يقرأ الذكاء الاصطناعي لقطة شاشة لرسائلك، لكنه لا يُحسن قراءتها دائماً

عند لصق لقطة شاشة لمحادثة في إحدى أدوات الذكاء الاصطناعي، تنجح العملية في الغالب: تحدد الأداة من قال ماذا، وتلتقط النكتة، وتكتب رداً معقولاً. أما «في الغالب» فهي الجزء الذي لا يضع له أحد رقماً، وهو ما أركّز عليه هنا، ولا أخلطه بسؤال آخر يتناوله هذا الموقع في مواضع أخرى. فحين تصبح الكلمات أمام النموذج يبدأ نوع آخر من المسائل: تحديد المتحدث عبر تعاقب الأدوار، وتتبّع سؤال لم يجب عنه أحد، وقراءة السخرية. وتتناول ذلك صفحة قراءة الرسالة التي وصلتك والأبحاث التي تقف وراء قراءة المحادثة كاملةً قبل الرد. أما هذا المقال فموضوعه الخطوة التي تسبق ذلك: هل يقرأ النموذج الصورة قراءة صحيحة من الأساس.

أشارك في بناء Subtext، وهو تطبيق لفحص النبرة وكتابة مسودات الردود، ومن مدخلاته لقطة شاشة المحادثة، ولذلك فمن مصلحتي أن يكون الجواب هنا مواتياً. لكن ليس لدي جواب كهذا. وما يلي هو ما استطعت التحقق منه في سؤال أضيق نطاقاً وأقل إطراءً للتطبيق: ما مدى جودة النماذج القادرة على الرؤية اليوم في قراءة لقطة شاشة هاتف بوصفها صورة لا نصاً جاهزاً، وماذا يحدث للقطة الشاشة بعد تسليمها إلى أحد هذه التطبيقات. وكل مصدر أدناه فتحته بنفسي.

والجواب المختصر: نعم في الغالب إن كان النص إنجليزياً واضحاً، وبدرجة أقل متى صغر الخط أو انخفضت دقة الصورة أو لم تكن الكتابة لاتينية، إذ ترتفع عندئذ معدلات الخطأ المنشورة، وترتفع بحدة في الصينية والعربية. ولم يستخدم أي من تلك الاختبارات لقطات شاشة حقيقية لمحادثات، ولم أجد اختباراً واحداً على الوضع الداكن. وقرب النهاية يعرض تشغيلان لتطبيق Subtext على لقطتي شاشة لمحادثتين مرسومتين كيف تبدو قراءة لقطة كهذه في الحالة السهلة، والحالة السهلة وحدها.

قراءة لقطة الشاشة مشكلة صورة قبل أن تكون مشكلة لغة

لقطة شاشة المحادثة صورة من ضوء، لا كتلة نص يستطيع الحاسوب تحليلها أصلاً. وقبل أن يستدل النموذج على ما تقوله الرسالة، عليه أن يحوّل البكسلات إلى حروف تحويلاً صحيحاً، أياً كان الخط والحجم والتباين والتخطيط الذي صادف أن استخدمه تطبيق المراسلة. وهذه الخطوة هي التعرف الضوئي على الحروف (OCR)، ويتولاها نظام الرؤية نفسه الذي يقرأ أي صورة أخرى. ومعظم ما يُقال عن دقة الذكاء الاصطناعي في المراسلة يخص الاستدلال الذي يلي هذه الخطوة، وقلّما يخص الخطوة نفسها.

الأرقام المتاحة

أكثر الاختبارات مباشرة تقييم أُجري عام 2023 لقدرة GPT-4V على التعرف الضوئي على الحروف عبر عدة اختبارات مرجعية¹. ففي نصوص المشاهد الإنجليزية سجّل 88.0% في دقة الكلمات على اختبار CUTE80، وما بين 62.0% و 66.0% على ثلاث مجموعات إنجليزية أصعب، في حين سجّل نظام تعرّف ضوئي متخصص ما بين 68.2% و 98.6% على الاختبارات الأربعة نفسها. وفي نصوص المشاهد الصينية، أي اختبار ReCTS، سجّل GPT-4V صفراً. وفي اختبار آخر متعدد اللغات ضمن الورقة نفسها، بلغت درجة F1 في رصد النصوص 82.49% للإنجليزية و 83.42% للفرنسية، مقابل 16.55% للعربية و 1.36% للصينية. وتقول الورقة بوضوح إن «despite its versatility in handling diverse OCR tasks, GPT-4V does not outperform existing state-of-the-art OCR models» (أي: على الرغم من تعدد استخداماته في مهام التعرف الضوئي المتنوعة، لا يتفوق GPT-4V على نماذج التعرف الضوئي المتقدمة القائمة)، وإنه «showed limitations when dealing with non-Latin languages» (أي: أظهر قصوراً عند التعامل مع اللغات غير اللاتينية)¹.

هذه نتيجة جيل واحد من النماذج، اختُبر على مجموعات بيانات منتقاة لنصوص المشاهد لا على لقطات شاشة مراسلة، ولذلك يحسن عدّها خط أساس للمشكلة العامة لا حكماً على أي تطبيق متاح اليوم. ومع ذلك تبقى أوضح رقم يمكن التحقق منه في مواجهة الادعاء البسيط بأن الذكاء الاصطناعي يقرأ الكتابة غير اللاتينية داخل الصورة بالجودة نفسها التي يقرأ بها اللاتينية. وبحسب هذا الدليل، الأمر ليس كذلك.

ودقة الصورة نفسها مهمة أيضاً. فقد وجدت الورقة ذاتها «a positive correlation between the input image resolution and the recognition performance» (أي: ارتباطاً إيجابياً بين دقة الصورة المُدخلة وأداء التعرف)¹، وهذا يضر باللقطة المضغوطة أو المصغَّرة كثيراً، وهي بالضبط ما تنتجه هواتف كثيرة حين يعيد الناس حفظ الصورة أو مشاركتها، فيقع الضرر قبل أن يقرأ النموذج كلمة واحدة. وقد اختبرت هذه المسألة بدقة أكبر ورقة من عام 2025 أضيق نطاقاً، هي ورقة ما قبل النشر (preprint) لم تخضع للتحكيم، لكن على حروف كانجي يابانية مفردة معروضة بأحجام مضبوطة لا على لقطات محادثات. وكانت النماذج متعددة الوسائط تضاهي طريقة تعرّف ضوئي مخصصة عند نحو 300 بكسل لكل بوصة، لكن «their performance deteriorates significantly below 150 ppi» (أي: يتراجع أداؤها تراجعاً كبيراً دون 150 بكسل لكل بوصة)². ولم أجد اختباراً يبيّن إن كان هذا الحد ينطبق على النص الصغير داخل لقطة شاشة هاتف مضغوطة. أما الاتجاه، وهو أن أداء هذه النماذج يتراجع مع النص الأصغر والدقة الأقل أسرع من تراجع أداء أنظمة التعرف الضوئي المصممة لهذا الغرض، فتتفق عليه ورقتان منفصلتان.

أما الوضع الداكن تحديداً، والنص منخفض التباين عموماً، فلم أجد تقييماً منشوراً يقيس دقة النماذج متعددة الوسائط ويقارنها بنظيراتها في الوضع الفاتح للقطات الشاشة نفسها. وأنظمة التعرف الضوئي التقليدية تعكس الصور الداكنة عادةً قبل معالجتها، لأن انقلاب التباين سبب معروف لأخطاء القراءة في تلك التقنية الأقدم، وهذا يوحي بأن القلق في أصله معقول. ولم يُجرِ أحد الاختبار المماثل على النماذج متعددة الوسائط التي يستخدمها الناس اليوم لقراءة لقطة محادثة، على الأقل في كل ما وجدته، ولذلك لن أذكر رقماً لا أستطيع إسناده.

الإيموجي جزء من الصورة نفسها، والأبحاث عنه تجيب عن سؤال غير الذي يطرحه الناس عادةً. فالمسألة أقل ارتباطاً بقدرة النموذج على معرفة أن الشكل إيموجي، وأكثر ارتباطاً بمعرفة أي إيموجي هو، لأن الرمز نفسه لا يظهر برسم واحد في كل مكان. وتضع Unicode Consortium معياراً للنقطة الرمزية (code point) ولمعناها، لا للرسم، وترسم Apple و Google و Samsung وكل جهة أخرى شكلها الخاص بها³. وفي استطلاع شمل 710 من مستخدمي Twitter كانوا قد نشروا للتو تغريدة تحتوي على إيموجي، كان 25% منهم على الأقل لا يعلمون أن الإيموجي الذي استخدموه قد يبدو مختلفاً على هاتف شخص آخر، وبعد أن أراهم الاستطلاع كيف ظهرت إحدى تغريداتهم فعلاً على منصة أخرى، قال 20% إنهم كانوا سيعدّلونها أو لا يرسلونها أصلاً³. وهذه الفجوة قائمة بين شخصين ينظران إلى الرمز نفسه على هاتفين مختلفين، ولقطة الشاشة تزيد الأمر سوءاً. فالتقاط الشاشة يحوّل ما رسمته منصة المرسل إلى صورة ثابتة، ولا يستطيع النموذج الذي يقرأ هذه الصورة أن يستعيد أي إيموجي كان في الأصل ما لم يكن رسم المنصة نفسه ظاهراً في البكسلات بما يكفي لتمييزه. أما هل يغيّر هذا المزيج، أي الغموض بين المنصات مضافاً إليه ضغط لقطة الشاشة، عدد المرات التي يسمّي فيها النموذج شعوراً خاطئاً خلف إيموجي ما، فهو اختبار لا يبدو أن أحداً أجراه بعد.

حالات إخفاق لا تغطيها صفحات سير العمل هنا

عدد قليل من خصائص المحادثات المحددة يصعّب القراءة الصحيحة، كل منها بطريقته، فوق مشكلة مستوى البكسل المذكورة أعلاه. وبعض ما يلي يستند إلى دراسة، وبعضه وصف بسيط لطريقة عمل الواجهة لا يقف خلفه بحث مخصص، وقد حرصت على الفصل بين الصنفين كي لا يستعير أحدهما وزن الآخر.

المحادثات الجماعية والمحادثات متعددة المشاركين. تمنح لقطة المحادثة بين شخصين النموذج مجموعتين بصريتين يوزّع عليهما الكلام: جانباً وجانباً آخر. أما المحادثة الجماعية فتكسر هذا النمط. إذ قد يتشارك ثلاثة أشخاص أو أكثر لون الفقاعة نفسه، وقد يظهر اسم المرسل فوق أول رسالة في سلسلة متتابعة فقط لا فوق كل سطر بعدها، وقد تكون صورة رمزية مقصوصة هي الإشارة البصرية الوحيدة إلى هوية المتحدث. ولم أجد دراسة تختبر دقة النموذج في نسب الأسطر إلى أصحابها داخل لقطة محادثة جماعية تحديداً. وأقرب الأبحاث يقيس مشكلة قريبة لكنها مختلفة، هي تحديد المتحدث في تفريغات الاجتماعات المكتوبة، لا في فقاعات مصوَّرة، وقد تناول هذا الموقع ذلك الجانب في الصفحة التي تتناول قراءة سلسلة المحادثة كاملةً. وما أورده هنا وصف لآلية المشكلة نفسها في نسختها المصوَّرة، لا نتيجة مختبَرة. وكلما زاد عدد المتحدثين وقلّت الإشارات البصرية لكل سطر، صارت مهمة نسب كل سطر إلى قائله أصعب بداهةً، سواء قاس أحد مقدار صعوبتها أم لم يقسه.

التفاعلات بالنقر والتفاعلات بالإيموجي. إيموجي صغير مثبّت في زاوية فقاعة شخص آخر، قلب أو ضحكة أو إبهام مرفوع، ينطوي على خطرين منفصلين. الأول: هل يستطيع النموذج أصلاً أن يتعرف تعرفاً صحيحاً على هذا الرمز الصغير الذي يتداخل أحياناً مع غيره؟ ولم أجد اختباراً مباشراً لذلك. والثاني: ما معنى التفاعل بعد قراءته قراءة صحيحة، وهذا الجانب درسه الباحثون. فقد وجد تحليل لأكثر من 650,000 رسالة على Telegram تحمل تفاعلات أن التفاعلات الإيجابية هيمنت على الاستجابات، سواء بدت الرسالة الأصلية محايدة أم سلبية، وخلص إلى أن التفاعلات بالإيموجي «do not reliably function as indicators of emotional mirroring or resonance of the content» (أي: لا تصلح مؤشراً موثوقاً على تماهي المشاعر أو على صدى المحتوى)⁴. وهذه عيّنة كبيرة من منصة واحدة ومجال موضوعي واحد، هو القنوات المتصلة بالعملات المشفّرة، وهي ما زالت ورقة ما قبل النشر، ولذلك يحسن التعامل مع الأرقام الدقيقة بوصفها مؤقتة. لكن النقطة المهمة لقارئ لقطات الشاشة تبقى قائمة أياً كانت هذه التحفظات: تسمية إيموجي التفاعل تسمية صحيحة لا تخبر أحداً، نموذجاً كان أم إنساناً، بما يدل عليه التفاعل فعلاً.

الردود المقتبسة وترابط الرسائل. تتيح معظم تطبيقات المراسلة الرد على رسالة سابقة بعينها، فتعرض المقتطف المقتبس في كتلة أصغر وأقل سطوعاً فوق الرسالة الجديدة. وفي لقطة الشاشة تكون هذه المعالجة البصرية، أي الحجم الأصغر واللون الأفتح وأحياناً الخط العمودي، هي الإشارة الوحيدة إلى أن السطر سياق مقتبس، لا رسالة جديدة ممن يبدو من موضعه على الشاشة أن الدور دوره. وإذا قُصّت الصورة بفارق بضعة بكسلات فقد يختفي هذا التمييز. ولم أجد دراسة تقيس عدد المرات التي يحسب فيها النموذج المقتطف المقتبس رسالة جديدة، أو العكس. وهذا نمط إخفاق ميكانيكي معقول، كامن في طريقة تمثيل الواجهة لترابط الرسائل، لا نمط مختبَر.

الرسائل المختفية والعابرة. تصمم تطبيقات المراسلة العابرة رسائلها بحيث لا يبقى لها أثر بعد مشاهدتها، وهذا بالضبط ما تُبطله لقطة الشاشة. وقبل أن يدخل أي سؤال عن الذكاء الاصطناعي في الصورة، كان باحثو التحليل الجنائي الرقمي قد بيّنوا أن الفرضية التي يقوم عليها هذا التصميم أضعف مما يظن المستخدمون. فقد اختبرت دراسة ميزات الرسائل المختفية في WhatsApp و Snapchat و Telegram مباشرة، واستعادت محتوى يُفترض أنه محذوف من بيانات الجهاز ومن النسخ الاحتياطية السحابية، في عدة سيناريوهات من تلك التي اختبرتها الدراسة⁵. وهذه نتيجة عن المنصات، لا عن قراءة الذكاء الاصطناعي للقطة شاشة منها، ولا تقيس شيئاً عن دقة أي نموذج. لكن ما تثبته، بمعزل عن أي ذكاء اصطناعي، هو أن لقطة الشاشة ليست الطريق الوحيد الذي يبقى به المحتوى العابر بعد موعد حذفه المفترض. أما احتمال أن يترك التمويه الذي يضعه التطبيق على الشاشة، أو تنبيه التقاط لقطة الشاشة، عيوباً بصرية قد يحسبها النموذج محتوى، فهو مرة أخرى قلق معقول، ولم أجد دراسة مخصصة له.

الملصقات. ينقل الملصق معناه بالوضعية والتعبير أكثر مما ينقله بالكلمات، وهذا يجعل قراءته أصعب على الآلة، وعلى البشر أيضاً كما تبيّن. ففي دراسة تناولت خمس مجموعات نقاش طلابية استخدمت الملصقات في محادثات مشاريع حقيقية، وأُجريت فيها مقابلات مع سبعة من المشاركين عن استخدامهم الخاص للملصقات، وُجد تباين بين ما قصده المرسل وما فهمه المتلقّي في 34.7% من الملصقات المفحوصة، وكان السبب الرئيسي غموض تعابير الوجه والجسد في الرسم نفسه⁶. وهذه دراسة صغيرة نوعية على فئة واحدة، هي طلاب جامعيون في مؤسسة آسيوية واحدة، وتقيس سوء القراءة البشري لا سوء قراءة النموذج. ومع ذلك فهي دليل حقيقي على أن الملصق إشارة غامضة حتى بين أشخاص يعرف بعضهم بعضاً، وهذا يضع سقفاً منخفضاً لما يُتوقع من أي قارئ، بشراً كان أم آلة، إذا لم يكن بين يديه غير الصورة.

التبديل اللغوي (code-switching) في منتصف المحادثة. الانتقال بين لغتين داخل رسالة واحدة، أو بين رسائل المحادثة نفسها، شائع في المراسلة بلغتين أو أكثر، وهو حالة صعبة موثّقة للنماذج اللغوية عموماً. وتقول مراجعة استعراضية للمجال صدرت عام 2025 بوضوح إن «most LLMs still struggle with mixed-language inputs» (أي: ما زالت معظم النماذج اللغوية الكبيرة تواجه صعوبة مع المدخلات المختلطة اللغات)⁷، من غير أن تقدّم رقماً يمكن نقله بسلاسة إلى لقطة شاشة فيها لغتان داخل فقاعة كلام واحدة. ولم أجد دراسة تعزل التبديل اللغوي بوصفه مشكلة قراءة لقطات شاشة تحديداً، بخلاف مشكلة النصوص المتعددة اللغات الأوسع التي تصفها المراجعة. ويحسن التعامل مع هذا بوصفه صعوبة حقيقية وموثّقة في التقنية الأساسية، مطبَّقة هنا على حالة لم يختبرها أحد مباشرة بعد.

ما تقوله ثلاثة تطبيقات عن لقطتك بعد رفعها

ليس Subtext التطبيق الوحيد المصمم لقراءة لقطة محادثة، والمقارنة المفيدة هي ما تقوله وثائق كل تطبيق الحالية عمّا يجري للملف المرفوع، لا ما يوحي به تسويقه. تناولت المجال الأوسع لأدوات الكتابة بالذكاء الاصطناعي في مقال منفصل، أما هنا فتحققت من ثلاثة منتجات وردت فيه، بالرجوع إلى صفحات الخصوصية الخاصة بها، لسؤال ضيق واحد: مدة الاحتفاظ، والحذف، والاستخدام في تدريب نموذج.

يبدو أن تطبيق Keys AI Texting Coach لم يعد متاحاً. وقد طورته شركة Charmed Inc. لقراءة لقطات الشاشة وتقديم نصائح في المواعدة والمراسلة. فخدمة البحث iTunes Lookup لدى Apple نفسها لا تعيد أي نتيجة لصفحته في App Store (معرّف التطبيق 1510154956) في 27 سبتمبر 2026⁸، ونطاقه المعروف على الويب يحوّل كل مسار فيه، بما في ذلك المسار الذي كان يحمل سياسة الخصوصية، إلى صفحة ركن النطاق (domain parking). ولم أستطع العثور على سياسة خصوصية حالية لهذا التطبيق عبر أي قناة. وأياً كان ما قاله يوماً عن التعامل مع لقطات الشاشة، فلا أستطيع التحقق منه اليوم، ولا أعيد بناء ادعاء من صفحة لم تعد تُحمَّل.

أما Mei، وهو تطبيق الرسائل الافتراضي على Android ويضم ميزة اقتراحات اختيارية بالذكاء الاصطناعي، فتنص شروطه الحالية، المعدّلة آخر مرة في 3 أكتوبر 2023 والتي فُحصت في 27 سبتمبر 2026⁹، على أن محتوى الرسائل، بما فيه «images, photos, audio or videos» (أي: الصور والصور الفوتوغرافية والمقاطع الصوتية أو المرئية)، يُخزَّن على خوادمه «for the sole purpose of communication» (أي: لغرض التواصل وحده)، وأنه «used by us in no other way» (أي: لا نستخدمه نحن في أي غرض آخر). وتذكر الوثيقة نفسها في موضع آخر، وهي تصف ما تتلقاه ميزة الاقتراحات فعلاً، أن آخر 20 رسالة تُرسل إلى الذكاء الاصطناعي سياقاً تشمل «emojis, reactions, and URLs» (أي: الإيموجي والتفاعلات والروابط)، لكن «messages with attachments, voice messages, and images aren’t collected» (أي: لا تُجمع لهذا الغرض الرسائل ذات المرفقات ولا الرسائل الصوتية ولا الصور). وبقراءة المقطعين معاً، تقول وثائق Mei نفسها إن ميزة الاقتراحات بالذكاء الاصطناعي فيه لا تعالج محتوى الصور أبداً، ومنها لقطات الشاشة. أما بند التخزين المتعلق بالصور فيخص إيصال الرسائل العادي داخل التطبيق، لا أي شيء يُرسل إلى الذكاء الاصطناعي.

أما المساعد الاختياري المنفصل، الذي لا يُفعَّل إلا بموافقة المستخدم، فيعمل بطريقة مختلفة: فحين يشغّله المستخدم يرفع Mei قاعدة بيانات رسائل SMS و MMS في الجهاز كاملة، بما فيها نص كل رسالة، إضافة إلى أرقام الهواتف بعد تجزئتها (hashed) وأسماء جهات الاتصال، وتنص السياسة على أن هذه البيانات «used for training AI models» (أي: تُستخدم في تدريب نماذج الذكاء الاصطناعي). ولا يذكر هذا البند لقطات الشاشة أو الصور تحديداً، لكنه يتعلق بالتدريب على نص الرسائل عموماً، لا على البيانات الوصفية لجهات الاتصال وحدها.

أما سياسة الخصوصية في ConfiText، السارية اعتباراً من 10 فبراير 2026 والتي فُحصت في 27 سبتمبر 2026¹⁰، فلا تتناول إلا «text you enter in the App» (أي: النص الذي يُدخله المستخدم في التطبيق)، ولا تذكر الصور الفوتوغرافية أو غيرها من الصور أو لقطات الشاشة في أي موضع من أقسامها التسعة. ويصف موقعه التسويقي نفسه طريقة إدخال واحدة فقط، هي لصق رسالة كتبها المستخدم أصلاً، ولا تظهر في الصفحة أي ميزة لرفع لقطة شاشة أو صورة. وفي الوضع الراهن لا يبدو أن سؤال الاحتفاظ ينطبق على ConfiText. فالمنتج، بحسب موقعه الحالي، لا يقبل لقطة الشاشة مدخلاً من الأساس.

والحصيلة عبر التطبيقات الثلاثة: تطبيق لم يعد يبدو موجوداً، وتطبيق تستثني وثائقه نفسها الصور مما يقرؤه ذكاؤه الاصطناعي فعلاً لكنه يدرّب على نص الرسائل حين يفعّل المستخدم مساعده، وتطبيق لا يقبل لقطة شاشة أصلاً. وهذا لا يحسم كيف ينبغي لتطبيق يقرأ لقطات الشاشة أن يتعامل مع الاحتفاظ بها. لكنه يعني أن مقارنة سياسات ثلاثة منافسين مسمّين في ما يخص لقطات الشاشة أسفرت عن اتفاق أقل، وعن انطباق أقل، مما كان يُفترض عند الانطلاق.

حذف البيانات الوصفية: حس سليم لا نتيجة مقيسة

قد تحمل كل صورة تلتقطها كاميرا هاتف بيانات EXIF المضمّنة في الملف: طراز الجهاز والطابع الزمني وأحياناً الموقع. والنصائح التي تدعو إلى حذف هذه البيانات قبل مشاركة الصورة منتشرة في كل مكان على الإنترنت. وقد بحثت عن دراسة مضبوطة تقيس هل يؤدي حذف هذه البيانات، أو تغطية محتويات لقطة الشاشة المرئية يدوياً، إلى انخفاض يمكن قياسه في الضرر الفعلي بالخصوصية، في مقابل انكشاف نظري لا تغلقه التغطية إلا على الورق. ولم أجد دراسة كهذه. وكل ما هو موجود كتابات وصفية في مجال الأمن تشرح الحقول الموجودة وطريقة حذفها، لا تجربة تقارن النتائج بين من حذفوا البيانات الوصفية ومن لم يحذفوها. ويحسن التعامل مع النصيحة بوصفها معقولة وغير مختبَرة، لا حماية مقيسة.

أما ما يفعله Subtext نفسه بالبيانات الوصفية للقطة الشاشة، فقد قرأت تعليمات النظام وتعريفات الأدوات في خلفيته البرمجية مباشرة، في الملف functions/src/subtext_prompts.ts الذي تشترط قواعد هذا الموقع نفسها الرجوع إليه قبل أي ادعاء عن المنتج. ولا يوجد في ذلك الكود ما يقرأ البيانات الوصفية لملف لقطة الشاشة أو يحذفها أو يفحصها أو يمسّها بأي شكل آخر. ويسلّم Subtext الصور إلى النموذج الأساسي القادر على الرؤية بوصفها مدخلاً بصرياً، كما يسلّم أي صورة أخرى، ولا تظهر خطوة منفصلة لمعالجة البيانات الوصفية في أي موضع من التعليمات أو تعريفات الأدوات التي قرأتها. وأذكر هذا بوصفه غياباً لا ميزة. فلم أجد دليلاً على أن Subtext يفعل شيئاً بالبيانات الوصفية للقطة الشاشة، في أي من الاتجاهين، ولا أدّعي قدرة لا يُظهرها الكود. كما لا يوجد تقييم مستقل لمدى دقة قراءة Subtext نفسه للقطة الشاشة، وهي الفجوة نفسها التي تمتد عبر كل تطبيق ذُكر أعلاه. أما ما تؤكده سياسة الخصوصية، وما تذكره صفحتا سير العمل في هذا الموقع، فهو القاعدة العامة المنطبقة على كل مرفق بما فيه لقطة الشاشة: تُحذف المحادثة وكل ما أُرفق بها تلقائياً بعد خمسة أيام من آخر استخدام، أو بعد تسعين يوماً إذا كانت مثبَّتة، ولا يُستخدم أي شيء يُرفع في تدريب نموذج ذكاء اصطناعي.

لقطتا شاشة عبر Subtext: الحالة السهلة

لا شيء مما سبق يُعدّ اختباراً لتطبيق Subtext، ولا هذا القسم. هو تشغيلان أُجريا في 13 أكتوبر 2026 على النوع الذي يشير كل ما سبق إلى أنه الأسهل بين لقطات الشاشة: محادثة بين شخصين، في الوضع الفاتح، بخط كبير، بلا إيموجي ولا تفاعلات ولا ردود مقتبسة، مع فارق واحد: الأولى بالعربية، وهي من الكتابات التي تنخفض عندها الأرقام المنشورة. والمحادثتان مختلقتان ورُسمتا خصيصاً لهذين التشغيلين. وما كتبه التطبيق رداً هو ناتجه الحقيقي.

لقطة الشاشة الأولى، وطابعها الزمني اليوم الساعة 18:42، محادثة بالعربية مع Dana. تسأل فيها Dana هل ما زال عشاء الجمعة قائماً، وبعد ردّ قصير من صاحب الهاتف تقول إنها حجزت في Luigi’s على الساعة 7:30، وتسأل هل يمكن أن ينضم Tom، وتطلب، بلا استعجال، الكتاب الذي أعارته. وأُدخلت اللقطة مع الطلب «اكتب رد قصير ولطيف». ولم يكتب Subtext رداً، بل سأل أولاً. قال «دانا سألتك سؤالين ما أعرف جوابهم»، وإنه يسألك أولاً «عشان ما أخمّن عنك»، ثم طرح ثلاثة أسئلة، وضع تحت اثنين منها أجوبة جاهزة للنقر.

جاء السؤال الأول «هل عادي عندك إن Tom يجي معكم؟»، وتحته ثلاثة أجوبة جاهزة، أولها «أكيد، يجي» وآخرها «أفضّل نكون إحنا بس». وجاء الثاني «بالنسبة للكتاب، بتجيبه معك يوم الجمعة؟»، وتحته ثلاثة أجوبة جاهزة أيضاً، أحدها «لسا ما خلصته». أما الثالث، «في شي ثاني تحب تقوله لدانا؟»، فمفتوح بلا أجوبة جاهزة، ويقترح فيه التطبيق مثلاً «شكر على الحجز أو حماس للعشا». فبقي من أسئلة Dana سؤالان بلا جواب، وسأل التطبيق عنهما ثم أضاف سؤالاً ثالثاً. ولم تكن هناك مسودة، فلم يظهر وسم ولا شعور ولا صياغات ولا شارات. وهذه مخرجات التطبيق الفعلية دون أي تعديل.

وكل ما أعاده التطبيق من هذه اللقطة العربية يطابق الصورة: أن Dana هي التي سألت، وأن السؤالين اللذين بقيا بلا جواب هما انضمام Tom والكتاب، وأن سؤالها عن العشاء كان قد أُجيب عنه فلم يسأل عنه، وأن العشاء يوم الجمعة، وأنها هي التي حجزت.

أُدخلت لقطة الشاشة الثانية مع مسودة مكتوبة بدلاً من طلب. وفيها تلغي Priya موعد الخميس وتَعِد بالأسبوع المقبل. واليوم، بعد أن سُئلت هل ما زال موعد الليلة قائماً وقد حُجزت طاولة على الساعة 8، تلغي مرة ثانية وتسأل: «Can we do next week instead?‎» (أي: هل يمكن أن نؤجل إلى الأسبوع المقبل بدلاً من ذلك؟). وكانت المسودة «Sure, no worries. Whenever you have time.‎» (أي: طبعاً، لا مشكلة. في أي وقت يناسبك).

وعلّم Subtext الكلمات «Whenever you have time» (أي: في أي وقت يناسبك)، وأعاد الوسمين «Passive-aggressive» (عدواني سلبي) و «Mixed messages» (رسائل متضاربة)، وكلمة الشعور «Disappointment» (خيبة الأمل). ويقول تعليل الوسم الأول إن العبارة «can read as a quiet jab after a repeated cancellation, since it suggests Priya hasn’t made time‎» (أي: قد تُقرأ على أنها لمزة هادئة بعد إلغاء متكرر، لأنها توحي بأن Priya لم تخصص وقتاً). ويقول تعليل الوسم الثاني إن الصياغة المفتوحة «is vague and doesn’t answer her question about next week‎» (أي: غامضة ولا تجيب عن سؤالها بشأن الأسبوع المقبل). ونص صياغته الأولى هو «Sure, no worries. Next week works for me. Let me know which day suits you.‎» (أي: طبعاً، لا مشكلة. الأسبوع المقبل يناسبني. أخبريني أي يوم يناسبك).

ويستند الوسمان كلاهما إلى الصورة لا إلى المسودة وحدها: الاسم، وكون هذا إلغاءً ثانياً، والسؤال المتروك مفتوحاً في آخر المحادثة. فعلى لقطتين نظيفتين، إحداهما بالعربية، كل تفصيل أعاده Subtext من الصورة يطابقها. ولا يقول التشغيلان شيئاً عن الخط الصغير أو الصورة المضغوطة، وهنا تنخفض الأرقام المنشورة، ولا عن الوضع الداكن أو المحادثة الجماعية، وهما ما لم يقسه أحد. واللقطة العربية واحدة ونظيفة وبخط كبير، فلا تنقض ما أظهرته الأرقام المنشورة عن العربية ولا تؤكده.

الحصيلة

بعيداً عن التشغيلين، وبجمع الأقسام الأربعة السابقة، تبدو الصورة متفاوتة، وهذا التفاوت من طبيعة المسألة لا من محض المصادفة. والجزء الوحيد الذي له رقم دقة حقيقي قابل للتحقق، أي أداء التعرف الضوئي العام داخل نموذج الرؤية، نتائجه متباينة: قوية مع الإنجليزية، وأضعف بوضوح مع الكتابة غير اللاتينية ومع النص المصوَّر بدقة منخفضة، وقد اختُبرت على اختبارات مرجعية منتقاة لا على لقطات محادثات فعلية. وتستند أربع من حالات الإخفاق الإضافية الست أعلاه إلى أبحاث حقيقية في سؤال مجاور: ما الذي يدل عليه التفاعل فعلاً بعد قراءته قراءة صحيحة، ومدى موثوقية محو التطبيقات العابرة للمحتوى من الأساس، وعدد المرات التي يسيء فيها الناس قراءة ملصقات بعضهم بعضاً، ومدى تعثر النماذج اللغوية عموماً مع النص المختلط اللغات. ولم تختبر أي من هذه الدراسات الأربع الحالة بعينها: نموذج يقرأ ذلك من لقطة شاشة. أما الحالتان الأخريان، وهما نسب الأسطر في المحادثات الجماعية والخلط بين الردود المقتبسة، فلا بحث وراءهما إطلاقاً، لا مجاور ولا غير مجاور، وإنما وصف لآلية عمل الواجهة. وأسفر فحص المنافسين عن مادة للمقارنة أقل مما كان يُفترض: تطبيق اختفى، وتطبيق تستثني وثائقه نفسها الصور من ميزة الذكاء الاصطناعي فيه، وتطبيق لم يقبل لقطات الشاشة أصلاً. أما مسألة البيانات الوصفية فتبيّن أنها نصيحة يكررها الجميع ولا يبدو أن أحداً قاسها.

لا يعني شيء من هذا أن النموذج الذي يقرأ لقطة شاشتك غير موثوق في الاستخدام العام. فأكبر دراسة هنا وأكثرها مباشرة قاست مع ذلك نموذجاً يقرأ معظم نصوص المشاهد الإنجليزية قراءة صحيحة. وما يعنيه هو أن الادعاء المحدد، القائل إن نموذج الرؤية يقرأ لقطة المحادثة بالموثوقية نفسها التي يقرأ بها النص المكتوب العادي، له استثناءات حقيقية مقيسة، بعضها كبير، وتوجد إلى جانبها حالات صعبة عدة لم يقسها أحد أصلاً.

هذا هو الوضع اليوم. وليس Subtext سوى تطبيق آخر يفعل هذا، لم يجرِ التحقق منه أكثر ولا أقل مما جرى مع بقية التطبيقات أعلاه.

جرى التحقق من المصادر في 27 سبتمبر 2026. وأُجريت تشغيلات Subtext في 13 أكتوبر 2026.

المصادر

1. Shi, Peng, Liao, Lin, Chen, Liu, Zhang and Jin (2023). Exploring OCR Capabilities of GPT-4V(ision): A Quantitative and In-depth Evaluation. arXiv. اختبارات مرجعية للتعرف الضوئي على نصوص المشاهد والمستندات على جيل واحد من نماذج 2023، لا على لقطات شاشة المراسلة.
2. Inoue (2025). Context-Independent OCR with Multimodal LLMs: Effects of Image Resolution and Visual Complexity. arXiv. ورقة ما قبل النشر لمؤلف واحد. تختبر 100 حرف كانجي ياباني معزول بحجم خط ودقة مضبوطين، لا لقطات محادثات.
3. Miller Hillberg, Levonian, Kluver, Terveen and Hecht (2018). What I See is What You Don’t Get: The Effects of (Not) Seeing Emoji Rendering Differences across Platforms. Proceedings of the ACM on Human-Computer Interaction, CSCW. استطلاع شمل 710 من مستخدمي Twitter عن تغريداتهم الخاصة المحتوية على إيموجي، لا اختبار لنموذج يقرؤها.
4. Tardelli, Alvisi, Cima, Cresci and Tesconi (2025). Emoji Reactions on Telegram: Unreliable Indicators of Emotional Resonance. arXiv. ورقة ما قبل النشر. أكثر من 650,000 تفاعل على رسائل Telegram المتصلة بالعملات المشفّرة، منصة واحدة ومجال موضوعي واحد.
5. Heath, MacDermott and Akinbi (2023). Forensic analysis of ephemeral messaging applications: Disappearing messages or evidential data? Forensic Science International: Digital Investigation. تختبر سلوك الحذف في WhatsApp و Snapchat و Telegram نفسها، لا قراءة الذكاء الاصطناعي للقطة شاشة.
6. Tang, Hew, Herring and Chen (2021). (Mis)communication through stickers in online group discussions: A multiple-case study. Discourse & Communication. خمس مجموعات نقاش وسبعة أشخاص أُجريت معهم مقابلات في جامعة واحدة؛ تقيس سوء القراءة البشري لا سوء قراءة نموذج.
7. Sheth, Sinha, Patil, Beniwal and Singh (2025). Beyond Monolingual Assumptions: A Survey of Code-Switched NLP in the Era of Large Language Models across Modalities. arXiv. ورقة ما قبل النشر استعراضية، من دون اختبار خاص بلقطات الشاشة.
8. Apple. iTunes Lookup API result for Keys AI Texting Coach, app id 1510154956، جرى التحقق في 27 سبتمبر 2026. لم تُرجع الخدمة أي نتيجة؛ ويبدو أن التطبيق لم يعد مدرجاً.
9. Mei. Terms of Service and Privacy Policy، آخر تعديل في 3 أكتوبر 2023، جرى التحقق في 27 سبتمبر 2026.
10. ConfiText. Privacy Policy، سارية اعتباراً من 10 فبراير 2026، جرى التحقق في 27 سبتمبر 2026.