لقد شهدت السنوات الأخيرة تنامي استخدام النصوص المولدة عن طريق الذكاء الاصطناعي (AI) في مختلف المؤسسات، خصوصًا في مجالات التعليم والأبحاث. ومع هذه الزيادة، ارتفعت الحاجة إلى أدوات الكشف عن النصوص التي أنتجها الذكاء الاصطناعي. لكن دراسة جديدة نشرت على موقع arXiv تكشف عن نتيجة غير متوقعة: النماذج الأساسية للذكاء الاصطناعي، مثل Llama-3 وQwen-3، غالبًا ما تُعتبر نصوصها بشرية من قبل أدوات الكشف مثل GPTZero وPangram، بينما النصوص المولدة من النسخ المُدرجة للتحكم تُصنف بشكل مختلف.

بناءً على هذه الملاحظات، تم اقتراح تقنية جديدة تُعرف بـ'Humanization by Iterative Paraphrasing' (HIP)، والتي تهدف إلى تعديل نموذج أساسي ليصبح مُعيد صياغة أكثر فعالية. تستخدم هذه التقنية أساليب بسيطة لإعادة صياغة النصوص بشكل متكرر، مما يُعزز من قدرتها على تجاوز أدوات الكشف التجارية.

تشير النتائج إلى أن أدوات الكشف الحالية قد تكون تراقب عوامل غير ثابتة تتعلق بالتدرجات التعليمية والسياق المحلي بدلاً من النصوص المُنتَجة بواسطة الآلات بشكل ثابت. لذلك، يبرز هذا الأمر الحاجة إلى تصميم أدوات الكشف بطريقة تأخذ بعين الاعتبار هذه العوامل بشكل أكثر وضوحًا.

بالتالي، تطرح هذه الدراسة تساؤلات حول كيفية تحسين أدوات الكشف وكيف يمكن أن نحقق توازنًا فعّالًا بين الحفاظ على المعنى وإخفاء مصدر النص. هذه النتائج تُعد دعوة للتفكير في مستقبل الذكاء الاصطناعي وأدوات الكشف المستخدمة لمراقبته.