عند قراءة استجابة الذكاء الاصطناعي أو رؤية محتوى مشابه مرارًا وتكرارًا في البث، غالبًا ما نرى النتيجة؛ وليس النظام الذي اختاره. ومع ذلك، فإن روبوتات الدردشة وخوارزميات وسائل التواصل الاجتماعي لا تعمل في الفراغ. تحدد البيانات وقرارات التصميم وقواعد الأمان ومعايير نجاح المنصات معًا ما سنواجهه.
أنا لا أقرأ هذا على أنه "الخوارزميات تتحكم في كل شيء". أنا أتحدث عن تأثير يومي أكثر، وفي رأيي، تأثير أكثر أهمية: عندما تجعل الأنظمة بعض الكلمات والأفكار والمنتجات أكثر وضوحًا، فإننا نراها ونستخدمها وننتجها بشكل متكرر. ثم يصبح هذا السلوك مدخلاً للاقتراحات الجديدة. وبالتالي، يمكن أن تتشكل حلقة تغذية مرتدة بين التكنولوجيا والسلوك البشري.
هل هناك شيء مثل أداة محايدة؟
الأداة ليس لديها نوايا جيدة أو سيئة من تلقاء نفسها. لكن الأشخاص والمؤسسات هم الذين يقررون ما يجب قياسه، وما هي البيانات التي يجب التدريب عليها، وما المحتوى الذي يجب تسليط الضوء عليه، وما هي الاستجابة التي تعتبر آمنة أو مفيدة. تؤثر هذه القرارات على كيفية عمل المنتج.
إذا كان وقت المشاهدة والتفاعل مهمين في تدفق شبكة التواصل الاجتماعي، فإن النظام يتعلم ترتيب المحتوى وفقًا لهذه الإشارات. ومن ناحية أخرى، يتأثر برنامج الدردشة الآلية بأنماط بيانات التدريب، والتعليقات البشرية، وقواعد المنتج. هذا لا يعني أن كل استجابة يتم التلاعب بها عمدا. لكنه تذكير بأن ما نراه ليس ملخصًا متساويًا وكاملًا لجميع وجهات النظر في العالم.
يوضح OpenAI أن تطوير النماذج الأساسية يعتمد على موارد مثل موارد الإنترنت المفتوحة، والمعلومات التي يتم الوصول إليها من أطراف ثالثة، والمحتوى المقدم من قبل المستخدمين أو المعلمين البشريين أو الباحثين. تتشكل استجابة مثل هذا النظام من خلال نطاق البيانات واختيارها وكذلك كيفية تدريب النموذج والقواعد التي يتم من خلالها تقديم المنتج.
كيف تحدث حلقة التغذية الراجعة؟
يمكننا أن نفكر في الدورة في أربع خطوات:
- يقوم النظام باختيار: يبرز جزء من المحتوى أو الاستجابة لمستخدم معين.
- يتفاعل المستخدم: المشاهدة، الإعجاب، المشاركة، طرح سؤال مماثل أو محاولة اقتراح.
- الشركة المصنعة تتكيف: يكرر منشئو المحتوى والعلامات التجارية وحتى المستخدمون ما يعتقدون أنه ناجح.
- يصبح السلوك الجديد بيانات: ويستخدم النظام التفاعلات الناتجة كإشارات لاقتراحات جديدة.
ولا تتحرك هذه العملية دائمًا في نفس الاتجاه؛ يمكن للمستخدمين رفض الاقتراحات، واكتشاف اهتمامات جديدة، ويمكن للمنصات تغيير تصميماتها لإضافة التنوع. ومع ذلك، مع تكرار الإشارة، قد تزداد رؤيتها. يمكن أن تخلق الرؤية أيضًا شعورًا بأن "الجميع يتحدثون عنها" بمرور الوقت.
حتى كلمة واحدة يمكن أن تظهر هذا التغيير
أحد الأمثلة التي يتم الاستشهاد بها بشكل متكرر لتأثير الذكاء الاصطناعي على اللغة هي كلمة "delve" باللغة الإنجليزية. قام الباحثون بفحص الاستخدام المتزايد لهذه الكلمة وبعض التعبيرات المشابهة في ملخصات المقالات الطبية الحيوية بعد انتشار ChatGPT على نطاق واسع. تشير هذه النتيجة إلى تحول في الملخصات الأكاديمية؛ وهذا وحده لا يثبت أن الناس يستخدمون نفس الكلمات بشكل متكرر في الكلام اليومي.
ولم تجد دراسة منفصلة تبحث في سبب بروز الكلمة في مخرجات النماذج أي دليل على أن بيانات التدريب تفسر ذلك بشكل مباشر. تم فحص ردود الفعل البشرية كأحد العوامل المحتملة، لكن المؤلفين لم يقدموا النتائج التي توصلوا إليها على أنها علاقة سببية نهائية. ولذلك، فإن تقديم عبارة واضحة مثل "قام العاملون في مجال البيانات في بلد معين بتعليم النموذج هذه الكلمة" يتجاوز الأدلة المتاحة.
ومع ذلك، فإن المثال يستحق النظر فيه. إذا كان النموذج ينتج نمطًا معينًا بشكل متكرر، فقد يقلد المستخدمون هذا النمط دون أن يدركوا ذلك؛ قد يصبح هذا النمط أكثر وضوحًا في المحتوى عبر الإنترنت مع انتشار النصوص. والأمر المؤكد هنا هو أن تفسير سبب هذا التغيير يحتاج إلى بحث دقيق، وكذلك تغيير الألفاظ.
هل الاتجاهات حقيقية أم خوارزمية؟
حقيقة أن منتجات مثل لابوبو أو ماتشا أو شوكولاتة دبي تظهر في العديد من التدفقات في وقت قصير تجعلنا نفكر في العلاقة بين الاتجاهات الثقافية والخوارزميات. هذه الأمثلة وحدها لا تكفي للقول "الخوارزمية هي التي خلقت الطلب". يمكن أن يلعب اهتمام الناس، ومنشورات المشاهير ومنشئي المحتوى، وجهود البيع بالتجزئة والإعلان، واللغة المرئية للمنتج وأنظمة التوصية دورًا في نفس الوقت.
النقطة التي أود الانتباه إليها هنا ليست ما إذا كان الاتجاه مزيفًا أم لا. مدى سرعة النظام في تنمية الاهتمام الحالي ونوع المحتوى الذي يعود إلى المنتجين كمكافأة. عندما تكتسب التنسيقات التي تجعل المحتوى يعيد المشاهدة أو التعليق أو التشجيع على الشراء مزيدًا من الرؤية، يمكن للشركات المصنعة البدء في تجربة تنسيقات مماثلة. بعد نقطة معينة، يصبح الاتجاه نتاجًا مشتركًا لكل من اهتمامات المستخدم وقرارات الرؤية على المنصة.
ينص بيان TikTok الخاص على أن سلوك المستخدم مثل المشاهدة والمشاركة يؤثر على توصيات "من أجلك". كما وجدت دراسة تدقيق أكاديمية مستقلة نُشرت في عام 2026 أن الحسابات الاختبارية التي تفاعلت مع اهتمامات معينة تمت التوصية بها بشكل أكثر تطابقًا مع مقاطع الفيديو بمرور الوقت. وفي الدراسة، ارتبطت هذه الزيادة بانخفاض في تنوع الملصقات. هذه مراجعة مع حسابات الروبوت الخاضعة للرقابة ومجموعات المواضيع المحدودة؛ ولا يأخذ في الاعتبار تدفق جميع المستخدمين أو كل منتج فيروسي. ومع ذلك، فهو يقدم مثالاً ملموسًا لكيفية تشكيل الاقتراحات بشكل متبادل من خلال السلوك.
الأمر لا يتعلق فقط بما نراه
يمكن أن يؤثر التكرار في التدفق على حدسنا بشأن الرأي الشائع أو المقبول. يمكن لروبوتات الدردشة أيضًا التأثير على كيفية صياغة الأسئلة، وما هي المصادر التي نجدها كافية، وكيف نتحدث عن موضوع ما. وهذه ليست عواقب تلقائية ولا مفر منها؛ تختلف التأثيرات حسب الشخص والمنصة والموضوع وطريقة الاستخدام.
بالنسبة لي، الخطر لا يكمن في أن الأفراد يتغيرون فجأة. إن تضييق بيئة المعلومات يؤثر على قراراتنا جميعاً. إذا رأينا فقط نفس أنواع الاقتراحات، وكررنا المواضيع المماثلة، واعتبرنا الإجابة جديرة بالثقة لمجرد أنها تتدفق، فقد لا نلاحظ ذلك حتى لو تم تقليل خياراتنا.
هناك مسألة أخرى تحتاج إلى مراقبة وهي ما إذا كانت مخرجات الذكاء الاصطناعي تدخل من جديد إلى الإنترنت وتدخل بيانات التدريب الخاصة بالأنظمة اللاحقة. أظهر بحث انهيار النماذج المنشور في مجلة Nature أن بعض التوزيعات يمكن أن تصبح مشوهة عندما يتم استخدام مخرجات النماذج التوليدية بشكل متكرر كبيانات تدريب. هذه النتيجة التقنية ليست هي نفس آلية نمو اتجاه المنتج على وسائل التواصل الاجتماعي؛ ولكنه يوفر سببا للتعامل بجدية مع التأثيرات الطويلة الأجل المترتبة على خلط المحتوى الاصطناعي والمحتوى الذي من صنع الإنسان.
ما هي الأسئلة التي أطرحها على نفسي؟
عندما أستمر في رؤية جزء من المحتوى أو عندما ألاحظ أنني بدأت في تكرار فكرة ما كما لو كانت لغتي الخاصة، فإنني أطرح ثلاثة أسئلة قصيرة بدلاً من إصدار حكم فوري حول ما إذا كانت صحيحة أم خاطئة:
- لماذا أرى هذا؟ هل هي الحسابات التي أتابعها، أو تفاعلي السابق، أو الحدث الحالي، أو التوزيع المدعوم؟
- لماذا أقول هذا؟ هل هذه الفكرة نابعة من تجربتي أم أنها تبدو مألوفة لأنني رأيتها مراراً وتكراراً؟
- لماذا تكافئ المنصة هذا المحتوى؟ هل لأنه يوفر معلومات، لأنه يبدأ المناقشة، لأنه يجعلك تشاهد لفترة طويلة، أو لأنه يشجعك على الشراء؟
بالنسبة للعلامة التجارية أو منشئ المحتوى، يمكن أن تصبح هذه الأسئلة قائمة مرجعية عملية. فبدلاً من نسخ نمط لمجرد إعجاب الخوارزمية به، أو ربط كل اتجاه بالخدمة، أو نشر الإجابة الأولى التي ينتجها الذكاء الاصطناعي؛ ومن الضروري التحقق من المصدر وإضافة خبرة حقيقية وتقديم معلومات مفيدة للمستخدم.
إن فهم الخوارزميات لا يعني الخوف منها
تعمل أنظمة التوصية على تسهيل اكتشاف المحتوى الجديد؛ يمكن لأدوات الذكاء الاصطناعي أيضًا توفير وقت كبير في عملية البحث والإنتاج. أجد أنه من المفيد استغلال هذه الفرص. ولكننا نحتاج أيضًا إلى التساؤل عن الإشارات التي تعمل عليها كل أداة، وما هي المعلومات التي قد تتجاهلها، وما هي أهداف العمل التي تؤثر على تجربة المنتج.
الأداة ليست نافذة محايدة؛ واجهة تم إنشاؤها ببيانات معينة وتفضيلات معينة. كمستخدمين، الأمر متروك لنا لطرح أسئلة حول هذه التفضيلات، ومقارنة المصادر المختلفة، والحفاظ على تجربتنا الخاصة. لأن كيفية استجابتنا لتلك الإشارات هي جزء من الدورة بقدر ما ستوضحه لنا الأنظمة.
الموارد وملاحظات القراءة
- OpenAI: كيف يتم تطوير ChatGPT والنماذج الأساسية؟
- جوزيك ووارد: دراسة حول التمثيل الزائد للكلمات في "Delve" ونماذج اللغة الكبيرة - يفحص أنماط الكلمات في الملخصات الأكاديمية. ليس دليلا على محادثة عارضة.
- TikTok: كيف تعمل توصيات "من أجلك"؟
- EPJ Data Science: دراسة تدقيقية لعام 2026 حول تضخيم المحتوى الخوارزمي على TikTok
- الطبيعة: تأثيرات نماذج إعادة التدريب مع البيانات المولدة ذاتياً
من أين تبدأ علامتك التجارية؟
شارك موقعك وأولوياتك لنحدد نطاق العمل معاً.
