💬 NLP

Explainable Disentangled Representation Learning for Generalizable Authorship Attribution in the Era of Generative AI

تقدم هذه الورقة البحثية نموذج "المُشفّر التلقائي التبايني لتأليف النصوص القابل للتفسير" (EAVAE)، وهو إطار عمل مبتكر يحقق عزواً قوياً وعاماً للمؤلف وكشفاً للنصوص المولدة بواسطة الذكاء الاصطناعي من خلال الفصل الصريح بين الأسلوب والمحتوى عبر الفصل المعماري ومميز فريد يقوم في آن واحد بالتحقق من أزواج التمثيلات وتوليد تفسيرات باللغة الطبيعية.

المؤلفون الأصليون: Hieu Man, Van-Cuong Pham, Nghia Trung Ngo, Franck Dernoncourt, Thien Huu Nguyen

نُشر 2026-04-24

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Hieu Man, Van-Cuong Pham, Nghia Trung Ngo, Franck Dernoncourt, Thien Huu Nguyen

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 أنك محقق يحاول حل لغز: من الذي كتب هذا النص؟

في الماضي، كان المحققون يبحثون عن "علامات" محددة—ربما كان المؤلف يستخدم دائماً كلمات ضخمة، أو يبدأ جملة دائماً بكلمة "ومع ذلك". ولكن اليوم، مع صعود الذكاء الاصطناعي، تغيرت قواعد اللعبة. يمكن للذكاء الاصطناعي محاكاة هذه العلامات بشكل مثالي، كما يمكنه الكتابة عن أي شيء.

المشكلة الكبرى التي تواجه البرامج الحاسوبية الحالية في محاولة حل هذا اللغز هي أنها تصاب بالارتباك. فهي غالباً ما تخلط بين موضوع النص وبين أسلوب الكاتب.

المشكلة: فخ "أدب الجريمة"

تخيل أنك تحاول تحديد ما إذا كانت قصة ما قد كُتبت بواسطة آرثر كونان دويل (مؤلف شرلوك هولمز) أو أجاثا كريستي (مؤلفة هيركيول بوارو).

الذكاء الاصطناعي السيئ: يقرأ قصة عن محقق يحل جري قتل. فيصرخ فوراً: "هذا كونان دويل!" لماذا؟ لأنه تعلم أن "أدب الجريمة" = "كونان دويل". لم ينظر فعلياً إلى كيفية بناء الجمل؛ بل خمن فقط بناءً على الموضوع. إذا كتبت أجاثا كريستي قصة عن محقق، فإن الذكاء الاصطناسيئ السيئ سيخطئ في التقدير.
الهدف: نحن بحاجة إلى ذكاء اصطناعي يتجاهل الموضوع (المحققين) ويركز فقط على الصوت (الإيقاع الفريد، اختيار الكلمات، وبنية الجملة الخاصة بالكاتب).

الحل: EAVAE (آلة "فصل الأسلوب")

قام مؤلفو هذه الورقة ببناء نظام جديد يسمى EAVAE (المشفّر التلقائي التبايني القابل للتفسير لتحديد الهوية). فكر فيه كأنه مطبخ عالي التقنية يحتوي على طباخين منفصلين ومدير صارم للغاية.

1. الطباخان (الفصل الهيكلي)

بدلاً من وجود طباخ واحد يحاول القيام بكل شيء، يمتلك EAVAE طباخين متخصصين يعملان جنباً إلى جنب:

الطباخ "الأسلوب": يهتم هذا الطباخ فقط بـ كيفية طهي الطعام. "هل هو حار؟ هل هو مليء بالصلصة؟ هل طريقة التقديم فاخرة؟" إنه يتجاهل نوع الطعام.
الطباخ "المحتوى": يهتم هذا الطباخ فقط بـ ما هو الطعام. "هل هذا برجر؟ أم سلطة؟" إنه يتجاهل كيفية طهيه.

من خلال إجبار هذين الطباخين على العمل في غرفتين منفصلتين، يضمن النظام أن طباخ "الأسلوب" لن يتشتت أبداً بمحتوى طباخ "المحتوى". وهذا يحل فخ "أدب الجريمة".

2. المدير الصارم (المميز القابل للتفسير)

هذا هو الجزء السحري. عادةً، تقول هذه الأنظمة "نعم، هذا كونان دويل" أو "لا، ليس هو". لكن EAVAE لديه مدير يعمل كمعلم صارم.

عندما يرسل الطباخان عملهما إلى المدير، لا يكتفي المدير بالتحقق من الإجابة فحسب، بل يجب على المدير كتابة ملاحظة تشرح السبب.

مثال للملاحظة: "أعرف أن هذا لكونان دويل ليس لأنه عن محقق، بل لأن الكاتب يستخدم جملًا قصيرة وقوية واستعارات محددة عن الضباب."

هذا يجبر النظام على أن يكون صادقاً. إذا حاول الغش باستخدام الموضوع (المحققين) لتخمين المؤلف، سيكشفه المدير لأن التفسير لن يكون منطقياً. وهذا يجعل النظام قابلاً للتفسير—يمكننا فعلياً رؤية لماذا اتخذ قراراً معيناً.

3. معسكر التدريب (التعلم على مرحلتين)

يتعلم النظام في خطوتين:

المعسكر التدريبي (ما قبل التدريب): يقرأ النظام ملايين الكتب والمقالات لآلاف المؤلفين. يتعلم "الصوت" الأساسي للجميع، مثل طالب يحفظ الأبجدية.
التدريب المتخصص (الضبط الدقيق): الآن، يمارس النظام روتين "الطباخين الاثنين". يأخذ نصاً، ويقسمه إلى "أسلوب" و"محتوى"، ثم يحاول إعادة بناء النص الأصلي من هذين الجزأين. إذا استطاع إعادة بناء النص بشكل مثالي باستخدام أدلة "الأسلوب" و"المحتوى" فقط، فإنه يعرف أنه نجح في فصلهما.

لماذا يهم هذا؟

هذا ليس مجرد أمر يتعلق بكشف المقلدين. بل له استخدامان كبيران في العالم الحقيقي:

إيجاد المؤلف الحقيقي: إذا سرق شخص ما كتابتك أو حاول تقديم ورقة أكاديمية مزيفة على أنها من تأليفك، يمكن لـ EAVAE رصد الفرق، حتى لو كان الموضوع مختلفاً تماماً عن عملك المعتاد.
كشف الذكاء الاصطناعي: مع تطور الذكاء الاصطناعي في الكتابة، يصبح من الصعب التمييز بين ما إذا كان النص بشرياً أم آلياً. EAVAE بارع في هذا لأنه يبحث عن "بصمات الأسلوب البشري" الدقيقة التي غالباً ما يفتقدها الذكاء الاصطناعي أو يحاكيها بشكل سيئ. وهو يعمل بفعالية حتى لو لم يسبق له رؤية ذلك النوع المحدد من الذكاء الاصطناعي (قدرة التعلم بـ "عدد قليل من الأمثلة").

الخلاصة

الذكاء الاصطناعي الحالي يشبه طالباً يحفظ الإجابات لكنه لا يفهم المفاهيم. أما EAVAE فهو يشبه طالباً يفهم المفاهيم. إنه يفصل بين "ماذا" (الموضوع) وبين "كيف" (الأسلوب)، ويمكنه حتى شرح منطقه باللغة العادية. هذا يجعله أصعب في الخداع، وأكثر موثوقية في حماية الملكية الفكرية وكشف الأخبار المزيفة.

إليك ملخص تقني مفصل لورقة البحث بعنوان: "التعلم التمثيلي المتشابك القابل للتفسير لنسب المؤلفية العام في عصر الذكاء الاصط์ناعي التوليدي."

1. بيان المشكلة

تعالج الورقة تحديين حاسمين في تحليل المؤلفة وكشف النصوص المولدة بواسطة الذكاء الاصطناوي:

التشابك بين المحتوى والأسلوب (ارتباك الموضوع): غالبًا ما تتعلم الطرق الحالية ارتباطات زائفة بين هوية المؤلف والمواضيع التي يناقشها (على سبيل المثال، يتم تحديد كاتب معين خطأً كمؤلف لمجرد أنه يكتب عن "روايات التحري"، وليس بسبب أسلوبه الفريد في الكتابة). يؤدي هذا إلى ضعف التعميم عبر المجالات المختلفة.
الافتقار إلى القابلية للتفسير: تتعامل النهج العصبية الحالية (حتى تلك التي تستخدم التعلم التبايني) مع الأسلوب والمحتوى كتمثيل واحد (embedding)، مما لا يقدم أي رؤية حول أي الميزات الأسلوبية هي التي تقود قرارات نسبة المؤلفية.
التعميم في عصر النماذج اللغوية الكبيرة (LLMs): مع زيادة سلاسة النصوص التي تولدها النماذج اللغوية الكبيرة، يتطلب التمييز بين الأسلوب البشري والتوليد الآلي تمثيلات أسلوبية قوية ومستقلة عن الموضوع، يمكنها التعميم في سيناريوهات التعلم من أمثلة قليلة (few-shot) أو بدون أمثلة (zero-shot).

2. المنهجية: EAVAE

يقترح المؤلفون إطار عمل EAVAE (المشفّر التلقائي التبايني لنسب المؤلفية القابل للتفسير)، وهو إطار مصمم لفصل الأسلوب التأليفي عن المحتوى صراحةً من خلال "الفصل بالتصميم". يتبع الهيكل عملية تدريب من مرحلتين:

أ. التدريب المسبق التبايني

الهدف: إنشاء تمثيلات تأليفية قوية وأساسية.
الآلية: يتم تدريب مشفر الأسلوب (المعتمد على النماذج اللغوية الكبيرة) مسبقاً باستخدام التعلم التبايني الخاضع للإشراف على مجموعة ضخمة ومتنوعة من الوثائق (27.4 مليون وثيقة).
استخراج العينات السلبية الصعبة (Hard Negative Mining): لمنع النموذج من الاعتماد على التشابهات المعجمية السطحية، يستخدم المؤلفون تقنية BM25 لاسترجاع عينات سلبية (وثائق من مؤلفين مختلفين) تكون متشابهة معجمياً ولكنها متميزة أسلوبياً.
الانتباه ثنائي الاتجاه: يستخدم المشفر آليات الانتباه ثنائية الاتجاه لالتقاط التبعيات السياقية الكاملة، مما يحسن جودة التمثيل.

ب. الضبط الدقيق للمشفّر التلقائي التبايني (VAE) القابل للتفسير

تنفصل هذه المرحلة الأسلوب والمحتوى صراحةً باستخدام بنية متخصة:

المشفرات المزدوجة:
- مشفر الأسلوب ( $E_s$ ): يربط الوثائق بفضاء أسلوب كامن ( $z_s$ ).
- مشفر المحتوى ( $E_c$ ): يربط الوثائق بفضاء محتوى كامن ( $z_c$ ).
- افتراض الاستقلال: يفرض النموذج أن $q(z_s, z_c|d) = q(z_s|d)q(z_c|d)$ ، مما يضمن أن المتغيرات الكامنة مستقلة إحصائياً.
المعيد المشترك (Shared Reconstructor): يقوم مولد واحد بإعادة بناء النص الأصلي من خلال دمج التمثيلات الأسلوبية والمحتوية الكامنة ( $z_s, z_c$ )، مما يضمن احتواء كلا المكونين على المعلومات اللازمة لإعادة البناء.
المميز القابل للتفسير:
- بدلاً من المصنف الثنائي القياسي، فإن المميز هو نموذج توليدي (باستخدام التلقين الهجين).
- المهمة: بالنظر إلى أزواج من التمثيلات الأسلوبية أو المحتوية، يقوم بتصنيف ما إذا كانت تنتمي إلى نفس المصدر (المؤلف أو الموضوع).
- القابلية للتفسير: من المهم أن المولد ينتج تفسيرات باللغة الطبيعية تبرر قراره (على سبيل المثال، "هذه الأساليب تختلف بسبب بنية الجملة X، بينما هذه المحتويات متشابهة بسبب الموضوع Y").
- التلقين الهجين (Hybrid Prompting): يستخدم المولد قوالب تلقين ثابتة مع تلقينات ناعمة قابلة للتعلم، حيث يتم استبدال الرموز النائبة ديناميكياً بالتمثيلات الكامنة ( $z_s, z_c$ ).

ج. دالة الخسارة الإجمالية

تجمع دالة الخسارة الإجمالية بين:

خسارة VAE ( $L_{vae}$ ): دقة إعادة البناء + تنظيم تباعد KL لكل من الأسلوب والمحتوى.
خسارة المميز ( $L_{dis}$ ): خسارة الإنتروبيا المتقاطعة لدقة التصنيف بالإضافة إلى توليد تفسيرات متماسكة.
الإجمالي: $L_{EAVAE} = L_{vae} + \lambda_{dis} L_{dis}$ .

3. المساهمات الرئيسية

الفصل الهيكلي: إطار عمل مبتكر يفصل صراحةً بين الأسلوب والمحتوى عبر مشفرات مزدوجة وبنية VAE، مما يعالج مباشرة مشكلة "ارتباك المحتوى".
التدريب التنافسي القابل للتفسير: تقديم مميز لا يكتفي بفرض الفصل فحسب، بل يقدم أيضاً مسوغات باللغة الطبيعية لقراراته، مما يعزز قابلية تفسير النموذج.
أداء رائد (SOTA): أظهر نتائج متفوقة في كل من نسبة المؤلفية (AA) وكشف النصوص المولدة بواسطة الذكاء الاصطناعي، مما يثبت أن التمثيلات المنفصلة تعمم بشكل أفضل عبر المجالات المختلفة.

4. النتائج التجريبية

تم تقييم النموذج على عدة معايير:

نسبة المؤلفية (AA):
- مجموعات البيانات: Amazon Reviews، وPAN21، وHRS corpus (5 مجالات غير متجانسة).
- الأداء: حقق EAVAE نتائج رائدة (SOTA).
  - في Amazon Reviews: حقق 97.0% MRR و99.0% Recall@8 (متجاوزاً LUAR بمقدار +3.6 MRR).
  - في HRS (على مستوى الوثيقة): حقق 47.3% MRR و72.2% Recall@8. كان هذا تحسناً هائلاً (+10.7 MRR) مقارنة بأفضل نتيجة سابقة (Man and Nguyen, 2024)، مما يسلط الضوء على فعالية الفصل في السيناريوهات متعددة المجالات.
كشف النصوص المولدة بواسطة الذكاء الاصطناوي:
- مجموعة بيانات M4: (ArXiv, PeerRead, WikiHow, Wikipedia).
- الإعداد: التعلم من أمثلة قليلة (Single-target و Multi-target detection).
- الأداء: حقق EAVAE نتائج تنافسية دون الحاجة لضبط دقيق خاص بالمهمة للكشف.
  - Single-target: 65.7% pAUC@1، 93.5% pAUC@5، 98.5% pAUC@10.
  - Multi-target: 62.0% pAUC@1، 87.4% pAUC@5، 97.7% pAUC@10.
- الأهمية: نجح النموذج في كشف نصوص الذكاء الاصطناعي من خلال الاعتماد على التمثيلات الأسلوبية الصرفة، حتى عندما اختلفت مواضيع المحتوى بشكل كبير.
دراسات الاستئصال (Ablation Studies):
- أدى إزالة "الفصل بالتصميم" (باستخدام مشفر واحد) إلى أكبر انخفاض في الأداء (انخفض MRR من 47.3% إلى 44.5%)، مما أكد أن الفصل الهيكلي هو المكون الأكثر أهمية.
- أدت إزالة المميز القابل للتفسير أيضاً إلى تقليل الأداء بشكل ملحوظ، مما أثبت دوره في فرض الاستقلال.
- تفوقت آلية التلقين الهجين (Hybrid Prompting) على المصنفات البسيطة (MLP) والمتغيرات التي تعتمد على التلقين الناعم فقط.

5. الأهمية والخاتمة

المتانة: يثبت EAVAE أن الفصل الصريح بين الأسلوب والمحتوى أمر ضروري لبناء نماذج مؤلفية تتعمم عبر مواضيع ومجالات مختلفة، وهو مطلب حاسم في عصر الذكاء الاصطناعي التوليدي.
القابلية للتفسير: من خلال توليد تفسيرات باللغة الطبيعية، ينتقل النموذج إلى ما وراء التنبؤات "الصندوق الأسود"، مما يسم un للمباحثين فهم لماذا تم اتخاذ نسبة أسلوبية معينة.
تعدد الاستخدامات: التمثيلات الأسلوبية المتعلمة قابلة للنقل، حيث أظهرت أداءً قوياً في كشف نصوص الذكاء الاصطناعي دون الحاجة لتدريب خاص بهذه المهمة.
الاتجاهات المستقبلية: يقترح المؤلفون توسيع إطار العمل ليشمل البيئات متعددة اللغات، ودمج أبعاد أسلوبية إضافية (مثل المشاعر أو الرسمية)، وتطبيقه على وسائط أخرى مثل الكود البرمجي أو الكلام.

باخت$- خلاصة القول، يمثل EAVAE قفزة نوعية في تحليل المؤلفية من خلال حل مشكلة ارتباك الموضوع طويلة الأمد عبر تصميم هيكلي مبني على المبادئ، وتوفير الشفافية اللازمة للتطبيقات الجنائية والأمنية في العالم الحقيقي.