تطلب من مساعد الذكاء الاصطناعي إعداد تقرير عن استخدام الإنترنت أو نمو سوق معين، فيخبرك بأن نسبة كبيرة من المستخدمين تفضل خدمة محددة، ويقدم رقمًا دقيقًا يبدو مستندًا إلى دراسة موثوقة. تنقل الإحصائية إلى تقريرك، ثم تكتشف لاحقًا أن الدراسة المذكورة لا تحتوي على هذا الرقم، أو أنها أجريت على عينة صغيرة لا تمثل الجمهور الذي تتحدث عنه.
هذه المشكلة أكثر تعقيدًا من مجرد خطأ حسابي؛ فقد تكون الإحصائية صحيحة أصلًا، لكن النموذج نسبها إلى جهة خاطئة، أو استخدم بيانات قديمة، أو خلط بين النسبة والتغير النسبي. كما يمكن أن يقدم رقمًا يبدو منطقيًا دون وجود مصدر منشور يدعمه. وتزداد خطورة ذلك عند استخدام النتائج في دراسات الجدوى والأبحاث والمقالات والقرارات المالية. فوجود نسبة مئوية دقيقة أو اسم مؤسسة معروفة لا يكفي وحده لإثبات صحة المعلومة.
التحقق من الإحصائيات التي يذكرها الذكاء الاصطناعي يبدأ بتحديد الرقم ومصدره الأصلي، ثم مراجعة تاريخ جمع البيانات وحجم العينة وطريقة الحساب والسياق الذي وردت فيه النتيجة، ومقارنتها بما تنشره الجهة المسؤولة عن الدراسة.
الأعراض الشائعة
- يذكر الذكاء الاصطناعي نسبة دقيقة دون تقديم مصدر يمكن فتحه والتحقق منه.
- ينسب إحصائية إلى مؤسسة معروفة، لكن التقرير الأصلي لا يحتوي عليها.
- يستخدم بيانات قديمة لوصف الوضع الحالي دون توضيح سنة جمع المعلومات.
- يخلط بين عدد المشاركين في الاستطلاع وعدد أفراد المجتمع المستهدف.
- يقدم نتيجة تخص دولة أو فئة محددة كما لو أنها تنطبق على جميع المستخدمين.
- يخلط بين النسبة المئوية والنقاط المئوية أو بين الارتباط والسببية.
ما العلامات التي تكشف أن الإحصائية غير موثوقة؟
أول علامة تستحق الانتباه هي غياب المصدر الأصلي. فعندما يقدم النموذج عبارة مثل «تشير الدراسات إلى أن معظم المستخدمين يفضلون خدمة معينة» دون تحديد الدراسة أو الجهة التي أجرتها، تصبح المعلومة صعبة التحقق، حتى لو كانت النتيجة تبدو معقولة.
وتزداد الشكوك عندما تظهر أرقام دقيقة بصورة مبالغ فيها، مثل نسبة تحتوي على منازل عشرية متعددة، بينما لا يقدم النموذج معلومات عن طريقة القياس أو حجم العينة أو هامش الخطأ. والدقة الشكلية لا تعني بالضرورة دقة علمية.
ومن العلامات المهمة أيضًا اختلاف الرقم عن التقرير المشار إليه. فقد يذكر المساعد أن نسبة معينة تتعلق بجميع المستهلكين، بينما تكشف الدراسة الأصلية أنها تخص مستخدمي تطبيق محدد أو المشاركين في استطلاع اختياري.
وتوضح وثائق OpenAI حول دقة ChatGPT وحدوده أن النماذج قد تنتج أرقامًا أو مراجع غير صحيحة رغم صياغتها الواثقة، وقد تنسب معلومات إلى دراسات أو مصادر غير موجودة أصلًا.
هناك فرق مهم بين إحصائية خاطئة وإحصائية صحيحة مستخدمة في سياق خاطئ. فقد تكون نسبة منشورة في دراسة حقيقية، لكن تعميمها على فئة لم تشملها الدراسة يجعل الاستنتاج الناتج عنها مضللًا.
كما ينبغي الانتباه إلى الأرقام التي لا تتفق مع الوحدات المستخدمة. فالإيرادات السنوية تختلف عن الشهرية، وعدد الحسابات لا يساوي بالضرورة عدد الأشخاص، وعدد مرات التنزيل لا يعبر مباشرة عن عدد المستخدمين النشطين.
الفكرة العملية: اعتبر غياب المصدر أو المجتمع المستهدف أو الفترة الزمنية سببًا لتعليق استخدام الإحصائية حتى تتأكد من أصلها ومعناها.
ما الأسباب المحتملة لظهور إحصائيات خاطئة في إجابات الذكاء الاصطناعي؟
لا تنتج الأخطاء الإحصائية دائمًا عن السبب نفسه. ففي بعض الحالات يعتمد النموذج على معرفة سابقة لم تعد محدثة، بينما تنشأ أخطاء أخرى من سوء تفسير الدراسة أو إجراء عملية حسابية غير صحيحة.
أحد الأسباب هو الهلوسة، وهي توليد معلومات تبدو معقولة لكنها لا تستند إلى أدلة صحيحة. وقد تظهر الهلوسة في صورة نسبة مختلقة أو عنوان دراسة غير موجود أو اقتباس منسوب إلى جهة لم تنشره.
أما السبب الثاني فهو الخلط بين المصادر. فقد يتذكر النموذج نتيجة منشورة في تقرير سابق، ثم ينسبها إلى تقرير أحدث أو إلى مؤسسة أخرى تناولت موضوعًا مشابهًا. وهنا لا يكفي العثور على اسم المؤسسة لإثبات صحة الاستشهاد.
ومن الأسباب المتكررة أيضًا إساءة فهم المصطلحات الإحصائية، ومنها:
- المتوسط الحسابي: مجموع القيم مقسومًا على عددها، وقد يتأثر بالقيم المرتفعة أو المنخفضة بصورة استثنائية.
- الوسيط: القيمة الواقعة في منتصف البيانات بعد ترتيبها، وهو لا يساوي المتوسط دائمًا.
- النسبة المئوية: مقدار يمثل جزءًا من مئة، ويحتاج إلى معرفة العدد الذي حُسبت النسبة منه.
- العينة: مجموعة الأشخاص أو الحالات التي جُمعت منها البيانات لدراسة مجتمع أكبر.
- هامش الخطأ: مؤشر على مقدار عدم اليقين في بعض التقديرات الإحصائية وفق تصميم الدراسة وافتراضاتها.
وقد ينتج الخطأ كذلك عن استخدام بيانات صحيحة مع عملية حسابية غير سليمة. مثلًا، الانتقال من 20% إلى 30% يمثل زيادة مقدارها 10 نقاط مئوية، لكنه يمثل زيادة نسبية قدرها 50% مقارنة بالقيمة الأصلية. والخلط بين المفهومين قد يغير تفسير النتائج بصورة كبيرة.
وتؤكد معايير جودة المعلومات الصادرة عن المعهد الوطني الأمريكي للمعايير والتكنولوجيا NIST أهمية سلامة الأساليب الإحصائية والبحثية ودقة عرض النتائج ضمن سياق واضح.
الفكرة العملية: حدد إن كان الخلل في وجود الرقم نفسه، أو مصدره، أو حسابه، أو تفسيره قبل محاولة تصحيح الإجابة.
كيف تحدد مصدر الإحصائية الحقيقي قبل الاعتماد عليها؟
ابدأ بتحويل العبارة الإحصائية إلى ادعاء محدد يمكن اختباره. لا تبحث عن الموضوع العام وحده، بل استخدم الرقم واسم الجهة والسنة والكلمات الأساسية المرتبطة بالدراسة.
يمكن اتباع الخطوات التشخيصية التالية:
اعزل الادعاء: انسخ الجملة التي تتضمن الرقم دون بقية الإجابة، وحدد ما الذي تزعم الإحصائية قياسه.
اطلب المرجع الأصلي: اسأل الذكاء الاصطناعي عن اسم الدراسة والجهة الناشرة وتاريخها والرابط المباشر، مع التنبيه إلى ضرورة عدم اختلاق المراجع المفقودة.
ابحث بصورة مستقلة: استخدم محرك بحث للوصول إلى الموقع الرسمي للمؤسسة، ولا تفترض صحة الرابط لمجرد أن النموذج قدمه.
افتح الدراسة الكاملة: راجع التقرير الأصلي أو قاعدة البيانات، وابحث عن الرقم في الجداول والنصوص والملحقات.
حدد سنة جمع البيانات: قد يكون التقرير منشورًا حديثًا لكنه يستند إلى استطلاع أو بيانات جُمعت قبل سنوات.
راجع تعريف المؤشر: تحقق مما إذا كان الرقم يقيس الأشخاص أو الأجهزة أو المعاملات أو الإيرادات أو غيرها.
افحص المجتمع المستهدف: تأكد من المنطقة والفئة العمرية وطبيعة المشاركين وإمكانية تعميم النتائج.
قارن النتيجة: تحقق مما إذا كان النموذج نقل الرقم حرفيًا أو قربه أو أعاد حسابه أو قدم استنتاجًا إضافيًا.
تشرح وثيقة إطار البيانات البحثية الصادرة عن NIST أهمية معرفة منشأ البيانات وتوثيق منهجية جمعها ومعالجتها، لأن غياب هذه المعلومات يجعل تقييم جودة النتائج وموثوقيتها أكثر صعوبة.
إذا وصلت إلى تقرير رسمي ولم تجد الإحصائية، فلا تستنتج فورًا أنها مختلقة. ربما استخدم النموذج إصدارًا آخر أو جدولًا فرعيًا أو عملية حسابية مشتقة. لكن لا تنسب الرقم إلى التقرير ما لم تتمكن من إثبات العلاقة بينهما.
الفكرة العملية: اعتبر الإحصائية قابلة للاستشهاد فقط عندما تستطيع تحديد مصدرها الأصلي وتعريفها والفترة التي تغطيها.
ما الحلول المرتبة من الأبسط إلى الأعمق لتصحيح الإحصائية؟
بعد اكتشاف مشكلة في الرقم، يعتمد الحل على نوع الخطأ. فقد يكفي تحديث المصدر في بعض الحالات، بينما يتطلب خطأ المنهجية استبعاد الإحصائية بالكامل وإعادة بناء الاستنتاج.
صحح التاريخ: إذا كانت الإحصائية صحيحة لكنها قديمة، فاذكر السنة التي تمثلها وابحث عن إصدار أحدث من المصدر نفسه بدل وصفها بأنها تعكس الوضع الحالي.
صحح نطاق التعميم: إذا كانت الدراسة أجريت على طلاب جامعة أو مستخدمي تطبيق معين، فلا تستخدم نتيجتها لوصف جميع السكان أو مستخدمي الإنترنت.
راجع طريقة الحساب: أعد العمليات البسيطة باستخدام القيم الأصلية، وانتبه إلى الفرق بين النسبة والنقاط المئوية والمتوسط والوسيط.
ابحث عن الجدول الأساسي: إذا ظهر الرقم في رسم بياني دون تفاصيل كافية، فراجع ملف البيانات أو الملحق المنهجي إن توفر.
تحقق من حجم العينة: إذا كانت النتيجة مستمدة من استطلاع، فافحص عدد المشاركين وطريقة اختيارهم، ولا تعتبر العدد الكبير وحده ضمانًا لتمثيل المجتمع.
استبدل المرجع غير الموثوق: إذا تعذر العثور على الدراسة المذكورة، فابحث عن مصدر أصلي آخر يقيس المؤشر نفسه، ولا تنقل الرقم القديم إليه دون دليل.
استخدم أدوات تحليل البيانات: عند توفر جدول أصلي، يمكن استخدام برنامج جداول بيانات لإعادة حساب النسب والتحقق من المجاميع، مع مراجعة الوحدات والقيم المفقودة.
استبعد النتيجة غير القابلة للتحقق: إذا لم تتوفر بيانات أصلية أو منهجية واضحة، فلا تستخدم الرقم بوصفه حقيقة مؤكدة، خاصةً عندما يؤثر في قرار مهم.
يمكنك أيضًا مطالبة المساعد بإعادة تحليل الإحصائية باستخدام طلب محدد:
صيغة عملية للتحقق من رقم إحصائي
تحقق من الإحصائية التالية باستخدام المصدر الأصلي المنشور. حدد اسم الدراسة، وسنة جمع البيانات، وحجم العينة، والمجتمع الذي تمثله، وطريقة حساب النسبة. قارن الرقم بالنص أو الجدول الأصلي، وميز بين البيانات المباشرة والاستنتاجات. إذا تعذر العثور على مصدر موثوق، فصرح بذلك ولا تقترح رقمًا بديلًا دون دليل.
لكن استخدام هذا الطلب لا يضمن صحة الإجابة تلقائيًا. وإذا لم تتوفر للمساعد أداة بحث أو وصول إلى الدراسة، فيجب تقديم البيانات له أو إجراء التحقق بصورة مستقلة.
وتوضح إرشادات OpenAI للبحث عبر ChatGPT أن الاستشهادات ونتائج البحث قد تكون غير مكتملة أو غير دقيقة، ولذلك يجب فتح المصادر والتحقق من دعمها للادعاءات المذكورة.
الفكرة العملية: صحح السبب المحدد للخطأ، ولا تستبدل رقمًا غير مثبت بآخر يبدو أكثر منطقية دون الرجوع إلى البيانات الأصلية.
كيف تتحقق من أن الإحصائية المصححة أصبحت دقيقة؟
بعد التصحيح، نفذ مراجعة نهائية تشمل المصدر والحساب والتفسير. فقد تصل إلى الرقم الصحيح، لكن تستخدمه في مقارنة غير صالحة بسبب اختلاف تعريف المؤشر بين الدراستين.
لنفترض مثالًا حسابيًا توضيحيًا، لا يمثل نتيجة دراسة حقيقية: إذا شارك 200 شخص في استطلاع، واختار 80 منهم إجابة محددة، فإن نسبة هذه الإجابة بين المشاركين تساوي 40%. الحساب صحيح، لكن لا يجوز اعتبار النسبة ممثلة لجميع سكان دولة معينة دون معرفة طريقة اختيار العينة وخصائصها.
يوضح المثال الفرق بين الصحة الحسابية والصلاحية الإحصائية. فالأولى تعني تنفيذ العملية الرياضية بصورة صحيحة، أما الثانية فتتعلق بمدى مناسبة البيانات والمنهجية للاستنتاج المطلوب.
وتشمل المراجعة النهائية المعايير التالية:
- الرقم موجود في المصدر الأصلي أو يمكن اشتقاقه من بيانات واضحة.
- تاريخ جمع البيانات مناسب للسؤال المطروح.
- تعريف المؤشر مطابق لما ورد في الإجابة.
- حجم العينة وطريقة اختيارها معروفان عندما تكون النتيجة مستمدة من استطلاع.
- طريقة الحساب صحيحة ويمكن إعادة تنفيذها.
- الاستنتاج لا يتجاوز حدود المجتمع الذي شملته الدراسة.
- لا يوجد خلط بين الارتباط الإحصائي والعلاقة السببية.
إذا كانت الدراسة تقدم نطاق ثقة أو هامش خطأ، فاذكره عند الحاجة بدل عرض النتيجة وكأنها قيمة دقيقة بلا عدم يقين. ويتوقف تفسير هامش الخطأ على طريقة اختيار العينة والنموذج الإحصائي المستخدم، ولا يصح افتراض انطباقه بالطريقة نفسها على جميع الدراسات.
كما يجب الحذر عند مقارنة نتائج سنوات مختلفة. فقد تغير المؤسسة طريقة جمع البيانات أو تعريف المؤشر أو نطاق التغطية، ما يجعل الزيادة أو الانخفاض الظاهرين غير قابلين للمقارنة المباشرة.
ويمكنك استخدام أداة جداول بيانات لحساب النتائج من ملف المصدر، ثم مقارنة الناتج بما ذكره الذكاء الاصطناعي. وعند وجود اختلاف، راجع طريقة التقريب والوحدات والقيم المستبعدة قبل الجزم بوجود خطأ.
الفكرة العملية: لا تكتفِ بمطابقة الرقم؛ تأكد من سلامة الحساب وإمكان تعميم النتيجة وصحة استخدامها في السياق المقصود.
متى تحتاج إلى مراجعة إحصائية متخصصة بدل الاعتماد على الذكاء الاصطناعي؟
قد تكون مراجعة المصدر والحساب كافية للإحصائيات الوصفية البسيطة، لكن بعض النتائج تتطلب معرفة أعمق بتصميم الدراسات وطرق الاستدلال الإحصائي. وتزداد الحاجة إلى متخصص عندما تكون النتيجة أساسًا لقرار مالي أو طبي أو بحث علمي أو سياسة مؤسسية.
من الحالات التي تستحق مراجعة متخصصة وجود عينات غير عشوائية مع تعميم النتائج على مجتمع واسع، أو استخدام نماذج إحصائية معقدة، أو مقارنة مجموعات تختلف في خصائص مؤثرة لم تؤخذ في الحسبان.
ويجب الانتباه خصوصًا إلى الخلط بين الارتباط والسببية. فإذا أظهرت دراسة أن متغيرين يتحركان معًا، فهذا لا يثبت أن أحدهما تسبب في الآخر. قد توجد عوامل ثالثة تؤثر فيهما، أو تكون العلاقة ناتجة عن طريقة اختيار البيانات.
وتشير دراسة منشورة لدى NIST حول موثوقية البرمجيات الإحصائية إلى أهمية ضمان صحة البيانات والخوارزميات والعمليات الحسابية والتحقق من النتائج عند استخدام الأنظمة البرمجية لإجراء التحليل.
ومن الحالات الأخرى التي تحتاج إلى حذر خاص ظهور اختلاف كبير بين دراستين موثوقتين. فليس بالضرورة أن تكون إحداهما خاطئة؛ ربما تختلف الفترات الزمنية أو طريقة اختيار المشاركين أو تعريف المؤشر أو أسلوب التحليل.
إذا كنت تعد دراسة جدوى، فلا تعتمد على حجم السوق أو معدل النمو الذي يولده الذكاء الاصطناعي دون فحص التقرير الأصلي. وقد تحتاج إلى مراجعة خبير للتأكد من أن الافتراضات المستخدمة مناسبة للسوق والفترة المستهدفة.
أما في التقارير العامة والمقالات، فيمكن تقليل المخاطر باستخدام نتائج قابلة للتتبع مع توضيح حدودها، وتجنب تحويل الاحتمالات أو التقديرات إلى حقائق قطعية.
الفكرة العملية: عندما يتوقف قرار مؤثر على تفسير إحصائي معقد، استخدم الذكاء الاصطناعي للمساعدة في تنظيم البيانات، واستعن بمختص لاعتماد المنهجية والاستنتاج.
مواضيع قد تهمك:
- الفرق بين SEO وGEO وAEO: أيها الأفضل لموقعك؟
- كيف تحسّن سيرتك الذاتية بالذكاء الاصطناعي لتجاوز ATS؟
- ما الذي يحدد جودة إجابة الذكاء الاصطناعي قبل سؤالك؟
- كيف تكتشف أن رد الذكاء الاصطناعي يعتمد على بيانات قديمة؟
الفكرة العملية: اربط التحقق من الأرقام بمراجعة جودة المصادر وحداثة المعلومات قبل استخدامها في التحليل أو إنشاء المحتوى.
أسئلة يطرحها القراء غالبًا
هل يستطيع الذكاء الاصطناعي اختراع نسبة مئوية تبدو حقيقية؟
نعم، قد يولد النموذج نسبة تبدو منطقية دون أن تستند إلى دراسة منشورة. لذلك يجب البحث عن المصدر الأصلي قبل اعتبار الرقم حقيقة.
هل وجود رابط لمصدر رسمي يثبت صحة الإحصائية؟
لا، فقد يكون الرابط صحيحًا لكن الصفحة لا تحتوي على الرقم المذكور أو تتناول مؤشرًا مختلفًا. يجب مطابقة الإحصائية مع محتوى المصدر نفسه.
هل يمكن استخدام إحصائية قديمة في مقال جديد؟
نعم، إذا كانت مناسبة للسياق وذُكرت سنة جمع البيانات بوضوح ولم تُعرض بوصفها إحصائية حديثة. لكن يفضل البحث عن بيانات أحدث عندما يكون الموضوع سريع التغير.
ما الفرق بين حجم العينة وعدد السكان؟
حجم العينة هو عدد الأفراد أو الحالات التي شملتها الدراسة، بينما يشير المجتمع الإحصائي إلى المجموعة الأكبر التي تريد الدراسة وصفها. ولا يكفي حجم العينة وحده لإثبات قدرتها على تمثيل المجتمع.
هل تطابق الرقم في موقعين يعني أنه صحيح؟
ليس بالضرورة، فقد يكون الموقعان قد نقلا الرقم من المصدر الخاطئ نفسه. الأفضل تتبع المعلومة إلى الدراسة أو قاعدة البيانات الأصلية.
هل يمكن استخدام الذكاء الاصطناعي لإعادة حساب الإحصائيات؟
نعم، يمكن استخدامه للمساعدة في تفسير البيانات وإعداد العمليات الحسابية، ويفضل استخدام أدوات حسابية فعلية ومراجعة النتائج. ولا يغني الحساب الصحيح عن التحقق من جودة البيانات الأصلية.
الفكرة العملية: تعامل مع كل إحصائية باعتبارها ادعاءً يحتاج إلى مصدر ومنهجية، حتى عندما يتكرر الرقم أو يظهر في إجابة واثقة.
الخطوة الحاسمة
- استخرج الرقم الذي ذكره الذكاء الاصطناعي، وحدد المؤشر الذي يفترض أنه يقيسه.
- افتح المصدر الأصلي وتحقق من تاريخ البيانات وحجم العينة وطريقة الحساب ونطاق النتيجة.
- استخدم الإحصائية فقط إذا أمكن إثباتها وتفسيرها بصورة صحيحة، أو استبعدها عند تعذر التحقق.
قد تكون الإحصائية صحيحة حسابيًا لكنها مضللة عند استخدامها خارج سياقها، وقد يكون المرجع المذكور حقيقيًا دون أن يدعم النتيجة المنسوبة إليه. لذلك تعتمد موثوقية الأرقام على جودة البيانات والمنهجية بقدر اعتمادها على صحة العمليات الرياضية.
ابدأ الآن باختيار إحصائية واحدة من إجابة سابقة للذكاء الاصطناعي، ثم طابقها مباشرة مع الجدول أو النص الموجود في مصدرها الأصلي.