة: قد تؤدي إعادة الكتابة بدرجة حرارة عالية إلى انجراف دلالي — إذ يحافظ النص المعاد كتابته على الموضوع العام لكنه يفقد ادعاءات واقعية محددة أو فروقًا دقيقة. والمقايضة في الجودة:

SemanticSimilarity ↓ as Δ(PPL) ↑ مقايضة جودة الأنسنة

يعالج مؤنسِن MultipleChat ذلك عبر بوابة تشابه دلالي (تشابه جيب التمام > 0.75 في فضاء التضمين) تُطلق إعادة محاولة بمطالبة أكثر تقييدًا إذا رُصد انجراف.

الهلوسة في المحتوى الواقعي: قد يستبدل نموذج إعادة الكتابة حقائق أو تواريخ أو إحصاءات محددة ببدائل معقولة لكنها خاطئة. لذا يتطلب المحتوى الواقعي تحققًا بشريًا بعد الأنسنة. ولا يطبّق خط المعالجة حاليًا تحققًا آليًا من الحقائق — وهذه مسألة مصنّفة مشكلةً مفتوحة.

انجراف السجل ودرجة الرسمية: دون تحديد صريح للسجل اللغوي، يعود نموذج إعادة الكتابة إلى سجله المفضّل. وقد لا تتطابق النصوص المصدر الرسمية جدًا (القانونية، الطبية) أو غير الرسمية جدًا (التسويقية، الاجتماعية) دون تعليمات صريحة.

6.2 أنماط إخفاق الكشف

تحوّل المجال: تُظهر الكواشف المدرَّبة على مجموعات نصوص عامة تراجعًا كبيرًا في الدقة في المجالات المتخصصة. فالكاشف الذي تبلغ دقته 92% على نصوص الويب العامة قد تنخفض دقته إلى 65–70% في تقارير الحالات الطبية أو العقود القانونية.

تأثيرات الطول: في النصوص التي تقل عن 200 كلمة، تكون فترات الثقة للتقديرات الإحصائية واسعة جدًا بما لا يسمح بتصنيف موثوق. ودون 100 كلمة، تعمل معظم الكواشف عند مستويات قريبة من الصدفة.

النصوص المركّبة: المستندات التي تتداخل فيها أقسام بشرية وأخرى مولّدة بالذكاء الاصطناعي تمثّل توزيعًا مختلطًا يُفشل المصنِّفات على مستوى المستند. ويعالج الكشف على مستوى المقاطع ذلك جزئيًا لكنه يتطلب قدرًا أكبر بكثير من الحوسبة.

6.3 المشكلات المفتوحة

العلامات المائية الحافظة للدلالة: مخطط يضمّن العلامات المائية على المستوى الدلالي سيكون مقاومًا لهجمات إعادة الصياغة مع بقائه قابلًا للكشف عبر التحليل الدلالي.

الكشف عبر اللغات: تُدرَّب معظم الكواشف وتُقيَّم على نصوص إنجليزية. ويتراجع أداؤها كثيرًا في اللغات الأخرى، ما يثير مخاوف جدية تتعلق بالإنصاف.

نسبة التأليف التعاوني: لا توجد بعد أدوات موثوقة لقياس حصة المساهمة البشرية مقابل مساهمة الذكاء الاصطناعي في النصوص المؤلَّفة تعاونيًا.

التدريب العدائي لتعزيز المتانة: لا يوجد حاليًا إطار نظري لوصف التوازن من منظور نظرية الألعاب والتنبؤ بدقة الكشف عند التوازن.

التحقق الرسمي من الحفاظ على الحقائق: لا يوجد نهج حالي يتحقق بشكل موثوق من أن النص المؤنسَن يحافظ على كل المحتوى الواقعي للمصدر — وهي تقنيًا مشكلة استدلال لغوي طبيعي (NLI) على نطاق واسع.

7. الاستنتاجات

1. الكشف القائم على الحيرة راسخ نظريًا لكنه هشّ عمليًا. فالتداخل التوزيعي بين كتابة متعلمي الإنجليزية لغةً ثانية ومخرجات نماذج اللغة الكبيرة يجعل معدلات النتائج الإيجابية الخاطئة مرتفعة إلى حد غير مقبول في القرارات المصيرية، عند أي عتبة كشف تحافظ على حساسية معقولة.

2. الأنسنة القائمة على إعادة الصياغة لا تعالج الاحتمال القبلي التوليدي. فاستبدال المرادفات والتحويل التركيبي يحافظان على بصمة الحيرة المنخفضة لمخرجات نماذج اللغة الكبيرة في ظل النموذج المصدر. وإعادة الكتابة الكاملة عبر النماذج هي النهج الوحيد الذي يغيّر التوزيع المولِّد.

3. الكشف التجميعي متعدد الخصائص أكثر متانة من المناهج أحادية الخاصية. فالجمع بين الحيرة والتذبذب والخصائص الأسلوبية وتحليل مستوى الخطاب يتفوّق بفارق كبير على أي خاصية منفردة.

4. العلامات المائية في اللوجيتات هي نهج الكشف الوحيد المتين تقنيًا. لكنها تتطلب تطبيقًا على مستوى مزوّد النموذج، ولم تُنشر على نطاق واسع حتى الربع الأول من 2026.

5. يميل التوازن العدائي لصالح الأنسنة على حساب الكشف على المدى القصير. ففي غياب العلامات المائية في اللوجيتات أو آليات تشفيرية مكافئة لإثبات المصدر، ينبغي التعامل مع درجات الكشف بوصفها إشارات احتمالية تحتاج إلى أدلة داعمة، لا أحكامًا قاطعة.

المراجع

Goh, K. I., & Barabási, A. L. (2008). Burstiness and memory in complex systems. EPL (Europhysics Letters), 81(4), 48002.

Kirchenbauer, J., Geiping, J., Wen, Y., Katz, J., Miers, I., & Goldstein, T. (2023). A watermark for large language models. Proceedings of ICML 2023.

Mitchell, E., Lee, Y., Khazatsky, A., Manning, C. D., & Finn, C. (2023). DetectGPT: Zero-shot machine-generated text detection using probability curvature. Proceedings of ICML 2023.

Zhao, X., Ananth, P., Li, L., & Yu, T. (2023). Provable robust watermarking for AI-generated text. arXiv:2306.17439.

Gehrmann, S., Strobelt, H., & Rush, A. M. (2019). GLTR: Statistical detection and visualization of generated text. Proceedings of ACL 2019 System Demonstrations.

Zellers, R., Holtzman, A., Rashkin, H., Bisk, Y., Farhadi, A., Roesner, F., & Choi, Y. (2019). Defending against neural fake news. Advances in NeurIPS 32.

Ippolito, D., Duckworth, D., Callison-Burch, C., & Eck, D. (2020). Automatic detection of generated text is easiest when humans are fooled. Proceedings of ACL 2020.

Uchendu, A., Le, T., Shu, K., & Lee, D. (2020). Authorship attribution for neural text generation. Proceedings of EMNLP 2020.

Liang, W., Yuksekgonul, M., Mao, Y., Wu, E., & Zou, J. (2023). GPT detectors are biased against non-native English writers. Patterns, 4(7), 100779.

Sadasivan, V. S., Kumar, A., Balasubramanian, S., Wang, W., & Feizi, S. (2023). Can AI-generated text be reliably detected? arXiv:2303.11156.

الملحق أ: مرجع الرموز الرياضية

الرمز	التعريف
P_M(t)	الاحتمال الذي يمنحه النموذج اللغوي M للنص t
PPL_M(t)	حيرة النص t في ظل النموذج M
H(X)	إنتروبيا شانون للمتغير العشوائي X
KL(P\|\|Q)	تباعد كولباك-لايبلر من Q إلى P
B	معامل التذبذب (Goh & Barabási، 2008)
μ_L, σ_L	متوسط توزيع أطوال الجمل وانحرافه المعياري
G_t, R_t	قائمتا الرموز الخضراء والحمراء عند خطوة التوليد t
γ	نسبة تقسيم القائمة الخضراء (عادةً 0.5)
δ	معامل تعزيز اللوجيتات لصلابة العلامة المائية
θ, φ	متجها معاملات الكاشف والمؤنسِن
S(t)	دالة التقييم في DetectGPT (نسبة لوغاريتم الاحتمال)
V	مجموعة المفردات ذات الحجم \|V\|
z ∈ ℝ^\|V\|	متجه اللوجيتات قبل تطبيع softmax
sim(t₁, t₂)	التشابه الدلالي (جيب التمام في فضاء التضمين)

الملحق ب: ملخص المعايير التجريبية

دقة الكشف عبر أساليب الأنسنة (GPTZero v4 كاشفًا مرجعيًا، n=500 نص لكل خلية):

أسلوب الأنسنة	معدل الكشف	FPR (بشري)	التشابه الدلالي	التذبذب B
دون أنسنة (نص ذكاء اصطناعي خام)	91.3%	8.2%	1.00	-0.07
استبدال المرادفات	87.4%	8.5%	0.97	-0.05
QuillBot (الوضع الإبداعي)	74.2%	9.1%	0.91	0.08
إعادة كتابة كاملة (Claude)	28.6%	8.8%	0.83	0.24
إعادة كتابة كاملة (GPT-4)	31.2%	8.4%	0.86	0.19
MultipleChat Humanizer	22.4%	9.0%	0.81	0.27
خط الأساس البشري	8.2%	—	—	0.31

ملاحظة: جميع الأرقام تقريبية وتستند إلى ظروف تجريبية مضبوطة. وتختلف معدلات الكشف الفعلية كثيرًا بحسب المجال وطول النص وإصدار الكاشف. ويمثّل معدل النتائج الإيجابية الخاطئة البالغ 8.2% في خط الأساس البشري المعدلَ الأدنى الذي لا يمكن تقليصه لدى GPTZero v4 على النصوص الأكاديمية التي كتبها البشر.

MultipleChat AI Humanizer وكاشف الذكاء الاصطناعي

إعادة كتابة كاملة عبر النماذج باستخدام Claude وChatGPT وGemini وGrok. وكشف تجميعي متعدد الخصائص مع خرائط حرارية على مستوى الجملة.

جرّب أداة الأنسنة جرّب الكاشف

الكشف بالحيرة تحليل التذبذب العلامات المائية في اللوجيتات إعادة الكتابة عبر النماذج البصمات الأسلوبية أبحاث MultipleChat

الإصدار	1.0
التصنيف	عام
إعداد	أبحاث MultipleChat