Seeing the Poem: Image-Semantic Detection of AI-Generated Modern Chinese Poetry with MLLMs

ملخص تقني: الكشف عن الشعر الصيني الحديث المولد بواسطة الذكاء الاصطناعي عبر الدلالات الصورية باستخدام النماذج اللغوية الكبيرة متعددة الوسائط (MLLMs)

بيان المشكلة
أدى التقدم السريع في النماذج اللغوية الكبيرة (LLMs) إلى طمس الفوارق بين النصوص التي يكتبها البشر وتلك التي يولدها الذكاء الاصطناعي، مما فرض تحديًا كبيرًا في مجال الشعر الصيني الحديث. وبينما أثبتت دراسات كشف سابقة أن النماذج اللغوية الكبيرة غالبًا ما تكون غير فعالة كأدوات كشف للنصوص العامة، وأن أدوات الكشف التقليدية القائمة على النص (مثل RoBERTa وFast-DetectGPT) تعاني مع الشعر الصيني الحديث، لم يتناول أي بحث سابق هذا النوع من الوسائط تحديدًا. إن الطبيعة الفريدة للشعر، التي تعتمد بشكل كبير على "التعبير عن العواطف من خلال المشاهد" (استخدام الصور البصرية لنقل المشاعر الذاتية)، تشير إلى أن التحليل النصي وحده قد يغفل عن الإشارات الدلالية الحرجة. وتشير المعايير المرجعية الحالية إلى أن أدوات الكشف التقليدية تحقق دقة منخفضة (غالبًا أقل من 70%) في الشعر الصيني الحديث المولد بواسطة الذكاء الاصطناعي، مما يعني فشلها في التقاط الفروق الدقيقة التي تميز الإبداع البشري عن المحاكاة الآلية.

المنهجية: إطار عمل IMAGINE
لمعالجة هذه القيود، اقترح المؤلفون إطار عمل IMAGINE (الكشف عن الشعر الموجه بالدلالات الصورية - IMAge-semaNtic GuIded poEtry detection)، وهو إطار عمل مبتكر يستفيد من النماذج اللغوية الكبيرة متعددة الوسائط (MLLMs) لدمج التوجيه الدلالي الصوري في عملية الكشف. تستند المنهجية إلى المبدأ الشعري القائل بأن القصائد غالبًا ما تُستلهم من مشاهد بصرية؛ وبالتالي، فإن وجود صورة مقابلة يمكن أن يوفر سياقًا دلاليًا أعمق من النص وحده.

يعمل إطار العمل من خلال نهج يعتمد على الأمثلة ويتكون من جزأين:

1. التعلم المدفوع بالأمثلة: يتم تزويد النموذج أولاً بزوج من الأمثلة: قصيدة واحدة كتبها بشر وأخرى ولدها الذكاء الاصطناائي. ومن الأهمية بمكان أن تشترك هاتان القصيدتان في العنوان، والموضوع، والمعنى، والصور البيانية، والنبرة العاطفية، كما تحتفظ القصيدة المولدة بالذكاء الاصطناعي بجميع الأسماء الموجودة في القصيدة البشرية ولكنها تختلف في أسلوب الكتابة. كما يتم توفير صورة مقابلة تعكس محتوى هاتين القصيدتين. ويتم إعلام النموذج بالعلاقات بين الصورة والقصائد، وكذلك المصادر المحددة (بشري مقابل ذكاء اصطناعي).
2. التصنيف الموجه: بعد ذلك، يُقدم للنموذج قصيدة جديدة غير معروفة وصورة مقابلة تم إنشاؤها بناءً على محتوى تلك القصيدة. وباستخدام السياق الذي تم تأسيسه في الأمثلة، يقوم النموذج بتحليل التفاعل بين النص والصورة لتحديد مصدر القصيدة.

يُوجه تصميم المطالبة (تحديدًا IP3) النموذج اللغوي الكبير (MLLM) للعمل كخبير شعري محترف، مع ملاحظة صريحة بأن الصورة قد تم إنشاؤها لتعكس عنوان القصيدة، وموضوعها، وصورها البيانية، وعاطفتها، وأنها تجسد العناصر الاسمية للقصيدة البشرية. ويُكلف النموذج بالحكم على "نص القصيدة" تحديدًا، باستخدام الصورة كدليل دلالي.

بناء مجموعة البيانات
تستخدم الدراسة مجموعة بيانات مخصصة تتكون من:

• 800 قصيدة مكتوبة بواسطة بشر: مستمدة من مجموعة بيانات AIGenPoetry، من تأليف شعراء محترفين.
• 3,200 قصيدة مولدة بواسطة نماذج لغوية كبيرة: تم إنشاؤها بواسطة أربعة نماذج متميزة (GPT-4.1، GLM-4، DeepSeek-V3، وDeepSeek-R1) باستخدام أمر (Prompt) يجبر الذكاء الاصطناعي على محاكاة العناصر الجوهرية للقصيدة البشرية (العنوان، الموضوع، الصور البيانية، العاطفة) مع تغيير الأسلوب.
• 800 صورة مقابلة: تم إنشاؤها باستخدام Qwen-Image (الذي اختير كأفضل نموذج أداء من بين ستة نماذج عبر تقييم الشعراء) لتمثيل محتوى القصائد البشرية بصريًا.

المساهمات الرئيسية

1. إنشاء مجموعة البيانات: بناء مجموعة بيانات قائمة على أسس دلالية للكشف عن الشعر الصيني الحديث المولد بواسطة الذكاء الاصطناعي، مما يتطلب من النماذج اللغوية الكبيرة الاحتفاظ بالميزات الشاملة للشعر البشري (الموضوع، المعنى، الصور البيانية، العاطفة) لضمان بيئة تقييم صارمة.
2. إطار عمل IMAGINE: اقتراح طريقة كشف جديدة موجهة بالدلالات الصورية تتفوق على النماذج المرجعية القائمة على النص فقط. يدمج هذا النهج بفعالية معلومات مثل المعنى، والصور البيانية، والشعور من الصورة لتشكيل حكم تكميلي مع النص.
3. قياس الأداء المرجعي: وضع خطوط الأساس الأولية لأداء النماذج اللغوية الكبيرة كأدوات كشف للشعر، وإثبات أن النهج متعدد الوسائط المدفوع بالأمثلة يمكن أن يعزز هذه القدرات بشكل كبير.

النتائج التجريبية
قام المؤلفون بتقييم العديد من أدوات الكشف، بما في ذلك المصنفات التقليدية (RoBERba، Binoculars، إلخ) والنماذج اللغوية الكبيرة القائمة على الكشف (Gemini، Qwen، GPT-5) تحت استراتيجيات مطالبة مختلفة (الأساسية، المعززة بالنص فقط، والموجهة بالدلالات الصورية).

• قصور النماذج المرجعية: عانت أدوات الكشف التقليدية القائمة على النص فقط، بما في ذلك أفضل أداء لـ RoBERTa، في هذه المهمة. حقق RoBERBA درجة Macro-F1 تتراوح بين 73-84% اعتمادًا على النموذج المولد، بينما سجلت الأدوات الأخرى غالبًا أقل من 50%.
• النماذج اللغوية الكبيرة القائمة على النص فقط: أظهرت أدوات الكشف اللغوية الكبيرة القائمة على النص نتائج مختلطة، حيث كان Gemini هو الأفضل بين النماذج النصية فقط، لكنه ظل متأخرًا عن الطريقة المقترحة.
• أداء IMAGINE: أدت الطريقة الموجهة بالدلالات الصورية (IP3) إلى تحسين دقة الكشف بشكل كبير.
  • حقق كاشف Gemini باستخدام إطار عمل IMAGINE درجة Macro-F1 بلغت 85.65% عبر جميع حالات الاختبار (القصائد البشرية والمولدة بالذكاء الاصطناعي).
  • يتفوق هذه النتيجة على أفضل كاشف تقليدي (RoBERTa) ويمثل تحسنًا جوهريًا مقارنة بالنموذج المرجعي النصي فقط (TP1 بنسبة 70.28%) والنموذج المرجعي المعزز نصيًا (TP2 بنسبة 79.50%).
  • كانت الطريقة فعالة بشكل خاص في تقليص فجوة الأداء بين مختلف النماذج اللغوية الكبيرة وتحسين الكشف للقصائد المولدة بواسطة DeepSeek-R1، حيث قفزت درجة Macro-F1 من 54.90% (النموذج المرجعي) إلى 94.75%.

الأهمية والادعاءات
يزعم البحث أن دمج الدلالات الصورية هو عامل حاسم في الكشف عن الشعر المولد بواسطة الذكاء الاصطناي. ومن خلال الاستفادة من التمثيل البصري لمحتوى القصيدة، يمكن للنموذج استيعاب المعاني الضمنية والعمق العاطفي الذي غالبًا ما يُفقد في التحليل النصي فقط. ويؤكد المؤلفون أن طريقتهم وصلت إلى مستوى "حالة الفن" (state-of-the-art) لهذه المهمة المحددة، مما يثبت أن المعلومات متعددة الوسائط ضرورية للتمييز بين الإبداع البشري والذكاء الاصطناعي في المجال الشعري.

كما تسلط الدراسة الضوء على أن ليس كل النماذج اللغوية الكبيرة مناسبة بالتساوي لمهام الكشف؛ حيث يختلف الأداء بشكل كبير حسب بنية النموذج وبيانات التدريب. ومع ذلك، فإن التحسينات المستمرة الملحوظة عبر مختلف النماذج اللغوية الكبيرة عند استخدام إطار عمل IMAGINE تؤكد قوة النهج الموجه بالدلالات الصورية.

القيود
يقر المؤلفون بأن طريقتهم مستوحاة خصيصًا من الممارسة البشرية لكتابة الشعر بناءً على المشاهد البصرية. وبناءً على ذلك، يشيرون إلى أن النهج قد لا يكون قابلًا للتطبيق بالكامل على الأنواع النصية الأخرى، مثل المقالات الإخبارية أو الأوراق الأكاديمية، التي تفتقر إلى نفس الاعتماد القوي على الصور البصرية و"التعبير عن العواطف من خلال المشاهد".