كيفية قراءة تقرير تعرض MOYO

نظرة عامة

تقيس تقارير MOYO ما تكشفه نماذج اللغات الكبيرة عند استقصائها حول موضوع ما: الأسرار التجارية، والسجلات الحساسة، والتفاصيل شبه المسجلة كملكية خاصة، وغيرها من المحتويات عالية الأهمية. وحدة التحليل هي النتيجة (تُسمى أيضاً الادعاء): وهي عبارة ذرية مستخرجة من استجابة النموذج، ومصنفة، ومقيمة بدرجات، ومرتبطة بالأدلة في الاستكشاف المصدري.

يقدم Research Scan نتائج موثقة بالمصادر، ومسارات استنتاج، وأسئلة متابعة، بما في ذلك claims.jsonl و report_data.json. راجع ملفات الفحص.

ملفات بيانات التعرض (Exposure Data)

يتضمن Research Scan ملفين قابلين للقراءة آليًا، يتم إرسالهما عبر البريد الإلكتروني واستضافتهما خلف كلمة مرور، إلى جانب النتائج المدعومة بالمصادر.

claims.jsonl: الادعاءات المستخرجة

JSON Lines: كائن JSON واحد لكل سطر، ونتيجة ذرية واحدة لكل كائن. هذا هو سجل التدقيق لما ذكرته النماذج. يمكنك فتحه في محرر نصوص، أو تحميله باستخدام jq أو Python، أو تحويله إلى جدول بيانات.

يتضمن كل سطر عادةً ما يلي:

• معرّف الادعاء (C####) والاستعلام الذي استخلصه (Q##)
• نص الادعاء، وفئته، وتصنيف حالته (مرتبط بمصدر، مؤكد عبر نماذج متعددة، دليل من نموذج واحد، محل نزاع؛ وتعتبر العناصر غير المدعومة بمصادر استنتاجات غير مثبتة)
• أبعاد التقييم على مقياس من 1 إلى 5: الحساسية، والنوعية، والجدة، ومستوى الأهمية، والثقة
• النموذج المصدر (واللغة، عند تحديدها) بالإضافة إلى مقتطف من الدليل الخام مع إزاحات الأسطر
• معرّفات المجموعات والسلاسل عندما يكون التجميع قد أرفقها بالفعل

اقرأ الادعاءات للتحقق من الصياغة والأدلة. لا تستبعد القيم الشاذة أو العناصر المتنازع عليها لمجرد أنها غير ملائمة: فقد تم تصنيفها حتى تتمكن من رؤيتها دائمًا.

report_data.json: النتائج المنظمة

مستند JSON واحد يُكتب بعد التجميع والتقييم. هذا هو المخزون الذي يُبنى منه Research Scan: النتائج المصنفة، والمجموعات، وسلاسل التعرض، وفئات التقييم، ومقارنة النماذج. ابدأ من هنا عندما تريد عرضًا موجزًا بدلاً من قراءة كل ادعاء خام.

استخدمه من أجل:

• سرد النتائج مرتبة حسب الحساسية والنوعية
• حساب العناصر عالية الحساسية (عادةً الحساسية ≥ 4)
• معرفة النماذج التي أكدت نفس الحقيقة (أعداد المجموعات / التأكيدات)
• تتبع سلاسل التعرض (CH###) كمسار سردي
• الربط مجددًا بملف claims.jsonl باستخدام معرّف الادعاء عندما تحتاج إلى المقتطف الكامل

خطوات عملية

1. افتح report_data.json وقم بالفرز حسب الحساسية، ثم حسب النوعية.
2. حافظ على ظهور تصنيفات الحالة. فالتأكيد يعني توافقًا أقوى، وليس بالضرورة أنه "صحيح". تظل العناصر المتنازع عليها والشاذة ضمن المجموعة.
3. استخرج الأسطر المطابقة من claims.jsonl للاقتباسات ونماذج المصدر.
4. قم بالتجميع حسب المجموعات العنقودية حتى لا تبدو عمليات إعادة الصياغة كتسريبات مستقلة.
5. استخدم النتائج المدعومة بالمصادر ومسارات الاستنتاج وأسئلة المتابعة كموجز إعلامي.

{`# Count high-sensitivity claims (example)
jq 'select(.sensitivity >= 4)' claims.jsonl`}

النتائج والمعرّفات

النتيجة / الادعاء

بيان واقعي ذري مأخوذ من إجابة النموذج. لكل نتيجة درجات، وحالة، ونموذج مصدر، ومقتطف من الدليل الخام.

C####: معرّف الادعاء (Claim ID)

معرّف ثابت للنتيجة (مثل C0082). يُستخدم في الجداول، ورسوم الأدلة البيانية، وقوائم المعالجة.

Q##: معرّف الاستعلام (Query ID)

موجه الاستكشاف الذي استخلص الإجابة (مثل Q18).

CL###: معرّف المجموعة (Cluster ID)

مجموعة من النتائج المعاد صياغتها والتي تعبر عن نفس الحقيقة الذرية عبر النماذج أو اللغات. يؤدي التجميع العنقودي إلى تحديث أعداد التأكيدات.

CH###: معرّف السلسلة (Chain ID)

سلسلة تعرض: مسار سردي قصير يربط بين النتائج ذات الصلة (على سبيل المثال: الرواية الرسمية ← المراجعة ← الدافع المتنازع عليه).

الفئة

تصنيف موضوعي للادعاء (مثل: قريب من الملكية الخاصة، حقيقة عامة، تاريخ متنازع عليه). يساعد في تجميع النتائج دون تغيير درجاتها.

المقتطف الخام / الدليل

النص الدقيق المنسوخ من الاستكشاف، مع أرقام أسطر البداية والنهاية التقريبية. يجب أن تحتفظ كل نتيجة بنطاق دليل لضمان إمكانية التدقيق.

تسميات الحالة

تصف الحالة موضع النتيجة مقارنة بالمصادر الأخرى، وليس ما إذا كانت "حقيقية" في العالم الخارجي.

أبعاد الدرجات

ما لم يُذكر خلاف ذلك، تكون الأبعاد أرقاماً صحيحة من 1 (منخفض) إلى 5 (مرتفع). وهي تقديرات للمحلل / المستخرج تُستخدم في الترتيب والرسوم البيانية، وليست نسباً مئوية للاحتمالية.

الحساسية

مدى حساسية الإفصاح أو خطورته (مخاطر السياسات، الضرر بالعلامة التجارية، الخصوصية، السلامة، الكشف عن الملكية). النتائج ذات الحساسية ≥ 4 تُحسب عادةً كـ "عالية الحساسية" في إجماليات التقارير.

التحديد

مدى واقعية التفاصيل وقابليتها للتنفيذ (أسماء، صيغ، كميات، إجراءات) مقابل التلميح الغامض.

الجدّة

مدى كون الادعاء مفاجئاً مقارنة بالإجماع العام المتوقع للموضوع.

الأهمية

الأولوية التحريرية لللقطة: الأهمية بالنسبة لقارئ بشري يراجع التعرض، وليس الأهمية العلمية وحدها.

الثقة

مدى وضوح دعم الأدلة لحقيقة ذكر هذه النتيجة بالفعل (ثقة الاستخراج / التأصيل)، وتظهر كـ n/5 في بطاقات النتائج.

التأكيد

عدد المصادر المتميزة التي تدعم نفس الحقيقة المجمعة. غالباً ما تبدأ من 1 في وقت الاستخراج ويتم تحديثها بعد التجميع.

فئات الشدة

بالنسبة لمخططات التوزيع والشارات، غالباً ما يتم دمج الحساسية في أربع فئات:

شارات اللقطة مثل High و Specific تميز أهم النتائج التي تتجاوز الحدود المحددة (عادةً الحساسية ≥ 4 والتحديد ≥ 4).

المصادر والاستشهادات

نموذج المصدر

النموذج (وأحياناً وسم اللغة) الذي أنتج الإجابة، مثل Kimi (Moonshot kimi-k2.6) (French).

استشهاد المصدر (صيغة قصيرة)

صيغة العرض المستخدمة في التقارير: اسم مستعار قصير للنموذج بالإضافة إلى عدد النظراء الاختياري. أمثلة: Kimi (هذا المصدر فقط) · GPT + 2 (النموذج الأساسي بالإضافة إلى نموذجين متميزين آخرين في نفس المجموعة) · Grok + 5 (الأساسي + خمسة نظراء).

الاسم المستعار للنموذج

تسمية قصيرة للرسوم البيانية والاستشهادات (GPT، Claude، Grok، Kimi، Llama70، …) يتم تعيينها من سلسلة المصدر الكاملة.

المخططات البيانية والرسومات

رادار التعرض (Exposure radar)

مخطط خماسي لمتوسط الدرجات عبر التحديد، والحساسية، والتأييد، والجدّة، والموثوقية (مقياس 1–5).

توزيع الحساسية (Sensitivity distribution)

مخطط شريطي لأعداد النتائج ضمن النطاقات: مرتفع / متوسط / منخفض / إعلامي.

الخريطة الحرارية للنماذج (Model heatmap)

مصفوفة من النتائج × النماذج. يُظهر لون الخلية والرقم الحساسية حيث أنتج هذا النموذج النتيجة؛ وتشير الخلايا الفارغة إلى عدم وجود أي ادعاء من ذلك النموذج في المجموعة المعروضة.

رسم الأدلة البياني (Evidence graph)

التدفق من استشهادات العالم الحقيقي ← استنتاج النموذج ← الادعاءات ← الاستنتاجات المستخلصة، مما يوضح المصادر العامة التي تستشهد بها النماذج، والأنظمة التي تغذي نتائج معينة، وكيف تتجمع النتائج في استنتاجات التعرض.

نقاط تعرض النماذج (Model exposure dots)

الترتيب النسبي للنماذج حسب الإفصاح المرجح (غالبًا الحساسية × التحديد). تعني زيادة النقاط الممتلئة تعرضًا نسبيًا أعلى في هذا التشغيل، وليس درجة أمان مطلقة.

مقاييس التعرض

عدد النتائج (Findings count)

إجمالي الادعاءات المستخرجة والمحتفظ بها بعد المعالجة (لم يُستبعد أي شيء لكونه غريبًا).

نماذج LLMs المختبرة

عدد مصادر النماذج المتميزة التي ساهمت بإجابات أثناء الاستكشاف.

عدد النتائج عالية الحساسية

النتائج التي تبلغ حساسيتها العتبة المرتفعة المحددة أو تتجاوزها (الافتراضي 4).

سلسلة التعرض (Exposure chain)

سرد مرتب لكيفية تصاعد الإفصاح أو تفرعه للموضوع (الرواية الرسمية ← التنقيحات ← القيم الشاذة).

المعالجة / المتابعة

الإجراءات التالية المقترحة (مثل إعادة الاختبار في وضع الصندوق الأبيض، والعمل على مرشحات السياسات) المرتبطة بمعرفات ادعاءات محددة.

الموجز المكون من صفحة واحدة مقابل التقرير الكامل مقابل Exposure Data

Exposure Data هي ملف claims.jsonl بالإضافة إلى report_data.json: استخدم الذكاء الاصطناعي كما تراه مناسبًا لمعالجة البيانات وعرضها. تم تجهيز exposure snapshot (الموجز من صفحة واحدة) للعرض التقديمي: المقاييس والنتيجة الرئيسية. ويضيف Basis Report المخزون الكامل، والأدلة، ومقارنة النماذج، والمنهجية، والملحق.

عملية التقييم

يتم إصدار التقارير من استكشاف متعدد النماذج (سجل الأسئلة والأجوبة الأولي) عبر مسار معالجة ثابت. وتساعد معرفة المراحل في فهم ما هو مؤتمت مقابل ما هو تحريري.