GEO-Flag: Detecting and Measuring GEO-Optimized Web Content
تقدم هذه الورقة GEO-Flag، وهو إطار عمل شامل يتميز بمعيار GEOFlagBench وطريقة التدريب المقترن بالتدخل (Intervention-Paired Training) للكشف بفعالية عن تحسين محركات البحث التوليدية (GEO) وتدقيقها وقياس مدى انتشارها في الأنظمة البيئية للبحث في العالم الحقيقي.
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
إن الإنترنت يغير طريقة عثورنا على الإجابات. لعقود من الزمن، كنا نبحث عبر كتابة سؤال وماسحين قائمة من الروابط، ثم نضغط عليها لقراءة المصدر بأنفسنا. أما الآن، فتستخدم جيل جديد من أدوات البحث الذكاء الاصطناعي لتقرأ تلك الروابط نيابة عنا، وتلخص المعلومات في إجابة واحدة مباشرة مع الاستشهادات. هذا التحول يعد بالراحة، لكنه يخلق أيضاً ثغرة جديدة. فتماماً كما كانت المواقع الإلكترونية تُعدل سابقاً لتتصدر في قوائم البحث التقليدية، ظهرت ممارسة جديدة حيث يتم تعديل المحتوى عمداً ليتم التقاطه والاستشهاد به من قبل أنظمة الذكاء الاصطناعي هذه. هذه الممارسة، المعروفة باسم "تحسين محركات البحث التوليدية"، يمكن أن تجعل المعلومات الضعيفة أو الزائفة تبدو مدعومة جيداً لأن الذكاء الاصطناعي يقدمها كحقيقة دون إظهار القائمة الكاملة للمصادر المنافسة للمستخدم. وتكمن الخطورة في عدم الشفافية: فإذا استشهد الذكاء الاصطناعي بصفحة تم بناؤها استراتيجياً ليتم الاستشهاد بها، سيرى المستخدم إجابة واثقة، وليس التلاعب الكامن وراءها.
لقد وضع فريق من الباحثين هدفاً لفهم حجم هذه المشكلة وبناء أدوات لقياسها. بدأوا بإنشاء مجموعة اختبار ضخمة تضم 3200 صفحة ويب تغطي مجالات الصحة، والتمويل، والتكنولوجيا، والسفر. تضمنت هذه الصفحات كتابة بشرية أصلية، ونصوصاً صُقلت بواسطة الذكاء الاصطناعي، ومحتوى تم إنشاؤه بالكامل بواسطة الآلات. والأهم من ذلك، أنهم أنشأوا نسخاً من هذه الصفحات تم تعديلها خصيصاً باستخدام ثماني استراتيجيات مختلفة مصممة للتلاعب بمحركات البحث الجديدة المدعومة بالذكاء الاصطناعي. ومع هذه المجموعة المتنوعة، اختبروا الأساليب الحالية لرصد هذه الصفحات المُحسّنة. ووجدوا أنه بينما استطاعت بعض الأدوات رصد المحتوى بدقة عالية بشكل عام، إلا أنها كانت تعتمد غالباً على طرق مختصرة. فقد كانت العديد من أدوات الكشف ببساطة تخمن بناءً على ما إذا كان النص مكتوباً بواسطة إنسان أو ذكاء اصطناعي، بدلاً من تحديد التغييرات المحددة التي تمت للتلاعب بمحرك البحث. وعندما اختبر الباحثون هذه الأدوات على صفحات طبق فيها البشر تقنيات التحسين بعناية، فشلت أدوات الكشف، مما كشف أن نجاحها السابق كان مبنياً على سوء فهم لما كانت تكتشفه بالفعل.
ولحل هذه المعضلة، طور الباحثون طريقة تدريب جديدة تسمى "التدريب المقترن بالتدخل". فبدلاً من مجرد عرض أمثلة للحاسوب لصفحات "جيدة" وأخرى "سيئة"، عرضوا عليه أزواجاً من الصفحات: النسخة الأصلية والنسخة المعدلة. وعلموا النظام أن تغييراً معيناً، مثل إضافة عبارة معينة لتعزيز الظهور، يجب أن يزيد من درجة الاشتباه، بينما لا ينبغي للتحسين العام في القواعد أو الأسلوب أن يفعل ذلك. أجبر هذا النهج أداة الكشف على التركيز على فعل التحسين الفعلي بدلاً من هوية المؤلف. وكانت النتيجة تحسناً ملحوظاً في الموثوقية؛ إذ حدد النظام الجديد الصفحات المُحسّنة بدقة أعلى بكثير، والأهم من ذلك، لم يرتبك بشأن ما إذا كان النص الأصلي مكتوباً بواسطة إنسان أو آلة. لقد تعلم النظام رصد التلاعب نفسه.
بعد ذلك، بنى الفريق نظام تدقيق متكاملاً يذهب خطوة أبعد. فبمجرد وسم صفحة ما بأنها قد تكون مُحسّنة، يتحقق النظام من الروابط المستشهد بها في تلك الصفحة لمعرفة ما إذا كانت موثوقة. ويقوم بتصنيف الناشر إلى مستويات، تتراوح من المؤسسات ذات السلطة العالية إلى المصادر التي يسهل إنشاؤها أو تعديلها، ويتحقق مما إذا كانت الروابط لا تزال تعمل. وعندما طبقوا هذا المسار بأكمله على نتائج بحث حقيقية من "جوجل" وأداة بحث جديدة مدعومة بالذكاء الاصطناعي، وجدوا أن حوالي 8.9% من الصفحات المسترجعة كانت مُحسّنة للبحث التوليدي. ولم يكن هذا الرقم ثابتاً؛ فبالنسبة للصفحات التي تم تعديلها في عام 2026، قفز المعدل إلى 16.36%. كما كشفت الدراسة عن فرق صارخ في جودة المصادر المستخدمة؛ حيث اعتمدت الصفحات التي استرجعها محرك البحث بالذكاء الاصطناعي بشكل كبير على استشهادات من مصادر من مستويات دنيا، حيث حصل ما يقرب من ثلاثة أرباع تلك الاستشهادات على تسمية "قابلة للتحقق بدرجة منخفضة"، مقارنة بأقل من النصف لنتائج البحث التقليدية.
تشير هذه النتائج إلى أن مشهد المعلومات عبر الإنترنت يتغير بسرعة. ويقدر الباحثون أن أكثر من صفحة من كل عشر صفحات تظهر حالياً في نتائج البحث الجديدة هذه قد تم تعديلها استراتيجياً للتأثير على الذكاء الاصطناعي. المشكلة ليست فقط في نشر معلومات خاطئة، بل في أن الآلية ذاتها التي نستخدمها للتحقق من الحقائق —وهي الاستشهاد— أصبحت جزءاً من التلاعب. ومن خلال تحديد هذه الأنماط وقياس مدى انتشارها، وفر الباحثون وسيلة للنظر خلف الستار في عصر البحث الجديد. ولا يدعي عملهم حل المشكلة أو العثور على كل حالة تلاعب، لكنه يضع أساساً واضحاً لقياس المشكلة. إنه يوضح أنه بدون أدوات جديدة للكشف عن عمليات التحسين المحددة هذه، قد يواجه المستخدمون بشكل متزايد إجابات تبدو موثوقة ولكنها مبنية على أساس من مصادر مُنشأة استراتيجياً، وغالباً ما تكون غير موثقة.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.