Evaluating the Semantic-to-Geometric Gap in Adversarial Defenses Against Vision-Language Model-Based Plagiarism

في الزوايا الهادئة للفصول الدراسية ومنصات التعلم عبر الإنترنت، ظهر نوع جديد من التحديات الأكاديمية، لم يولد من نقص في الجهد، بل من طفرة في القدرة التكنولوجية. لسنوات، راقب التربويون الطلاب وهم يستخدمون الذكاء الاصطناعي القائم على النصوص لتجاوز العمل الشاق المتمثل في كتابة المقالات أو حل المسائل اللفظية. والآن، وصلت نسخة أكثر تقدمًا من هذه الأنظمة، تُعرف باسم نماذج الرؤية واللغة. هذه عقول رقمية لا يمكنها قراءة الكلمات فحسب، بل يمكنها أيضًا رؤية الصور؛ إذ يمكنها النظر إلى صورة فوتوغرافية لمخطط معقد، أو معادلة كيميائية، أو لوحة دوائر كهربائية، وتقديم الحل فورًا. لقد خلقت هذه القدرة ثغرة في النزاهة الأكاديمية: حيث يمكن للطالب ببساطة التقاط صورة للمسألة، ورفعها، وتلقي الإجابة دون أي تفاعل مع المادة أو فهم للمنطق الكامن وراءها. هذه الممارسة، التي تتطلب جهدًا فكريًا يكاد يكون معدومًا من الطالب، تمثل تحولًا جوهريًا في كيفية حدوث الغش الأكاديمي، من صراع لتفسير النص إلى مجرد فعل بسيط يتمثل في التقاط صورة.

لفهم كيفية إيقاف ذلك، شرع الباحثون كريستوفر بيرجر، وكريستينا تروتر، وجوزيف كارلايل، وتشارلز والتر، في اختبار استراتيجية دفاعية تعتمد على نقاط الضعف في هذه الآلات القوية. يستكشف عملهم ما إذا كان إضافة تشوهات مرئية بسيطة لصور المسائل يمكن أن يربك الذكاء الاصطناत्मक بما يكفي لمنعه من إعطاء الإجابة الصحيحة، مع ترك الصورة واضحة بما يكفي ليحلها الطالب البشري. ركز الفريق على نوع محدد من الغش الأكاديمي يسمونه "الانتحال التافه"، حيث لا يحتاج الطالب إلى فهم المسألة على الإطلاق، بل يحتاج فقط إلى التقاطها. طرحوا سؤالًا حاسمًا: إذا أخذ المعلم مخططًا لدائرة كهربائية أو لغزًا منطقيًا وأضاف إليه بعض الضجيج البصري، أو الخدوش، أو التشويه، فهل سيصاب الكمبيوتر بالارتباك؟ أراد الباحثون معرفة ما إذا كانت هذه العيوب الصغيرة من صنع البشر يمكن أن تعمل كدرع، مستغلة حقيقة أنه بينما هذه النماذج ذكية للغاية، إلا أنها قد لا تكون جيدة في رؤية العالم تمامًا كما يفعل البشر.

اقترب الباحثون من هذه المشكلة عبر مرحلتين متمايزتين، انتقلوا فيها من اختبار يدوي صغير إلى تجربة مؤتمتة واسعة النطاق. في المرحلة الأولى، جمعوا مجموعة من مسائل الدوائر الكهربائية التمهيدية التي تضمنت تعليمات مكتوبة ورسومًا توضيحية بصرية. طبقوا يدويًا أنواعًا مختلفة من التشوهات البصرية على هذه الصور؛ فبعض الصور تم تجعيدها ومطها لتبدو مثل الورق المطوي؛ وأخرى غُطيت بنقاط رمادية عشوائية لمحاكاة الغبار أو ضجيج المستشعر؛ وبعضها احتوى على خطوط عشوائية مرسومة عبرها لمحاكاة الخدوش على العدسة؛ وأخرى تمت معالجتها لتبدو كنسخة ضوئية رديئة لنسخة أخرى. ثم قاموا بتغذية هذه الصور، إلى جانب النسخ الأصلية النظيفة، في عدة من أشهر نماذج الرؤية واللغة المتاحة للطلاب اليوم. وراقبوا بعناية ما إذا كانت النماذج ستظل تحل المسائل بشكل صحيح أم أن التشوهات ستؤدي إلى فشلها.

كانت نتائج هذا الاختبار اليدوي الأولي كاشفة. وجد الباحثون أن النماذج ليست معرضة للخطر بنفس القدر تجاه كل نوع من أنواع التشوه. فبعض النماذج كانت ترتبك بسهولة أكبر بسبب تأثير "النسخة الضوئية"، الذي يحاكي فقدان التفاصيل الذي يحدث عند نسخ المستند بشكل متكرر، بينما ظلت نماذج أخرى دقيقة بعناد. ومن المثير للاهتمام، أنه في حالات قليلة، ساعدت التشوهات النماذج على حل المسألة عندما كانت قد فشلت سابقًا، وهي ظاهرة لاحظها الباحثون كتحسن متناقض. ومع ذلك، أظهر الاتجاه العام أنه بينما كانت النماذج الأكثر تقدمًا قوية للغاية، إلا أنها لم تكن محصنة. لقد تسببت التشوهات في جعلها ترتكب أخطاء، مما يشير إلى أن الضجيج البصري يمكن أن يعطل بالفعل قدرتها على معالجة الصورة.

للحصول على صورة أكثر دقة وموثوقية، انتقل الفريق إلى المرحلة الثانية باستخدام نظام مؤتمت بالكامل. هذه المرة، لم يعتمدوا على المدخلات البشرية أو الطبيعة غير المتوقعة لواجهات الويب. بدلاً من ذلك، قاموا بإنشاء مجموعة بيانات مكونة من 80 مخططًا منطقيًا، والتي توضح كيفية اتصال المكونات الإلكترونية في شبكة، و30 خريطة كارنو (Karnaugh maps)، وهي شبكات تُستخدم لتبسيط التعبيرات المنطقية المعقدة. تم اختيار هذه لأنها تتطلب من النموذج تتبع الاتصالات أو قراءة إحداثيات دقيقة. طبق النظام المؤتمت مجموعة كاملة من التشوهات على هذه الصور وطلب من النماذج حلها ثلاث مرات لكل منها لضمان اتساق النتائج. وقاسوا عدد المرات التي أصابت فيها النماذج الإجابة، وعدد المرات التي أصابت فيها مرة واحدة على الأقل من أصل ثلاث محاولات، وعدد المرات التي كانت فيها متسقة تمامًا.

أكد الاختبار المؤتمت أن هذه النماذج البصرية لديها نقطة ضعف محددة فيما يتعلق بالهندسة والاستدلال المكاني. فعندما اختبر الباحثون النماذج على المخططات المنطقية، التي تتطلب تتبع الخطوط من نقطة إلى أخرى، ظلت النماذج الأعلى أداءً قوية للغاية، رغم أن دقتها انخفضت عند تشويه الصور. ومع ذلك، عندما انتقل الاختبار إلى خرائط كارنو، التي تعتمد على شبكة إحداثيات صارمة، واجهت النماذج صعوبة أكبر بكثير. فالنموذج الأكثر قدرة الذي تم اختباره، والذي حل 90 بالمائة من الخرائط النظيفة بشكل صحيح، انخفض اتساقه إلى 70 بالمائة عند تشويه الصور. أما النموذج الآخر، الذي كان أقل قوة في الأصل، فقد انهار أداؤه بشكل أكبر. أظهرت البيانات أنه بينما يمكن للنماذج غالبًا التعامل مع مهمة تتبع الخط، إلا أنها تتعثر عندما يُطلب منها قراءة شبكة دقيقة، خاصة عندما تكون تلك الشبكة مشوهة قليلاً أو محجوبة بالضجيج.

اكتشف الباحثون أيضًا أن موقع التشوه يهم. ومن المثير للدهشة، أن إضافة الضجيج إلى التعليمات النصية للمسألة كان غالبًا أقل فعالية في إرباك النموذج مقارنة بإضافة الضوضاء إلى الرسم التوضيحي نفسه. في بعض الحالات، بدا أن تشويه النص يحفز آلية تصحيح في معالجة اللغة لدى النموذج، مما يجعله يعمل بجهد أكبر لمواءمة النص مع الصورة، وهو ما ساعده عن غير قصد في حل المسألة. وعلى العكس من ذلك، ثبت أن تشويه "النسخة الضوئية"، الذي يجمع العديد من العيوب الصغيرة في صورة واحدة متدهورة، هو الأكثر فعالية في التسبب في الأخطاء بشكل عام. يشير هذا إلى أن التأثير التراكمي للتدنيات الصغيرة المتعددة أكثر ضررًا على استدلال النموذج من نوع واحد من التشوه.

على الرغم من هذه النجاحات، تخلص الدراسة إلى أن هذا النهج ليس سوى حل مؤقت. وجد الباحثون أنه حتى الصور المشوهة بشدة، والتي قد تكون صعبة أو مستحيلة القراءة بالنسبة للبشر، لا تزال قابلة للحل أحيانًا من قبل النماذج الأكثر تقدمًا. يشير هذا إلى أن النماذج تطور نوعًا من "الرؤية الفائقة" التي يمكنها الرؤية من خلال الضجيج البصري بشكل أفضل من العين البشرية. إذا اعتمد التربويون فقط على جعل الصور أصعب في الرؤية، فمن المرجح أن يدخلوا في حلقة مفرغة حيث يتعين عليهم باستمرار جعل الصور أكثر تشوهًا، مما يجعلها في النهاية عديمة الفائدة للطلاب أيضًا. وتجادل الدراسة صراحة ضد فكرة أن مجرد حجب المدخلات هو حل طويل الأمد للنزاهة الأكاديمية.

الخلاصة النهائية لهذا البحث هي دعوة لتحول في تصميم التقييمات. وبينما يمكن للاضطرابات البصرية أن تعمل كحل مؤقت لردع الانتحال منخفض الجهد في المستقبل القريب، إلا أنها لا يمكن أن توقف طالبًا مصممًا يمتلك أدوات قوية للأبد. يقترح المؤلفون أن الحل الحقيقي لا يكمن في محاولة إخفاء المسألة عن الآلة، بل في إعادة تصميم التقييمات نفسها بحيث تتطلب مستوى من الفهم والمشاركة لا يمكن لرفع صورة بسيطة أن توفره. إن عصر "الانتحال التافه" قد كشف عن فجوة بين ما يمكن لهذه النماذج رؤيته وما تفهمه حقًا، لكن سد هذه الفجوة سيتطلب من التربويين إعادة التفكير في طبيعة الأسئلة التي يطرحونها، والانتقال من الصور الثابتة إلى تنسيقات تتطلب تفكيرًا بشريًا حقيقيًا.