بناء بوت (Bot) لمراجعة جودة المقال بناءً على معايير Google E-E-A-T

بناء بوت ذكي لمراجعة المقالات قبل النشر لم يعد رفاهية، بل أصبح طبقة أساسية في أي سير عمل حديث يهتم بجودة المحتوى، الامتثال لمتطلبات الإعلانات، وتحسين فرص الظهور العضوي. عندما نفكر في معايير Google E-E-A-T فنحن لا نتحدث عن عامل تقني مباشر في الترتيب فقط، بل عن إطار تقييم شامل يقيس الخبرة، التجربة، الموثوقية، والسلطة المعرفية داخل النص.

الفكرة العملية هنا هي تصميم بوت يقرأ المقال، يحلله على مستويات متعددة، ثم يعيد تقريراً منظماً يتضمن نقاط القوة، الثغرات، والتوصيات القابلة للتنفيذ. هذا النوع من الأتمتة يصبح أقوى بكثير عند دمجه مع مقدمة في OpenAI API وGemini API للمطورين، ومع منهجية إخراج منظم كما في كيفية كتابة “Prompt” برمجي للحصول على نتائج ثابتة (JSON).

ما الذي يعنيه تقييم المقال وفق E-E-A-T عملياً؟

كثيرون يختزلون E-E-A-T في فحص أسلوب الكتابة فقط، لكن البوت الجيد يجب أن يترجم هذا المفهوم إلى مؤشرات قابلة للقياس. على سبيل المثال: هل توجد أدلة على خبرة عملية؟ هل المقال يشرح خطوات قابلة للتطبيق؟ هل الإدعاءات مدعومة بسياق واضح؟ وهل اللغة توحي بالثقة أم بالإنشاء العام؟

لذلك من الأفضل تقسيم التقييم إلى طبقات حتى لا تكون النتيجة انطباعية. يمكن للبوت احتساب إشارات بنيوية من النص نفسه، ثم استخدام نموذج ذكاء اصطناعي لإنتاج حكم نوعي أكثر عمقاً.

أهم المحاور التي يجب أن يقيسها البوت

• وجود خبرة عملية موثقة داخل الشرح، مثل أمثلة تنفيذية أو حالات استخدام.
• عمق التفسير التقني وعدم الاكتفاء بعبارات عامة قابلة للنسخ في أي موضوع.
• وضوح هوية القارئ المستهدف وإجابة المقال عن نية البحث بدقة.
• توفر عناصر الثقة مثل التحذيرات، القيود، أفضل الممارسات، والمصادر.
• سلامة البنية التحريرية من حيث العناوين، الفقرات، والقوائم.
• انخفاض احتمالية المحتوى المكرر أو المحشو بالكلمات المفتاحية.

البنية المعمارية للبوت

أفضل تصميم لهذا المشروع هو اعتماد خط معالجة منظم يبدأ بجلب النص، ثم تنظيفه، ثم تمريره إلى طبقات تحليل مختلفة. إذا كنت قد قرأت منطق البرمجة المعتمد على المهام (Task-Oriented Programming) فستجد أن تقسيم المشروع إلى مهام صغيرة يجعل التوسعة والاختبار أسهل بكثير.

مكونات النظام الأساسية

1. وحدة إدخال تستقبل المقال من ملف أو من WordPress API أو من محرر داخلي.
2. وحدة تنظيف للنص تزيل وسوم HTML غير المهمة وتحسب الطول والبنية.
3. وحدة قواعد ثابتة Rule-Based Checks لفحص أمور قابلة للقياس المباشر.
4. وحدة ذكاء اصطناعي ترسل النص إلى LLM API لتوليد تقييم نوعي منظم.
5. وحدة دمج نتائج تنتج درجة نهائية مع توصيات مرتبة حسب الأولوية.
6. وحدة إخراج تحفظ التقرير بصيغة JSON أو ترسله إلى Google Sheets.

ومن المفيد هنا مراجعة أساسيات التعامل مع ملفات JSON (لغة التفاهم بين الأنظمة) إذا كنت تريد بنية نتائج قابلة للاستهلاك من أدوات أخرى، وكذلك كيفية ربط Google Sheets بالعالم الخارجي عبر Script عند الرغبة في بناء لوحة متابعة تحريرية.

منهجية التقييم: بين القواعد الصلبة والذكاء الاصطناعي

أحد الأخطاء الشائعة هو الاعتماد الكامل على النموذج اللغوي. هذا يسبب تقارير متذبذبة أحياناً، خصوصاً عند فحص عناصر موضوعية مثل عدد العناوين أو طول الفقرة. لذلك يفضل أن يعمل البوت بمنطق هجين.

أمثلة على الفحوص القاعدية

• عدد الكلمات الكلي أقل من الحد الأدنى المطلوب.
• غياب أي عنوان h2 أو ضعف التسلسل الهرمي.
• فقرات طويلة جداً تؤثر على القراءة عبر الجوال.
• انخفاض كثافة المصطلحات التخصصية مقارنة بموضوع المقال.
• غياب أمثلة أو خطوات تنفيذية.

أمثلة على الفحوص التفسيرية عبر النموذج

• هل يظهر في النص دليل على تجربة فعلية وليس مجرد تلخيص نظري؟
• هل توجد ادعاءات غير مدعومة أو مبالغات تسويقية؟
• هل يعكس المقال خبرة تخصصية كافية مقارنة بنيّة الباحث؟
• ما الفقرات التي تبدو عامة ويمكن تحسينها لتصبح أكثر موثوقية؟

عند تصميم Prompt التقييم، لا تطلب من النموذج “إعطاء رأي عام” فقط، بل ألزمه بإرجاع حقول محددة مثل: experience_score وtrust_issues وaction_items لتقليل التذبذب وتحسين قابلية الأتمتة.

مثال عملي لبناء البوت باستخدام Python

قبل التنفيذ، يفترض أن تكون قد أنجزت مرحلة الإعداد كما في تهيئة بيئة العمل: تثبيت Python والمكتبات الأساسية، وأنك تفهم مفهوم الـ API: كيف نطلب البيانات من Google وOpenAI. كذلك يجب تخزين المفاتيح بشكل آمن كما شرحنا في الحماية والأمان: كيف تخفي مفاتيحك السرية في الكود؟.

import os
import re
import json
from openai import OpenAI

client = OpenAI(api_key=os.getenv("OPENAI_API_KEY"))

def strip_html(html):
    clean = re.sub(r"<[^>]+>", " ", html)
    clean = re.sub(r"\s+", " ", clean).strip()
    return clean

def basic_checks(text):
    words = text.split()
    paragraphs = [p.strip() for p in text.split("\n") if p.strip()]
    long_paragraphs = [p for p in paragraphs if len(p.split()) > 90]

    return {
        "word_count": len(words),
        "paragraph_count": len(paragraphs),
        "long_paragraphs": len(long_paragraphs),
        "has_examples": any(term in text for term in ["مثال", "تجربة", "خطوة", "تطبيق"]),
        "has_trust_signals": any(term in text for term in ["تحذير", "ملاحظة", "مصدر", "أفضل الممارسات"])
    }

def eeat_review_with_ai(text):
    prompt = f'''
قيّم المقال التالي بناءً على معايير Google E-E-A-T.
أعد النتيجة بصيغة JSON فقط وفق الحقول التالية:
overall_score, experience_score, expertise_score, authoritativeness_score,
trustworthiness_score, strengths, weaknesses, action_items.

المقال:
{text}
'''
    response = client.chat.completions.create(
        model="gpt-4o-mini",
        temperature=0.2,
        messages=[
            {"role": "system", "content": "أنت مدقق جودة محتوى متخصص في SEO و E-E-A-T."},
            {"role": "user", "content": prompt}
        ]
    )
    content = response.choices[0].message.content
    return json.loads(content)

def review_article(html_content):
    text = strip_html(html_content)
    checks = basic_checks(text)
    ai_review = eeat_review_with_ai(text)

    result = {
        "basic_checks": checks,
        "ai_review": ai_review
    }
    return result

الكود السابق يمثل نواة عملية، لكنه يحتاج في بيئة الإنتاج إلى طبقات تحقق إضافية مثل معالجة الأخطاء، إعادة المحاولة عند فشل الطلب، والتحقق من صحة JSON الناتج. وهنا تبرز أهمية بناء مخرجات مستقرة وقابلة للقياس.

كيف تجعل التقرير مفيداً للمحرر وليس مجرد درجة رقمية؟

أفشل أنظمة التدقيق هي التي تخرج رقماً نهائياً بلا تفسير. المحرر يحتاج إلى تعليمات قابلة للتنفيذ، مثل: أضف مثالاً واقعياً في القسم الثاني، اختصر الفقرة الثالثة، أو ادعم الادعاء المتعلق بالأداء بمصدر أو تجربة. لذلك يجب أن يركز البوت على Actionable Feedback.

صيغة تقرير مقترحة

• درجة عامة للمقال من 100.
• درجات فرعية لكل عنصر من عناصر E-E-A-T.
• أهم 3 نقاط قوة.
• أهم 5 مشكلات مرتبة حسب التأثير.
• خطة تحسين سريعة قبل النشر.
• قرار نهائي: جاهز، يحتاج مراجعة، أو مرفوض تحريرياً.

وإذا كنت تدير عدداً كبيراً من المقالات، يمكن تخزين النتائج وتحليلها لاحقاً باستخدام استخدام مكتبة Pandas لتحليل بيانات الـ SEO الضخمة أو عرضها في لوحة بصرية عبر بناء “Dashboard” تفاعلي لبيانات الموقع باستخدام Google Looker Studio.

توسعات متقدمة تجعل البوت أكثر ذكاءً

بعد بناء النسخة الأولى، يمكن توسيع النظام ليصبح منصة تدقيق متكاملة. مثلاً، بدلاً من تحليل النص المجرد فقط، يمكنك ربط البوت ببيانات الأداء الفعلية أو بالسياق الداخلي للموقع.

أفكار تطوير متقدمة

• ربط البوت بمستنداتك المرجعية باستخدام تقنية RAG: كيف تجعل الذكاء الاصطناعي يكتب بناءً على ملفاتك الخاصة؟ حتى يقارن المقال بمعاييرك التحريرية الداخلية.
• تشغيله بعد نظام بناء نظام “تصحيح لغوي وتدقيق” آلي للمحتوى قبل النشر لتجميع الجودة اللغوية والجودة التحريرية في خط واحد.
• إضافة فحص لعناصر SEO On-Page مثل العنوان والوصف الداخلي والروابط والسكيما.
• إرسال تنبيهات تلقائية للمحرر عبر البريد أو Slack عند انخفاض التقييم.

لا تستخدم البوت كبديل عن المحرر الخبير، بل كطبقة فلترة ذكية تلتقط المشكلات المتكررة وتوحّد معايير الجودة قبل المراجعة البشرية النهائية.

الخاتمة

بناء بوت لمراجعة جودة المقال وفق معايير Google E-E-A-T هو مشروع يجمع بين الأتمتة، الذكاء الاصطناعي، والتحرير المهني في نقطة واحدة. القيمة الحقيقية لا تكمن في منح المقال درجة شكلية، بل في تحويل الجودة إلى عملية قابلة للتكرار والقياس والتحسين المستمر.

وعندما تبني هذا النظام بشكل صحيح، ستتمكن من تقليل المقالات الضعيفة قبل النشر، رفع موثوقية المحتوى، وتحسين جاهزية الموقع للبحث والإعلانات معاً. هذه هي النقلة التي تميز الناشرين الذين يكتبون كثيراً عن أولئك الذين ينشرون بذكاء.