من تنظيف النصوص إلى إثبات المصدر الرقمي

مقال في التقنية الرقمية وأثرها المعرفي والقانوني د. إبراهيم محمد عبد الجليل

مقدمة عامة

يجمع هذا المستند بين مقالين مترابطين في فكرتهما الجوهرية، وإن اختلف موضوعهما الظاهري: كلاهما يتناول طبقة “غير مرئية” كامنة داخل النص الرقمي، لا يراها القارئ العادي، لكنها تحدد سلوك النص وتاريخه ومصداقيته.

الفصل الأول يكشف عن الأشباح الرقمية الصغيرة — محارف Unicode المخفية التي تتسلل عبر النسخ واللصق فتشوه شكل مستنداتنا، ويقدم دليلاً عملياً للتخلص منها.

أما الفصل الثاني فينتقل بنا من مستوى “الشكل” إلى مستوى “المصدر”، ليناقش تقنية أحدث وأكثر دقة: العلامة المائية الإحصائية غير المرئية التي تُدرج داخل النصوص المولدة بالذكاء الاصطناعي، وأثرها المحتمل على التحريات الرقمية وإثبات منشأ المحتوى، في ضوء متطلبات الشفافية التي فرضها قانون الذكاء الاصطناعي الأوروبي.

الفصل الأول: الأشباح الرقمية في نصوصنا، وكيف نُطهر مستنداتنا منها؟

في عصر التدفق المعلوماتي، أصبحت عملية “النسخ واللصق” (Copy-Paste) جزءاً لا يتجزأ من حياتنا اليومية، سواء كنت باحثاً أكاديمياً يجمع مراجع دراسته، أو كاتباً يصيغ مقالاً، أو موظفاً ينسق تقريراً دورياً. ولكن كثيراً ما نواجه تلك اللحظة المزعجة: تُلصق النصوص فتظهر فراغات عملاقة بين الكلمات، أو تنقلب الأقواس وعلامات الترقيم وتتداخل بطريقة غريبة، ورغم محاولاتك المستمرة للضغط على زر الحذف (Backspace)، يظل التنسيق مشوهاً!

السبب وراء هذه الفوضى ليس عيباً في شاشتك أو برنامج تحرير النصوص لديك، بل هو وجود ما يُعرف بـ“الأشباح الرقمية” أو المحارف غير المرئية (Invisible Characters). في هذا الفصل، سنكشف الستار عن هذه الرموز المخفية، ونشرح كيف تتسلل إلى نصوصنا، ونقدم دليلاً عملياً للتخلص منها نهائياً.

أولاً: ما هي المحارف غير المرئية؟ ومن أين تأتي؟

الحاسوب لا يفهم الحروف اللغوية كما نفهمها نحن؛ بل يترجم كل حرف أو علامة أو حتى “فراغ” إلى كود رقمي فريد وفق نظام ترميز عالمي يُدعى (Unicode).

عندما تصفح موقعاً إلكترونياً، أو تقرأ ملف PDF، فإن المبرمجين ومصممي المواقع يضعون رموزاً برمجية معينة للتحكم في شكل الصفحة وضمان عدم تداخل الأسطر عند اختلاف حجم الشاشات (الهواتف مقابل الكمبيوتر). هذه الرموز مصممة لتكون مخفية عن عين القارئ وموجهة فقط للمتصفح.

الأزمة تبدأ عندما تقوم بنسخ النص؛ إذ تنسخ مع الكلمات الظاهرة تلك الأكواد البرمجية المخفية، وتأخذها معك إلى برنامج تحرير النصوص (مثل Microsoft Word أو Google Docs)، والتي تبدأ بدورها في قراءة الأكواد كأوامر تنسيقية حقيقية، مما يسبب تشوه النص العربي.

ثانياً: المتهمون الثلاثة بتشويه النصوص

هناك ثلاثة أنواع رئيسية من هذه الرموز المخفية هي المسؤول الأول عن مشاكل التنسيق:

1. الفراغ غير القابل للكسر (Non-breaking Space – NBSP)

رمزه البرمجي:   أو U+00A0

وظيفته الأصلية: يُستخدم في المواقع لمنع المتصفح من فصل كلمتين مرتبطتين عند نهاية السطر (مثل: إدراج الفراغ بين رقم 100 وكلمة «دينار»، لضمان عدم ظهور الرقم في سطر والعملة في سطر جديد).

كيف يشوه نصك؟ عندما تنسخ فقرة تحتوي على هذا الرمز وتجعل محاذاة النص «مضبوطة من الجانبين» (Justified)، يعامل البرنامج الكلمتين ككتلة واحدة مستحيلة الفصل. لتعويض ذلك، يقوم البرنامج بتوسيع الفراغات العادية الأخرى في السطر بشكل مبالغ فيه، فتظهر تلك الفراغات الكبيرة والبيضاء المقيتة بين الكلمات.

2. محارف التوجيه اللغوي (Bi-directional Marks)

رموزها البرمجية: U+200E (من اليسار لليمين LTR) وU+200F (من اليمين لليسار RTL).

وظيفتها الأصلية: إجبار النظام على قراءة سياق النص باتجاه معين.

كيف تشوه نصك؟ نصوصنا العربية غالباً ما تحتوي على كلمات إنجليزية، أو روابط (URLs)، أو أرقام وتواريخ، أو هوامش مثل ([1]). تتداخل هذه المحارف المخفية مع علامات الترقيم، مما يؤدي إلى انقسام الأقواس، أو ظهور نقطة نهاية السطر في بداية السطر، أو التصاق الكلمات الإنجليزية بالعربية بشكل مشوه.

3. فاصل الأسطر القسري (Soft Return / Line Break)

رمزه البرمجي: U+000A أو U+000D

كيف يشوه نصك؟ ينشأ عادة في ملفات الـ PDF أو المواقع لإنهاء السطر والنزول لأسفل دون بدء فقرة جديدة. عند لصقه، يمنع النص من التدفق الطبيعي، فتجد السطر ينتهي فجأة في منتصف الكلمة أو الجملة.

ثالثاً: كيف تكشف هذه الأشباح؟

في برنامج Microsoft Word، هناك زر سحري يُدعى «إظهار الكل» (Show/Hide ¶)، وتجد أيقونته في القائمة الرئيسية تشبه حرف (¶). عند الضغط عليه، ستتحول شاشتك إلى خريطة تكشف كل المستور:

الرمز على الشاشة	ماذا يعني
نقطة صغيرة بين الكلمات ( · )	فراغ طبيعي عادي
دائرة صغيرة مرتفعة ( ° ) تشبه علامة الدرجة المئوية	فراغ مشوه (NBSP)
سهم ملتوٍ متجه لليسار ( ⏎ )	فاصل أسطر قسري (Soft Return)

رابعاً: الدليل العملي لتطهير النصوص

لحسن الحظ، حل هذه المشكلة بسيط للغاية إذا اتبعت إحدى الطرق التالية. قُسّمت الحلول هنا إلى مجموعتين: حلول سريعة للاستخدام اليومي، وحلول متقدمة للمستندات الضخمة والباحثين.

أ. حلول سريعة للاستخدام اليومي

1. الوقاية أثناء اللصق (الأسهل والأسرع)

• بدلاً من استخدام اللصق التقليدي (Ctrl+V) الذي ينقل الأكواد المشوهة، استخدم خاصية اللصق النظيف: اضغط Ctrl+Shift+V (أو Cmd+Shift+V على الماك) — هذا الأمر يخبر الحاسوب: «انسخ الكلمات فقط، واهمل كل الأكواد والتنسيقات المخفية».
• في Word: بعد الضغط كليك يمين، اختر أيقونة اللصق التي تحمل حرف (A) والتي تعني «الاحتفاظ بالنص فقط» (Keep Text Only).

2. غسيل النص عبر «المفكرة» (Notepad)

• افتح برنامج المفكرة (Notepad) الافتراضي في الويندوز.
• الصق النص المشوه داخله؛ فالمفكرة برنامج «غبي تقنياً» لا يفهم الأكواد المخفية، وبالتالي يمسحها تلقائياً ويحولها إلى فراغات عادية.
• أعد نسخ النص من المفكرة والصقه في مستندك الرئيسي، وستجده نقياً تماماً.

3. أداة «مسح التنسيق» (Clear Formatting) في Word

• حدد النص بالكامل عبر الضغط على Ctrl+A.
• من تبويب Home، ابحث عن الأيقونة التي تحمل حرف A وبجوارها ممحاة صغيرة (Clear All Formatting).
• بمجرد الضغط عليها، يعود النص إلى حالته الأساسية الخام ويُجرَّد من التنسيقات الموروثة — مفيدة خصوصاً عند انتقال النص من الإنترنت أو ملفات PDF. أعد تطبيق التنسيق المطلوب بعد ذلك.

4. استخدام مستندات جوجل (Google Docs) كمحطة تنقية

• الصق النص داخل مستند جوجل.
• حدد النص واضغط على الاختصار السحري: Ctrl+\ (أو Cmd+\ على الماك) لتجريد الكلمات من أي شوائب أو روابط أو فراغات برمجية فوراً.

5. إضافات المتصفح (Browser Extensions) لتوفير الوقت

• إذا كان عملك يتطلب النسخ من صفحات الإنترنت بكثافة أو من أدوات الذكاء الاصطناعي مثل ChatGPT، ابحث في متجر الإضافات عن أدوات مجانية مثل Copy as Plain Text.
• اضبطها لتصبح الطريقة الافتراضية للنسخ؛ بحيث تُلتقط الكلمات من أي موقع وتُجرَّد من الأكواد الخفية قبل أن تصل إلى حافظة جهازك (Clipboard) من الأساس.

6. أدوات التنظيف السحابية عبر الإنترنت (Online Text Cleaners)

• إذا كنت تستخدم هاتفاً محمولاً أو جهازاً لا يحتوي على برامج تحرير نصوص متقدمة كالوورد، توجد مواقع مجانية متخصصة تتيح لصق النص المشوه، وبضغطة زر تمسح الفراغات المزدوجة والمسافات غير المنقسمة (Non-breaking Spaces) والمحارف عديمة العرض (Zero Width Characters)، لتتمكن من إعادة نسخه نقياً وجاهزاً للاستخدام.

ب. حلول متقدمة للمستندات الضخمة والباحثين

7. الاستبدال الآلي عبر Find and Replace (للنصوص الضخمة والكتب)

• إذا كان لديك مستند من مئات الصفحات ملوث بهذه الفراغات، اضغط Ctrl+H لفتح نافذة الاستبدال.
• في خانة «البحث عن» (Find what)، اكتب كود الفراغ المشوه وهو: ^s (أو اضغط على زر More ثم Special واختر Nonbreaking Space).
• في خانة «استبدال بـ» (Replace with)، اضغط على مسطرة الكيبورد (Space) مرة واحدة فقط لتضع فراغاً عادياً، ثم اضغط «استبدال الكل» (Replace All).
• في أجزاء من الثانية، سيقوم البرنامج بتطهير آلاف الصفحات وتحويل الفراغات المشوهة إلى فراغات طبيعية، ليعود مستندك متناسقاً ومريحاً للعين.

8. الاستبدال المباشر بأكواد Unicode عبر أدوات متقدمة

• أحياناً تكون المشكلة بسبب محارف Unicode أدق من NBSP وحدها، مثل: Narrow No-Break Space (U+202F)، Zero Width Space (U+200B)، Zero Width Non-Joiner (U+200C).
• يمكن استهدافها عبر أدوات البحث والاستبدال المتقدمة (Regex) في برامج مثل Notepad++ أو VS Code، أو عبر سكربتات برمجية بسيطة (Python مثلاً) إذا كان المستند كبيراً جداً أو متكرر التنظيف — وهو خيار مثالي للباحثين والمؤسسات.

9. حفظ المستند بصيغة نصية كحل جذري

• احفظ المستند مؤقتاً بصيغة Plain Text (.txt)، ثم أغلق الملف وأعد فتحه، ثم احفظه مرة أخرى بصيغة Word.
• هذا التحويل الجذري يجرد المستند من أي طبقة تنسيق أو ترميز مخفي متراكمة عبر تعديلات متتالية.

10. أتمتة التنظيف عبر الماكرو (Macro) في Word

• إذا كانت المشكلة تتكرر باستمرار في عملك، يمكن إنشاء ماكرو يقوم تلقائياً بحذف المسافات غير القابلة للكسر، وإزالة المحارف المخفية، وتوحيد المسافات المتكررة، وحذف الأسطر الفارغة الزائدة وإصلاح فواصل الفقرات.
• هذا الحل مناسب بشكل خاص للباحثين الذين يراجعون مئات الصفحات بشكل دوري، إذ يوفر عليهم الوقت الذي كان سيُهدر في التنظيف اليدوي المتكرر.

ملحق تقني: ماذا يوجد داخل ملف DOCX؟

ملف DOCX ليس ملفاً واحداً، بل هو في حقيقته حزمة مضغوطة (ZIP) تحتوي على عدة ملفات XML داخلية متخصصة، من أبرزها:

الملف الداخلي	وظيفته
document.xml	يحمل النص الرئيسي للمستند
styles.xml	يحمل تعريفات الأنماط (العناوين، الخطوط…)
numbering.xml	يتحكم في الترقيم والتعداد النقطي
footnotes.xml	يحمل الهوامش السفلية
endnotes.xml	يحمل الهوامش الختامية
comments.xml	يحمل التعليقات على المستند
header.xml / footer.xml	يحملان رأس الصفحة وتذييلها

فهم هذه البنية يوضح لماذا قد يبقى تنسيق مشوه «عالقاً» حتى بعد تنظيف النص الظاهر: فالعطب أحياناً لا يكون في document.xml نفسه، بل في ملف الأنماط styles.xml الذي يحمل تعريفات موروثة من المصدر الأصلي للنص.

تنبيه إضافي للباحثين العرب: بعض أدوات التنظيف الآلي المتقدمة تذهب خطوة أبعد فتقوم بتوحيد أشكال الحروف العربية المتشابهة رسماً (وهي خطوة مفيدة عند فهرسة النصوص أو البحث فيها، وإن كانت تُستخدم بحذر حتى لا تُفقِد النص دقته الإملائية الأصلية)، مثل توحيد الألف بأشكالها (أ، إ، آ ← ا) أو الياء والألف المقصورة (ى ← ي).

خاتمة الفصل الأول

إن جودة التنسيق والنظافة البصرية للمستندات لا تقل أهمية عن جودة المحتوى العلمي المكتوب. وفهمنا لكيفية تعامل الحاسوب مع الحروف والرموز المخفية يحمينا من إهدار الساعات في محاولات التنسيق اليدوي العشوائي. تذكر دائماً مستقبلاً: Ctrl+Shift+V هو درعك الحامي ضد أشباح التنسيق الرقمي!

الفصل الثاني: من كاشف الذكاء الاصطناعي إلى البصمة الرقمية — العلامة المائية للنصوص ومستقبل التحريات الرقمية

في الثالث عشر من أغسطس/آب 2026، برز تطور مهم في العلاقة بين الذكاء الاصطناعي والتحريات الرقمية، مع إعلان شركة Anthropic توجهها إلى إضافة علامة مائية إلى المحتوى النصي المولد بواسطة نماذجها «Claude»، والعمل على تمكين أطراف خارجية من اكتشاف هذه العلامة، استجابةً لمتطلبات الشفافية في قانون الذكاء الاصطناعي الأوروبي.

ولا تكمن أهمية هذه الخطوة في مجرد إضافة تقنية جديدة إلى نماذج الذكاء الاصطناعي، وإنما في أنها قد تنقل التعامل مع النصوص المولدة بالذكاء الاصطناعي من مرحلة التخمين والتحليل الأسلوبي إلى مرحلة أكثر ارتباطاً بإثبات المصدر الرقمي (Digital Provenance).

أولاً: من «هل يبدو النص مولداً بالذكاء الاصطناعي؟» إلى «هل يحمل بصمة قابلة للتحقق؟»

لسنوات، اعتمدت محاولات اكتشاف النصوص المولدة بالذكاء الاصطناعي على ما يسمى بكواشف الذكاء الاصطناعي (AI Detectors). هذه الأدوات تحلل خصائص النص، مثل تركيب الجمل، وتوزيع الكلمات، وأنماط التكرار، والاحتمالية الإحصائية لبعض الاختيارات اللغوية، ثم تقدم تقديراً لاحتمال أن يكون النص قد أنتجه نموذج للذكاء الاصطناعي.

لكن هذه الطريقة تعاني من مشكلة أساسية: إنها تحاول الاستدلال من النتيجة إلى المصدر.

أما العلامة المائية فتسعى إلى بناء علاقة مختلفة: المصدر نفسه يترك إشارة يمكن اكتشافها لاحقاً. وهذا فرق جوهري.

«هذا النص يشبه النصوص التي ينتجها الذكاء الاصطناعي.»

يمكن أن يصبح السؤال بدلاً من ذلك:

«هل يحتوي هذا النص على نمط يتوافق مع العلامة المائية الخاصة بآلية توليد معينة؟»

ثانياً: كيف يمكن أن تعمل العلامة المائية النصية تقنياً؟

العلامة المائية في النص ليست بالضرورة شعاراً أو عبارة ظاهرة للقارئ. الفكرة التقنية يمكن تبسيطها على النحو التالي:

أثناء توليد النص، يمتلك النموذج عدداً من الخيارات المحتملة للكلمة التالية. ويمكن تصميم آلية التوليد بحيث تؤثر، بصورة لا يلاحظها القارئ، في اختيار بعض البدائل وفق نمط إحصائي محدد. تراكم هذه الاختيارات عبر عدد كبير من الكلمات يمكن أن ينتج إشارة إحصائية.

النص بالنسبة للقارئ يبدو طبيعياً تماماً، لكن أداة التحقق التي تعرف الخوارزمية أو المفتاح المستخدم في العلامة تستطيع البحث عن هذا النمط. وبذلك تصبح العلامة أشبه ببصمة غير مرئية داخل عملية التوليد نفسها.

ثالثاً: العلامة المائية مقابل كاشف الذكاء الاصطناعي التقليدي

المفهوم	التعريف
AI Detection	محاولة تحديد ما إذا كان النص «يبدو» مولداً بواسطة الذكاء الاصطناعي، استناداً إلى تحليل الأسلوب
Watermark Detection	البحث عن إشارة تقنية محددة يُفترض أنها زُرعت أثناء عملية التوليد نفسها

لذلك فإن العلامة المائية، من حيث المبدأ، يمكن أن تكون أكثر ارتباطاً بمفهوم Provenance؛ أي تاريخ ومصدر المحتوى، وليس بمجرد الحكم على أسلوبه. لكن هذا لا يعني أن العلامة المائية ستصبح دليلاً قطعياً على هوية الكاتب.

رابعاً: العلامة المائية لا تساوي «إثبات المؤلف»

هذه نقطة أساسية في أي تحقيق رقمي. إذا اكتشف المحقق علامة مائية مرتبطة بنموذج ذكاء اصطناعي، فهذا لا يعني بالضرورة أن النموذج كتب كل كلمة في النص. قد يكون السيناريو مثلاً:

إنسان كتب النص ← أدخله إلى Claude ← طلب إعادة صياغته ← عدّل الناتج يدوياً ← نشره.

هنا يمكن أن تكون للذكاء الاصطناعي علاقة بالنص، لكن ذلك لا يثبت أن الذكاء الاصطناعي هو «المؤلف» بالمعنى البشري. ولهذا يجب الفصل بين مفهومين:

التأليف (Authorship): من أنشأ المحتوى أو كتب النص؟

المصدر أو المنشأ الرقمي (Provenance): كيف مرّ المحتوى عبر الأنظمة والأدوات، وما مصدره التقني المحتمل؟

العلامة المائية أقرب إلى المفهوم الثاني. وهذا يمنع المحقق من الوقوع في خطأ شائع: تحويل مؤشر تقني إلى استنتاج قطعي.

خامساً: ماذا يحدث إذا دخل النص إلى تحقيق رقمي؟

يمكن تصور سيناريو عملي: يعثر المحقق على نص مجهول المصدر منشور على الإنترنت. بدل الاكتفاء بقراءة النص والحكم على أسلوبه، يبدأ ببناء سلسلة أدلة:

النص الأصلي ← مصدر النشر ← وقت الحصول على الدليل ← البيانات الوصفية ← البصمة الرقمية (Hash) ← فحص العلامة المائية ← تحليل اللغة والأسلوب ← مقارنة المصادر ← ربط النتائج في رسم معرفي (Knowledge Graph)

هنا تتحول العلامة المائية من مجرد خاصية في نموذج ذكاء اصطناعي إلى عنصر محتمل داخل منظومة الأدلة الرقمية.

نموذج توضيحي لسجل دليل:

الحقل	المثال
Evidence ID	E-2026-001
نوع الدليل	نص
Hash	قيمة SHA-256
المصدر	صفحة ويب
وقت الالتقاط	وقت محدد
Watermark	مكتشَفة / غير مكتشَفة / غير قابلة للتحديد
النموذج المحتمل	Claude — إذا كان نظام التحقق يدعم ذلك
درجة الثقة	احتمالية وليست قطعية
العلاقات	حسابات، مصادر، أشخاص، منشورات مرتبطة

ثم تُربط هذه البيانات داخل رسم بياني معرفي، فقد يظهر مثلاً ترابط بين: منشور مجهول، وحساب على منصة، وبريد إلكتروني، وشخص، وموقع إلكتروني، ونص يحمل علامة مائية محتملة — كلها عُقَد مرتبطة ببعضها. وهنا تبدأ القيمة الحقيقية للتحريات الرقمية؛ فالهدف ليس معرفة أن «النص كتبه الذكاء الاصطناعي» فقط، وإنما معرفة كيف يرتبط هذا النص ببقية شبكة المعلومات.

سادساً: قوة الدليل تأتي من تقاطع المؤشرات

لا ينبغي للمحقق أن يبني استنتاجه على العلامة المائية وحدها. الأقوى هو الجمع بين مجموعة مستقلة من المؤشرات: العلامة المائية (Watermark) + البيانات الوصفية (Metadata) + الطابع الزمني (Timestamp) + البصمة الرقمية (Hash) + مصدر النشر + سجل الوصول أو التعديل + العلاقات بين الحسابات والأشخاص والمصادر.

يمكن أن ينتج هذا التقاطع صورة أقوى بكثير من استخدام أي مؤشر منفرد. وهنا تظهر القاعدة الأساسية في التحريات الرقمية:

لا تبحث عن مؤشر يؤكد فرضيتك؛ ابحث عن أدلة مستقلة تتقاطع في النتيجة.

سابعاً: ماذا يعني ذلك لمنصات التحريات الرقمية؟

هذه التطورات تفتح الباب أمام ظهور طبقة جديدة في منصات التحقيق الرقمي. عند إدخال نص إلى نظام تحريات، يمكن أن تمر العملية مستقبلاً بعدة مراحل متتابعة:

1. Evidence Intake — استقبال الدليل الرقمي
2. Text Extraction — استخراج النص من الملف أو الصفحة
3. Hashing — إنشاء بصمة رقمية للمادة التي تم الحصول عليها
4. Metadata Analysis — فحص البيانات الوصفية
5. Watermark Analysis — البحث عن العلامات المائية المدعومة
6. Linguistic Analysis — تحليل اللغة والأسلوب والسياق
7. Entity Extraction — استخراج الأشخاص والأماكن والحسابات والمؤسسات
8. Knowledge Graph — ربط كل هذه العناصر داخل شبكة معرفية واحدة

وبذلك لا تكون العلامة المائية نتيجة منفصلة، بل تصبح خاصية من خصائص الدليل نفسه.

ثامناً: الإطار القانوني الأوروبي ودفع الصناعة نحو الشفافية

يتزامن هذا التطور مع دخول متطلبات الشفافية المتعلقة بالذكاء الاصطناعي في الاتحاد الأوروبي مرحلة التطبيق الفعلي. فالمادة 50 من قانون الذكاء الاصطناعي الأوروبي (EU AI Act) أصبحت واجبة التطبيق اعتباراً من 2 أغسطس/آب 2026، وتفرض على مزودي أنظمة الذكاء الاصطناعي التوليدي اتخاذ إجراءات تجعل المحتوى الاصطناعي قابلاً للاكتشاف آلياً.

دقة قانونية مهمة: ليس صحيحاً القول ببساطة إن القانون «ينطبق فقط على النماذج التي صدرت بعد 2 أغسطس». فالواقع أن هناك فترة انتقالية تخص بعض الأنظمة الموجودة بالفعل قبل هذا التاريخ، بينما الأنظمة الجديدة الخاضعة للمتطلبات مطالَبة بالامتثال وفق القواعد الجديدة اعتباراً من تاريخ النفاذ. وهذا التمييز بين «الأنظمة القائمة في فترة انتقالية» و«الأنظمة الجديدة الملزَمة فوراً» جوهري لأي تكييف قانوني دقيق لواقعة منشورة قبل هذا التاريخ أو بعده.

وهذا يعكس اتجاهاً تنظيمياً أوسع: لم يعد السؤال بالنسبة للجهات التنظيمية هو فقط «ماذا يستطيع الذكاء الاصطناعي أن يُنتج؟»، بل أصبح أيضاً «كيف يستطيع المجتمع معرفة أن المحتوى اصطناعي؟». وهنا تظهر أهمية تقنيات مثل العلامات المائية ووسائل إثبات المصدر، خصوصاً مع تنامي قدرة الذكاء الاصطناعي على إنتاج نصوص وصور وفيديوهات وأصوات يصعب تمييزها بالعين أو الأذن البشرية وحدهما.

والأخطر من الناحية العملية أن هذا التطور ينقلنا من مرحلة السؤال «هل يستطيع أحد تخمين أن هذا النص كتبه الذكاء الاصطناعي؟»، إلى مرحلة مختلفة تماماً: «هل يحمل النص نفسه بصمة يمكن التحقق منها تقنياً لإثبات مروره عبر نموذج معين؟». وهذا فرق جوهري جداً في التحريات الرقمية، وإثبات المصدر (Provenance)، والأدلة الرقمية.

تاسعاً: ولكن ماذا عن غياب العلامة المائية؟

قاعدة مهمة للغاية: غياب العلامة لا يعني أن المحتوى بشري. فقد يكون المحتوى:

• مكتوباً بواسطة إنسان.
• مولداً بواسطة نموذج لا يستخدم علامة مائية.
• مولداً بواسطة نموذج قديم سابق على تفعيل هذه التقنية.
• معدَّلاً بطريقة أثرت في قابلية اكتشاف العلامة.
• قصيراً إلى درجة تجعل الكشف الإحصائي غير موثوق (فالإشارة الإحصائية تحتاج إلى عدد كافٍ من الكلمات).

لذلك يجب أن تكون نتيجة نظام التحقيق دقيقة جداً في صياغتها. فبدلاً من الجزم بعبارة:

«هذا النص كتبه الذكاء الاصطناعي.»

الصياغة المهنية الصحيحة هي:

«تم اكتشاف مؤشر تقني متوافق مع علامة مائية مرتبطة بآلية توليد محددة.»

وهذا الفارق في اللغة ليس شكلياً؛ إنه فارق بين الاستدلال المهني والادعاء غير المدعوم. يزيد على ذلك أن السؤال قد يكون أكثر دقة أيضاً من ناحية أخرى: فحتى مع نص أنشأه إنسان بالكامل ثم طلب من Claude فقط «إعادة صياغته»، فقد يدخل النص الناتج ضمن نطاق العلامة، وهو ما يفتح نقاشاً مستقلاً حول الفرق بين «النص الذي أنشأه الذكاء الاصطناعي» و«النص الذي عالجه الذكاء الاصطناعي فقط».

عاشراً: من المحتوى إلى سلسلة المنشأ (Chain of Custody)

المستقبل الأكثر أهمية ليس في وجود العلامة المائية وحدها، بل في دمجها مع منظومة أوسع لإثبات المنشأ. يمكن تصور نموذج مستقبلي متدرج:

المحتوى (Content) ← المنشأ (Provenance) ← العلامة المائية (Watermark) ← البصمة التشفيرية (Cryptographic Hash) ← البيانات الوصفية (Metadata) ← الطابع الزمني (Timestamp) ← المصدر (Source) ← سلسلة العهدة (Chain of Custody)

هذه الطبقات إذا اجتمعت يمكن أن تمنح المحقق قدرة أفضل بكثير على إعادة بناء تاريخ الدليل. ومن هنا يتحول مفهوم Data Provenance من مجرد مفهوم هندسي لإدارة البيانات إلى عنصر أساسي في التحقيقات الرقمية.

الخلاصة

إضافة العلامات المائية إلى النصوص المولدة بالذكاء الاصطناعي ليست مجرد محاولة أخرى لمواجهة المحتوى الاصطناعي؛ إنها جزء من تحول أعمق في طبيعة البيئة الرقمية.

في الماضي كان المحقق يسأل: «هل يبدو هذا النص بشرياً أم آلياً؟». أما المستقبل فقد يدفعه إلى سؤال أكثر دقة: «ما الآثار التقنية التي تركتها عملية إنتاج هذا المحتوى؟».

وهذا يقودنا من AI Detection إلى Digital Provenance، ومن الحكم على الأسلوب إلى تتبع المصدر، ومن الانطباع إلى الدليل، ومن تحليل قطعة محتوى منفردة إلى بناء سلسلة أدلة مترابطة داخل رسم معرفي.

وفي هذا السياق، لن تكون العلامة المائية دليلاً قائماً بذاته، ولن تحسم وحدها مسألة المؤلف، لكنها قد تصبح حلقة مهمة في سلسلة الأدلة عندما تُدمج مع الهاش، والبيانات الوصفية، والتوقيت، ومصدر النشر، وسجل التعديلات، والعلاقات التي تكشفها التحريات الرقمية.

وهنا تكمن القضية الأهم: المستقبل لن يكون فقط لمن يستطيع إنتاج محتوى بالذكاء الاصطناعي، وإنما أيضاً لمن يستطيع إثبات مصدر هذا المحتوى، وتتبع رحلته، وتمييز ما هو أصل وما هو تعديل، وبناء سلسلة أدلة يمكن اختبارها والتحقق منها.