💬 NLP

Beyond Via: Analysis and Estimation of the Impact of Large Language Models in Academic Papers

تحلل هذه الورقة التحولات في الكتابة الأكاديمية الناتجة عن النماذج اللغوية الكبيرة، كاشفةً عن تغيرات متميزة في أنماط استخدام الكلمات، وصعوبة تصنيف أصول نماذج معينة بسبب التشابه الأسلوبي، والطبيعة غير المتجانسة والديناميكية لتبني النماذج اللغوية الكبيرة في البحث العلمي.

المؤلفون الأصليون: Mingmeng Geng, Yuhang Dong, Thierry Poibeau

نُشر 2026-03-27

📖 5 دقيقة قراءة🧠 قراءة متعمّقة

CC BY 4.0

المؤلفون الأصليون: Mingmeng Geng, Yuhang Dong, Thierry Poibeau

البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل

تخيل عالم البحث الأكاديمي كمكتبة ضخمة وصاخبة حيث يكتب ملايين الباحثين أوراقاً بحثية كل عام. لعقود من الزمن، كان "صوت" هذه الأوراق متسقاً: أسلوب محدد من اللغة الإنجليزية، مع ظهور كلمات معينة بشكل متكرر وأخرى نادرة.

ثم، وصلت مجموعة جديدة من الكتبة غير المرئيين: نماذج اللغات الكبيرة (LLMs) مثل ChatGPT وClaude وGemini. هذه الأدوات المدعومة بالذكاء الاصطناği ذكية للغاية، لكن لديها "لكناتها" وعاداتها الفريدة الخاصة.

هذه الورقة، التي تحمل عنوان "ما وراء فيا" (Beyond Via)، تشبه قصة تحقيق لغوي. ذهب المؤلفون إلى المكتبة (تحديداً خادم الأبحاث المسبقة arXiv) للإجابة على سؤالين كبيرين:

كيف يغير هؤلاء الكتبة من الذكاء الاصطناعي طريقة كتابة الباحثين؟
هل يمكننا معرفة أي ذكاء اصطناعي محدد كتب جملة ما، أم أنهم جميعاً بدأوا يبدون متشابهين؟

إليك تفصيل نتائجهم، مشروحة ببعض التشبيهات من الحياة اليومية.

1. "لكنة" كتبة الذكاء الاصطناعي

تماماً كما قد يقول شخص من نيويورك "bodega" وشخص من لندن "corner shop"، طورت نماذج ذكاء اصطناعي مختلفة عادات لغوية متميزة.

هوس "Vía" و"Beyond": لاحظ المؤلفون أن نماذج الذكاء الاصطناعي الأحدث تحب استخدام كلمتي "via" (عبر) و "beyond" (ما وراء) في عناوين الأوراق البحثية. الأمر يشبه إذا بدأ كل طباخ جديد فجأة بتزيين كل طبق بعشبة فاخرة معينة لم يكن أحد يستخدمها من قبل.
- التشبيه: تخيل صيحة موضة حيث يبدأ فجأة كل شخص في المدينة بارتداء نوع معين من القبعات. رأى الباحثون هذا يحدث مع الكلمات في العناوين الأكاديمية.
اختفاء "The" و"Of": على العكس من ذلك، الكلمات الأكثر شيوعاً في اللغة الإنجليزية، مثل "the" و"of"، أصبحت أقل تكراراً في الملخصات. يبدو أن الذكاء الاصطناعي يحاول أن يبدو أكثر "كفاءة" أو "كثافة"، متجاهلاً كلمات الربط الصغيرة التي يستخدمها البشر بشكل طبيعي.
- التشبيه: إنه يشبه رسالة نصية حيث تحذف جميع الحروف المتحركة وترسل فقط "Wnt2g2st". يقوم الذكاء الاصطناعي بشيء مماثل في الكتابة الأكاديمية، حيث يجرد الكتابة من كلمات "الغراء" (الربط).

2. تأثير الحرباء (تغير النماذج بمرور الوقت)

تسلط الورقة الضوء على أن الذكاء الاصطناعي ليس ثابتاً؛ بل يتطور. "صوت" نموذج الذكاء الاصطناعي من عام 2023 يختلف عن "صوت" نموذج في عام 2025.

تحول "Delve" مقابل "Together": في الأيام الأولى لـ ChatGPT، كانت كلمة "delve" (مثل "التعمق في البيانات") علامة حمراء كبيرة للكتابة بالذكاء الاصطناعي. لكن النماذج الأحدث توقفت عن استخدامها كثيراً. وفي الوقت نفسه، كانت كلمة "together" (معاً) نادرة في نصوص الذكاء الاصطناعي ولكنها شهدت مؤخراً طفرة في الشعبية.
- التشبيه: فكر في الأمر مثل موسيقى البوب. في عام 2020، كان الجميع يغني نوعاً معيناً من الأغاني الهادئة. وبحلول عام 2024، تحول الاتجاه إلى موسيقى البوب المبهجة. إذا سمعت أغنية، يمكنك تخمين السنة التي صُنعت فيها بناءً على الأسلوب. وجد المؤلفون أن أساليب كتابة الذكاء الاصطناعي تتغير بسرعة تماماً مثل اتجاهات موسيقى البوب.

3. مشكلة "من الفاعل؟" (هل يمكننا اكتشاف الذكاء الاصطناعي؟)

حاول الباحثون بناء "كاشف" لمعرفة أي ذكاء اصطناعي محدد كتب نصاً ما. لقد وضعوا لعبة: "هل كتبت هذه الفقرة بواسطة GPT-4، أم DeepSeek، أم إنسان؟"

النتيجة: كانت الكواشف جيدة في رصد ما إذا كان قد تم استخدام الذكء الاصطنانا، لكنها كانت سيئة جداً في تخمين أي ذكاء اصطناعي.
- التشبيه: تخيل طابور عرض للشرطة حيث يرتدي جميع المشتبه بهم بدلات رمادية متطابقة. يمكنك بسهون تمييز أنهم ليسوا من سكان البلدة العاديين (البشر)، لكن لا يمكنك معرفة أي شخص يقف في أي مكان. نماذج الذكاء الاصطناعي المختلفة أصبحت متشابهة جداً لدرجة أنها تندمج معاً.
التجانس: تشير الورقة إلى أنه بينما يصبح الذكاء الاصطناعي أفضل، فإنه يصبح أكثر "شبهاً بالبشر"، ولكن بطريقة تجعل جميع نماذج الذكاء الاصطناعي تبدو كأنها نفس الـ "super-human" (الإنسان الخارق) العام. هذا يجعل من الصعب التمييز بينها.

4. طريقة "الكرة البلورية" (تقدير التأثير)

بما أن نهج "المحقق" (المصنفات) بدأ يرتبك، استخدم المؤلفون طريقة أبسط وأكثر شفافية: عد الكلمات.

لقد عاملوا المكتبة الأكاديمية كحديقة.

الأساس: نظروا في عدد مرات نمو بعض "الأعشاب الضارة" (كلمات مثل "the" أو "furthermore") في الحديقة قبل وصول كتبة الذكاء الاصطناعي (2015–2021). رسموا خطاً مستقيماً يتنبأ بعدد الأعشاب التي يجب أن تكون هناك في عام 2025 إذا كان البشر وحدهم هم من يكتبون.
الانحراف: ثم نظروا إلى الحديقة الفعلية في عام 2025. رأوا أن "الأعشاب الضارة" (كلمات معينة) تنمو بشكل أسرع أو أبطأ بكثير مما توقعه الخط.
الاستنتاج: من خلال قياس هذا "النمو المفرط" أو "النمو الناقص"، استطاعوا تقدير مقدار الجزء من الكتابة الأكاديمية الذي تمت رعايته بواسطة الذكاء الاصطناعي. ووجدوا أنه بحلول عام 2025، فإن جزءاً كبيراً من الكتابة الأكاديمية قد لمسه الذكاء الاصطناعي، وهذا الرقم ينمو بسرعة.

الخلاصة الكبرى

تخلص الورقة إلى أن الذكاء الاصطناعي يعيد تشكيل مشهد الكتابة الأكاديمية، ليس فقط من خلال كتابة الأوراق، ولكن من خلال تغيير المفردات والأسلوب في المجال بأكم مع.

التحذير: إذا اعتمدنا فقط على كواشف "الصندوق الأسود" المعقدة، فقد نفقد التفاصيل الدقيقة لأن نماذج الذكاء الاصطناعي أصبحت متشابهة جداً مع بعضها البعض.
الرؤية الثاقبة: الأدوات البسيطة — مثل مراقبة الكلمات التي تصبح رائجة أو تختفي — هي في الواقع أدوات قوية جداً لفهم كيف تغير التكنولوجيا التواصل البشري.

باختصار: يخبرنا المؤلفون أن "صوت" البحث الأكاديمي يتغير. إنه يصبح أكثر كفاءة قليلاً، وأكثر "لكنة ذكاء اصطناعي" قليلاً، والنماذج كلها بدأت تبدو وكأنها نفس الشخص. نحن بحاجة إلى مواصلة مراقبة التفاصيل الصغيرة (مثل كلمة "via") لفهم الصورة الكبيرة.

إليك ملخص تقني مفصل للورقة البحثية بعنوان "ما وراء Via: تحليل وتقدير تأثير النماذج اللغوية الكبيرة في الأوراق الأكاديمية."

١. بيان المشكلة

أثار التكامل السريع للنماذج اللغوية الكبيرة (LLMs) في الكتابة الأكاديمية مخاوف بشأن إمكانية اكتشاف المحتوى المولد بواسطة الذكاء الاصطناعي والتحولات الأسلوبية المتطورة في المنشورات العلمية. وبينما ركزت الدراسات السابقة على اكتشاف استخدام النماذج اللغوية الكبيرة أو تحديد كلمات معينة ذات "نمط ذكاء اصطناعي" (مثل "delve")، تعالج هذه الورقة فجوتين حرجتين:
١. التطور الديناميكي: النماذج اللغوية الكبيرة ليست ثابتة؛ إذ تظهر النماذج المختلفة (والإصدارات المختلفة من النموذج نفسه) تفضيلات لغوية متميزة ومتطورة.
٢. التقدير مقابل الكشف: تواجه المصنفات الحالية صعوبة في التمييز بين نماذج محددة في السيناريوهات متعددة الفئات، كما أن طرق الكشف "الصندوق الأسود" غالباً ما تكون غير موثوقة في البيئات الواقعية حيث يحدث التحرير البشري.
يهدف المؤلفون إلى قياس تأثير النماذج اللغوية الكبيرة على الكتابة الأكاديمية من خلال تحليل أنماط استخدام الكلمات، مع التركيز بشكل خاص على كيفية تأثير النماذج المختلفة على العناوين والملخصات في مستودع arXiv.

٢. المنهجية

تستخدم الدراسة نهجاً مختلط الأساليب يجمع بين تحليل البيانات واسع النطاق، والمحاكاة، والنمذجة الإحصائية.

جمع البيانات وإعدادها

المصدر: مجموعة بيانات arXiv المحدثة أسبوعياً (Kaggle) والتي تحتوي على أكثر من ٢.٩ مليون ورقة بحثية.
مجموعة بيانات المحاكاة: تم اختيار ٢٠٠٠ ملخص حقيقي من arXiv من الفترة يناير–أكتوبر ٢٠٢٢ (ما قبل ChatGPT) كخط أساس.
محاكاة النماذج اللغوية الكبيرة: تمت معالجة هذه الملخصات الـ ٢٠٠٠ باستخدام تسعة نماذج لغوية كبيرة مختلفة (GPT-3.5, GPT-4o mini, GPT-5 nano, DeepSeek V3/R1/V3.2, Gemini 2.5/3, Claude 3/4.5) عبر واجهة برمجة التطبيقات (API).
الأوامر (Prompts): تم استخدام نوعين من الأوامر:
- قصير: "راجع الجمل التالية" (تعديل خفيف).
- طويل: أمر شخصية مفصل يعمل كمحرر أكاديمي محترف (تعديل عميق).
المهام: كُلفت النماذج بـ (١) إعادة كتابة الملخصات و (٢) توليد عناوين بناءً على الملخصات.

الإطار التحليلي

١. نمذجة الاتجاه (Trend Modeling):
* يقوم المؤلفون بنمذجة تكرار الكلمات $f_w(t)$ كاتجاه خطي ( $a_w + b_w t$ ) مشتق من بيانات ما قبل النماذج اللغوية الكبيرة (٢٠١٥–٢٠٢١).
* تُعزى الانحرافات عن هذا الاتجاه الخطي في بيانات ما بعد ٢٠٢٢ إلى تأثير النماذج اللغوية الكبيرة.
٢. تقدير التأثير (المسألة العكسية):
* صاغوا مسألة تحسين لتقدير نسبة النص المولد بواسطة نماذج محددة ( $\eta_{m,p}(t)$ ) مقابل النصوص المكتوبة بشرياً ( $\eta_0(t)$ ).
* يقلل النموذج الفرق بين تكرار الكلمات المرصود والمجموع الموزون لتكرارات النصوص البشرية ومخرجات النماذج اللغوية المختلفة (المعادلة ٦).
٣. التشابه والتصنيف:
* التشابه: استخدموا مقاييس ROUGE-1/2/L و BERTScore لمقارنة مخرجات النماذج اللغوية الكبيرة مع النصوص البشرية الأصلية وعبر الأوامر المختلفة.
* التصنيف: تم تدريب مصنفات (BERT, GPT-2, T5, LLM2Vec) للتمييز بين النصوص المولدة من نماذج لغوية مختلفة والنصوص البشرية في إعدادات ثنائية ومتعددة الفئات.

٣. المساهمات الرئيسية

تحديد "Beyond" و "Via": تسلط الورقة الضوء على تحول محدد في توليد العناوين حيث تظهر النماذج الأحدث (مثل DeepSeek و GPT-5) تفضيلاً ملحوظاً للكلمات "beyond" و "via"، والتي ظهرت لاحقاً في عناوين arXiv الحقيقية بدءاً من عام ٢٠٢٥.
تحولات الكلمات الوظيفية (Stopwords): خلافاً للافتراض بأن النماذج اللغوية الكبيرة تؤثر فقط على المفردات النادرة، تجد الدراسة تغيرات كبيرة في الكلمات الوظيفية عالية التكرار. وتحديداً، انخفض تكرار كلمتي "the" و "of" في الملخصات، بينما أظهرت كلمة "together" نمطاً متقلباً (انخفاض يليه ارتفاع حاد)، مما يعكس التفضيلات المتغيرة بين النماذج القديمة والجديدة.
التجانس مقابل التمايز: توضح الدراسة أنه بينما تصبح النماذج اللغوية الكبيرة أكثر تشابهاً مع الكتابة البشرية من حيث درجات ROUGE (التداخل المعجمي)، إلا أنها تظل متميزة في الفضاء الدلالي (BERTScore). علاوة على ذلك، تتقارب النماذج المختلفة في الأسلوب (التجانس)، مما يجعل التصنيف متعدد الفئات صعباً بشكل متزايد.
منهج تقدير قابل للتفسير: يقترح المؤلفون نهجاً شفافاً يعتمد على الانحدار الخطي لتقدير تأثير استخدام النماذج اللغوية الكبيرة، بحجة أنه يوفر قدرة أفضل على التفسير مقارنة بالمصنفات المعقدة التي تعمل كصندوق أسود.

٤. النتائج الرئيسية

أنماط استخدام الكلمات

العناوين: تظهر كلمات مثل "via" و "beyond" زيادة حادة في التكرار في العناوين الحقيقية بعد عام ٢٠٢٥، وهو ما يترابط مع إصدار النماذج الأحدث التي تفضل هذه المصطلحات.
الملخصات:
- الانخفاض: انخفضت ترددات "the" و "of" بشكل كبير في البيانات الحقيقية مقارنة بالتوقعات الخطية.
- الزيادة: ارتفعت كلمات مثل "furthermore" مع نماذج معينة (مثل GPT-4o mini) ولكنها عادت للاستقرار منذ ذلك الحين، مما يشير إلى تطور سريع في سلوك النماذج.
- خصوصية النموذج: تمتلك النماذج المختلفة "بصمات" مميزة. على سبيل المثال، تظهر GPT-5 nano و DeepSeek V3.2 تفضيلات مختلفة للكلمات الشائعة مقارنة بـ GPT-3.5.

أداء التصنيف

التصنيف الثنائي (بشري مقابل ذكاء اصطناعي): حقق دقة عالية (٧٨٪–٩٥٪) باستخدام BERT و T5.
التصنيف متعدد الفئات (تحديد نموذج محدد): انخفضت الدقة بشكل كبير (إلى حوالي ٦٠٪ لـ ٤ فئات، وأقل لـ ٧ فئات أو أكثر).
الارتباك: يصعب التمييز بين النماذج الأحدث وبعضها البعض وبين النصوص البشرية. تظهر مصفوفات الارتباك أن النصوص المكتوبة بشرياً تُصنف بشكل متكرر كأنها مولدة بواسطة الذكاء الاصطناعي (إيجابيات كاذبة)، كما يتم الخلط بين النماذج اللغوية المختلفة وبعضها البعض.

تقدير التأثير

كان تقدير نسبة النص المولد بواسطة النماذج اللغوية الكبيرة في ملخصات arXiv قريباً من الصفر قبل أواخر عام ٢٠٢٢.
بعد عام ٢٠٢٣، يقدر النموذج تبنياً متزايداً وغير متجانس. ارتفعت نسبة النصوص التي تشبه "نمط GPT-3.5" في البداية ثم انخفضت، مما يشير إلى أن المستخدمين ينتقلون إلى نماذج أحدث (GPT-4/5, DeepSeek).
أظهرت التقديرات القائمة على الكلمات الوظيفية تقلباً أكبر، بينما وفرت تقديرات الكلمات الشائعة اتجاهات أكثر استقراراً.

٥. الأهمية والآثار المترتبة

المراقبة الديناميكية: تجادل الورقة بأن أدوات الكشف الثابتة غير كافية. فمع تطور النماذج اللغوية الكبيرة، تتغير بصماتها اللغوية، مما يتطلب إعادة تقييم مستمرة لمقاييس التأثير.
ما وراء الكشف: ينتقل التركيز من "هل هذا ذكاء اصطناعي؟" إلى "ما مقدار تأثير الذكاء الاصطناعي الموجود؟". يوفر منهج التقدير الخطي المقترح طريقة قابلة للتوسع لتتبع هذه الاتجاهات دون الاعتماد على مصنفات هشة.
النزاهة الأكاديمية: تشير النتائج إلى أن النماذج اللغوية الكبيرة تعيد تشكيل الخطاب الأكاديمي ببراعة، ليس فقط من خلال توليد المحتوى، بل أيضاً من خلال تغيير تكرار الهياكل القواعدية الأساسية (الكلمات الوظيفية) وتقاليد العناوين.
البحث المستقبلي: يسلط المؤلفون الضوء على الحاجة إلى تتبع أكثر دقة لتأثيرات النماذج المحددة وإمكانية "التطور المشترك بين الإنسان والنموذج اللغوي"، حيث تتكيف أساليب الكتابة البشرية لمحاكاة أو مواجهة أنماط الذكاء الاصطناعي.

في الختام، تقدم ورقة "Beyond Via" دليلاً تجريبياً على أن النماذج اللغوية الكبيرة تعيد تشكيل المشهد اللغوي للنشر الأكاديمي فعلياً. إنها تنقل المجال من مجرد الكشف البسيط إلى فهم دقيق لكيفية تأثير النماذج المختلفة ديناميكياً على التواصل العلمي.