مرض الذكاء الاصطناعي الوهمي: ما Bixonimania؟ وكيف نميّز الحقيقة من الخيال؟
في هذا المقال
حصان طروادة الرقمي في الأدبيات العلمية: المرض الخيالي الذي اخترعه الذكاء الاصطناعي
Nature تقرير إخباري، 2026 · doi: 10.1038/d41586-026-01100-y
على امتداد تاريخ الطب، اعتُبرت أحيانًا أمراض غير موجودة حقيقية. لكن هذه الأخطاء كانت نتاج نقص المعرفة أو أخطاء الملاحظة أو الفهم المحدود في ذلك العصر. أما التهديد الذي نواجهه اليوم فيتخذ شكلًا أشد مكرًا: تستطيع نماذج الذكاء الاصطناعي إدخال مرض صُمم منذ البداية بوصفه خياليًا في الأدبيات الأكاديمية كأنه حقيقي، وتقديمه لملايين المستخدمين. وفي 7 أبريل 2026، نُشرت في Nature مقالة تتناولها كتابتنا هذه، وتوضح أن الخطر المذكور لم يعد احتمالًا، بل واقعًا حدث فعلًا.
Bixonimania: ولادة مرض لم يوجد قط
في بدايات 2024، بدأ يظهر مصطلح لم يسبق ذكره في الأدبيات الطبية: Bixonimania. ووفق الادعاء، كانت هذه الحالة متلازمة نادرة تتسم بتغير تصبغ الجفون والحكة المزمنة نتيجة التعرض المطول للضوء الأزرق (blue light) المنبعث من الشاشات الرقمية.
أعلاه: صور أنشأها الذكاء الاصطناعي لمرض خيالي يُسمى Bixonimania. المصدر: Preprints.org https://doi.org/qzm4 (2024)
في الواقع، لم يوجد مثل هذا المرض قط. بل كان فخًا متعمدًا ومضبوطًا صممه باحثون طبيون من جامعة غوتنبرغ لقياس مدى قابلية النماذج اللغوية الكبيرة (LLM — large language model) للتأثر بالمعلومات المضللة. وكانت النتائج لافتة بدرجة لم يتوقعها حتى الباحثون أنفسهم.
كيف صُمم المرض الزائف؟
اتبع الباحثون سلسلة منهجية من الخطوات لإدخال المرض الخيالي إلى العالم الأكاديمي:
ورد في قسم الشكر بالمقالة ذكر «طاقم Starfleet Academy وUSS Enterprise من Star Trek»، كما ذُكرت «مؤسسة البروفيسور الكومبارس بوب» مصدرًا للتمويل. وكانت هذه التفاصيل من النوع الذي يلاحظه قارئ بشري متأنٍّ خلال ثوانٍ قليلة. أما نماذج الذكاء الاصطناعي فتجاهلت هذه الإشارات بالكامل.
ماذا قالت النماذج؟
بعد أسابيع فقط من رفع المقالات الزائفة إلى الإنترنت، بدأت أكثر نماذج الذكاء الاصطناعي استعمالًا في العالم تعرض Bixonimania بوصفها حالة طبية حقيقية عند الإجابة عن أسئلة الضوء الأزرق وصحة العين.
«Bixonimania حالة مثيرة للاهتمام حقًا ونادرة نسبيًا» — وصف المرض كأنه حقيقة سريرية.
قدّم Bixonimania على أنها «نتيجة للتعرض للضوء الأزرق»، ونصح المستخدم بمراجعة اختصاصي طب العيون.
بل حوّل معدل حدوث المرض إلى رقم: حالة واحدة بين 90.000 شخص ، واصفًا إياه بأنه متلازمة نادرة.
صنفت النماذج النص المكتوب بصيغة أكاديمية «مصدرًا موثوقًا» استنادًا إلى بنيته الإحصائية وأنماطه اللغوية. ولأن هذه الأنظمة تفتقر إلى الفهم السياقي الذي يفسر مزحة Starfleet، فقد اعتبرت كل ما يبدو علميًا صحيحًا.
تمثيل تخطيطي لكيفية تسلل المعلومات الزائفة إلى الأدبيات الأكاديمية بصورة دائمة
الفضيحة الحقيقية: دخلت المعلومات الزائفة مجلة محكّمة
لم تبقَ قضية Bixonimania مجرد «خطأ روبوت محادثة». فقد وقع أخطر جوانبها في النشر العلمي. إذ أشار باحثون من معهد طبي في الهند، في مقالة نشروها على المنصة الأكاديمية المرموقة Cureusإلى Bixonimania بوصفها حالة سريرية حقيقية.
أثبت هذا الوضع أمرًا واحدًا: أن الباحثين المذكورين استعانوا بالذكاء الاصطناعي لإجراء مراجعة الأدبيات أثناء كتابة مقالتهم، واستعملوا المصادر التي قدمها دون قراءتها قط — ودون رؤية مزحة Starfleet فيها — بصورة مباشرة. Natureوبعد تنبيهها، سُحبت المقالة في مارس 2026 (retracted).
لماذا وقع الذكاء الاصطناعي في هذا الفخ؟
تكمن الإجابة عن هذا السؤال في المنطق الأساسي لعمل النماذج اللغوية الكبيرة. فهي لا تعالج النصوص عبر فهمها ، بل عبر التعرف على أنماط إحصائية. ويُنظر إلى قالب المقالة الأكاديمية، من عنوان وملخص ومنهج ومناقشة ومراجع وشكر، على أنه «إشارة موثوقية». ولا تُلتقط في هذه العملية اتساقية المحتوى المنطقية أو سخافة عبارة مثل «Starfleet Academy» في سياقها.
كان القارئ البشري سيتوقف فور رؤية اسم سفينة فضائية خيالية في قسم الشكر. أما الذكاء الاصطناعي فعالج العبارة كما لو كانت اسم مؤسسة حقيقية، لأن البنية النحوية للجملة تطابقت تمامًا مع صيغ الشكر الأكاديمية الأخرى.
مقارنة الاستجابة لإشارات الخطر في مقالة Bixonimania
ماذا يعني ذلك للطب؟
كانت Bixonimania تجربة متعمدة ويمكن تتبعها؛ وقد اكتُشفت وصُححت. والسؤال الحقيقي: كم عدد الحالات التي لم تُكتشف؟
- قد يواجه المرضى أو أقاربهم تشخيصات خيالية
- قد يُضلَّل الأطباء في مراجعات الأدبيات المدعومة بالذكاء الاصطناعي
- قد تنشأ فحوص تشخيصية غير ضرورية أو توجيهات خاطئة
- تواصل المقالات المسحوبة تداولها على الإنترنت
- حلقة تغذية راجعة: يعزز الذكاء الاصطناعي الخطأ الذي أنتجه بنفسه
- تآكل الثقة الأكاديمية وقصور عمليات التحكيم
- تدهور جودة الأدبيات الطبية على المدى الطويل
- تآكل الثقة المجتمعية بأدوات الذكاء الاصطناعي
حلقة التغذية الراجعة: الخطأ يغذي الخطأ
يكمن أخطر جوانب هذه القضية في ديناميكية منظومية تتجاوز خطأ منفردًا. فالنماذج اللغوية الكبيرة تتعلم وتنتج الإجابات عبر مسح المحتوى الموجود على الإنترنت. وحين تُنشر مقالة زائفة على منصة أكاديمية ويقبلها النموذج صحيحة ويعكسها في إجاباته، تصبح الخطوة التالية حتمية: يستعمل باحث آخر إجابة الذكاء الاصطناعي مصدرًا وينشر مقالة جديدة. وفي المسح التالي، يلتقط النموذج هذه المقالة الجديدة أيضًا بوصفها «معلومة مؤكدة». وتكتمل الحلقة؛ وتتعمق المعلومة الخاطئة وتكتسب في كل دورة مزيدًا من الشرعية.
الحماية: دليل عملي
🔎 اقرأ المصدر بنفسك
عندما يقترح الذكاء الاصطناعي مقالة أو يستشهد بها، فارجع بنفسك إلى المصدر واقرأه كاملًا، بما يشمل الشكر ومعلومات المؤلفين والتمويل. فلا يمكن للذكاء الاصطناعي أن يحل محل فعل القراءة.
✅ تحقق من DOI والمجلة
تحقق من الوجود الحقيقي لمعرّف DOI لكل مرجع، ومن أن المجلة المذكورة مطبوعة محكّمة ومعروفة. وتذكر أن مسودات ما قبل الطباعة لم تخضع بعد لمراجعة الأقران.
⚠ توخَّ الحذر عند استعمال الذكاء الاصطناعي لمراجعة الأدبيات
يمكن لمراجعات الأدبيات المدعومة بالذكاء الاصطناعي تسريع البحث، لكن لا بد من التحقق من كل مرجع على حدة بدل قبول قوائم المراجع المنتجة بثقة عمياء. فالهلوسة، أي اختلاق مصادر غير موجودة، مشكلة موثقة في جميع النماذج الكبيرة.
🛡 حافظ على مهارة القراءة النقدية
مهما تطورت الأدوات الرقمية، تبقى القدرة على إدراك سياق النص وتناقضاته وأخطائه المنطقية من أثمن وظائف الحكم البشري. وتصبح هذه المهارة أكثر حسمًا في عصر الذكاء الاصطناعي.
🎓 أكاديمية DROZDOGAN — تعليق ومناقشة
الذكاء الاصطناعي والنزاهة العلمية · تقييم
أهمية هذه التجربة
تتميز تجربة Bixonimania بأنها أول دليل مضبوط يوثق هشاشة واقعة فعليًا اليوم، وليس خطرًا مستقبليًا محتملًا. فقد وضع الباحثون أخطاء واضحة عمدًا، ومع ذلك وقعت نماذج الذكاء الاصطناعي ومجلة أكاديمية في الفخ معًا. ويوضح ذلك أن مسألة «هلوسات الذكاء الاصطناعي» لم تعد قلقًا نظريًا، بل تحولت إلى مشكلة عملية تتعلق بسلامة المرضى.
نقاط قوة التجربة
أقوى جوانب الدراسة منهجيًا تصميم الفخ بحيث يجمع قابلية الاكتشاف، كما في مزحة Starfleet، مع قدر كافٍ من الإقناع يجعله غير مكتشف أيضًا. وتثبت هذه البنية المزدوجة أن الخطأ منظومي وليس عارضًا. كما أن وقوع أكثر من نموذج في الفخ نفسه يوضح أن المشكلة لا تخص نموذجًا معينًا. وتكتسب قضية Cureus قيمة كبيرة لأنها توسع الادعاء من سلوك الذكاء الاصطناعي وحده إلى ثغرات النشر الأكاديمي.
القيود والأسئلة المفتوحة
أهم قيود التجربة أن الفخ صُمم عمدًا وعن قصد؛ ففي الواقع لا تحمل المعلومات الزائفة مثل هذه «الرايات» الواضحة، بل قد تكون أكثر إقناعًا وغموضًا بكثير. ولذلك يُرجح أن تبقى تقديرات التجربة متفائلة، وربما يكون الخطر الحقيقي أكبر. وتبقى أيضًا أسئلة بلا إجابة بشأن ما إذا كانت النماذج ستتعلم هذا النمط المحدد مع الوقت، ومدى مقاومتها لأشكال التضليل الأكثر صقلًا.
الانعكاس على الممارسة السريرية والمؤسسية
تحمل هذه النتائج رسالة واضحة لجميع التخصصات الطبية، وفي مقدمتها الأورام: تستطيع أدوات الذكاء الاصطناعي تسريع مراجعة الأدبيات، لكنها لا تلغي مسؤولية التحقق من المصدر. وأصبح من الضروري إضافة طبقات لعمليات تحكيم المجلات الأكاديمية تكشف المحتويات التي أُنتجت بالذكاء الاصطناعي أو استندت إليه. وعلى المستوى المؤسسي، ينبغي جعل التدريب على «الثقافة في الذكاء الاصطناعي» للباحثين مكونًا معياريًا.
أسئلة مستقبلية
من أهم الأسئلة التي تنتظر الإجابة الآن: كم مرجعًا زائفًا مدعومًا بالذكاء الاصطناعي يجري تداوله بالفعل في الأدبيات الأكاديمية، وهل يمكن كشفه بأثر رجعي؟ وإلى أي مدى قد تُحدث حملة تضليل منهجية تتسلل إلى بيانات تدريب النماذج اللغوية الكبيرة ضررًا دائمًا في قاعدة المعرفة الطبية؟ وهل يستطيع ناشرو المجلات إنشاء إطار معياري على مستوى الصناعة لضبط المحتوى القائم على الذكاء الاصطناعي؟ توشك هذه الأسئلة على تصدر أولويات جدول أعمال العلوم الطبية في العقد المقبل.
المراجع العلمية
- Stokel-Walker C. Scientists invented a fake disease. AI told people it was real. Nature News Feature, 2026. doi: 10.1038/d41586-026-01100-y
- Thunström AO وآخرون. تجربة Bixonimania — منهجية المشروع وتحليل استجابات LLM. جامعة غوتنبرغ، 2024–2026.
- Athaluri SA, Murali SV, Kesapragada VSRK et al. Exploring the boundaries of reality: investigating the phenomenon of artificial intelligence hallucination in scientific writing through ChatGPT references. Cureus 2023;15:e37432. doi: 10.7759/cureus.37432
- Bender EM, Gebru T, McMillan-Major A, Shmitchell S. On the dangers of stochastic parrots: can language models be too big? Proceedings of FAccT 2021:610–623.
- Alkaissi H, McFarlane SI. Artificial hallucinations in ChatGPT: implications in scientific writing. Cureus 2023;15:e35179.
أُعدت هذه المقالة باستخدام أدوات تحريرية متنوعة، من بينها الذكاء الاصطناعي ضمن عملية الإعداد. وقد راجعها محررون بشريون قبل نشرها.
هل كان هذا المقال مفيدًا لك؟
تساعدنا ملاحظاتك على تحسين المحتوى.
تعليقات القراء
شارك تعليقك
لا يُنشر اسمك وتعليقك إلا بعد موافقة المسؤول. لا يُعرض بريدك الإلكتروني للزوار مطلقًا.
كن أول من يعلّق.