في عصر الذكاء الاصطناعي المتطور، أصبحت نماذج اللغات الضخمة (Large Language Models) تحتل مكانة بارزة في تصنيف المنتجات والمستندات والتوصيات. لكن مع هذه القوة الكبيرة، يبرز قلق متزايد حول إمكانية التلاعب في هذه الترتيبات، وهو ما يؤثر على العدالة وسلامة المعلومات.

مؤخراً، تم تقديم GEO-Bench كمرجع جديد يمكنه تقييم هجمات تلاعب الترتيب في محركات البحث بطريقة موحدة، مما يعزز قدرة الباحثين والمطورين على التعرف على أساليب التلاعب المختلفة. هذه الأداة تجمع بين هجمات تعتمد على النصوص (TAP، Zero-Shot) وأخرى تستند إلى حسابات رياضية (STS، RAF، StealthRank) بالإضافة إلى استراتيجيات بيضاء (C-SEO) لإعطاء تقييم شامل لكل طريقة.

تم تقييم كل عملية تلاعب على خمسة مجموعات بيانات أمام نموذج تصنيف ثابت (Llama-3.1-8B-Instruct) باستخدام مقاييس لقياس الفعالية (مثل NRG) والتخفي (مثل معدل انتهاك الكلمات الرئيسية). وقد أظهرت النتائج أن هناك توازنًا بين الفعالية والتخفي، حيث تمكنت أساليب إعادة كتابة المحتوى من تحقيق نتائج متفوقة أو مساوية على الهجمات القائمة على التدرجات، مع إنتاج نصوص أكثر سلاسة، وفي بعض الحالات يمكنها الهروب من أنظمة الكشف القائمة على الكلمات الرئيسية أو نسبة الالتباس.

يمثل GEO-Bench خطوة كبيرة نحو توحيد مقاييس البحث في هذا المجال، مما يدعم تطوير أساليب الكشف ويعزز الفهم العام لتحديات العدالة في المعلومات.