ورود هوش مصنوعی مولد به تبلیغ دین، هزینه و زمان تولید بسیاری از انواع محتوا را کاهش داده و امکان تولید متن و تصویر، ترجمه، تلخیص و پاسخ اولیه به پرسش‌ها را در مقیاسی فراهم کرده است که پیش‌تر به نیروی انسانی و زمان بیشتری نیاز داشت. اما افزایش این ظرفیت، مسئله‌ای پدید آورده که با فهرست‌کردن مخاطراتی مانند خطا، سوگیری یا نقض حریم خصوصی به‌درستی توضیح داده نمی‌شود. تغییر مهم‌تر این است که «توان تولید محتوا» بیش از گذشته از «صلاحیت تأیید محتوا» فاصله گرفته است. یک سامانه می‌تواند متنی منسجم درباره موضوعی دینی تولید کند، بی‌آنکه انسجام زبانی آن دلیلی بر صحت منبع، اعتبار تفسیر یا جواز انتساب نتیجه به دین باشد.
از این جهت، چالش هوش مصنوعی در تبلیغ دین را باید در معماری تولید پیام جست‌وجو کرد. در فرایند تبلیغ مبتنی بر هوش مصنوعی، دست‌کم چهار عمل را می‌توان از یکدیگر تفکیک کرد: تولید محتوا، اعتبارسنجی، تأیید و انتشار. فناوری می‌تواند سهم قابل‌توجهی در نخستین مرحله و حتی در برخی عملیات مرحله دوم داشته باشد؛ برای مثال، منابعی را بازیابی کند، متون را مقایسه کند یا ناسازگاری‌هایی را آشکار سازد. مسئله زمانی آغاز می‌شود که توانایی آن در انجام این وظایف، به‌طور ضمنی به صلاحیت تأیید محتوای دینی تبدیل شود. در این وضعیت، مرز میان «آنچه ماشین قادر به تولید آن است» و «آنچه می‌توان با اطمینان به دین نسبت داد» کمرنگ می‌شود.
خطای دینی فقط خطای اطلاعاتی نیست
یکی از واژه‌های رایج در توصیف کاستی‌های مدل‌های مولد، «توهم» است؛ اما کاربرد گسترده این اصطلاح نباید همه انواع خطا را زیر یک عنوان قرار دهد. پژوهشی با بررسی ۱۰۳ پژوهش داوری‌شده در حوزه پردازش زبان طبیعی و نیز پیمایش ۱۷۱ متخصص نشان داده‌اند که حتی در ادبیات تخصصی، درباره تعریف و حدود مفهوم hallucination (توهم) اتفاق نظر کاملی وجود ندارد (Venkit et al., 2024). مرور دیگری درباره مدل‌های بنیادین نیز تولید خروجی‌های نامعتبر را مسئله‌ای جدی، به‌ویژه در کاربردهایی می‌داند که صحت و قابلیت اعتماد اهمیت بالایی دارند (Sahoo et al., 2024).
در تبلیغ دین، مسئله از تولید یک گزاره نادرست فراتر می‌رود. دست‌کم سه سطح از خطا را باید از یکدیگر متمایز کرد. سطح نخست، خطای اطلاعاتی است: آیه، روایت، نام کتاب، مشخصات منبع یا یک واقعه به‌اشتباه گزارش می‌شود. سطح دوم، خطای تفسیری است: داده‌های اولیه ممکن است درست باشند، اما نسبت میان آنها و نتیجه‌ای که از آنها گرفته می‌شود مخدوش یا فاقد پشتوانه کافی باشد. سطح سوم را می‌توان خطای انتسابی نامید: یک برداشت، تفسیر یا ترکیب ماشینی با درجه‌ای از قطعیت به «دیدگاه اسلام»، «حکم دین» یا یک سنت فکری نسبت داده می‌شود که شواهد موجود آن را توجیه نمی‌کنند.
سطح سوم برای تبلیغ اهمیت ویژه‌ای دارد؛ زیرا مبلغ صرفاً انتقال‌دهنده اطلاعات پراکنده نیست. هنگامی که گزاره‌ای در قالب محتوای تبلیغی عرضه می‌شود، مخاطب ممکن است اعتبار آن را از اعتبار مبلغ، نهاد دینی یا رسانه منتشرکننده اخذ کند. بنابراین، ممکن است جمله‌ای از نظر دستوری صحیح و حتی از حیث برخی داده‌های تشکیل‌دهنده درست باشد، اما نحوه انتساب آن به دین همچنان مسئله‌دار بماند. به همین دلیل، کنترل کیفیت محتوای دینی با بررسی صحت چند داده پایان نمی‌یابد.
هوش مصنوعی؛ هم محل بروز خطا و هم ابزار کاهش آن
در نگاه نخست، نوعی ناسازگاری در مواجهه با هوش مصنوعی دیده می‌شود: از یک سو درباره تولید منابع ساختگی، پاسخ‌های نادرست و تفسیرهای بی‌پشتوانه هشدار داده می‌شود و از سوی دیگر، همین فناوری برای جست‌وجوی منابع، مقایسه دیدگاه‌ها، اصلاح محتوا و کاهش خطای مبلغ پیشنهاد می‌شود. این دو کارکرد زمانی قابل جمع‌اند که میان هوش مصنوعی به‌عنوان مولد پاسخ و هوش مصنوعی به‌عنوان ابزار کمکی برای بررسی پاسخ تمایز گذاشته شود.
در مطالعات مرتبط با دانش دینی نیز چنین تمایزی دیده می‌شود. پژوهشی در بررسی چالش‌های استفاده از هوش مصنوعی در اجتهاد شیعی، موضوعاتی چون تولید پاسخ‌های متفاوت، توهم، سوگیری، شفافیت، پاسخ‌گویی، اعتماد و اقتدار را مطرح می‌کند. نتیجه آن پژوهش درباره فرایند تخصصی اجتهاد است و نمی‌توان آن را بدون واسطه به تبلیغ دین تعمیم داد؛ بااین‌حال، تمایزی که میان استفاده مستقل از AI و استفاده از آن به‌عنوان دستیار فقیه برقرار می‌کند، برای مسئله تبلیغ نیز از حیث مفهومی راهگشاست (Latifi, 2024).
بر این مبنا، استفاده از هوش مصنوعی برای یافتن موارد مشابه، طبقه‌بندی منابع یا تهیه پیش‌نویس، لزوماً به معنای واگذاری داوری نهایی نیست. حتی ممکن است یک سامانه در کشف برخی خطاهای انسانی سودمند باشد. مشکل هنگامی رخ می‌دهد که خروجی همان سامانه، بدون مراجعه به شاهد مستقل، معیار اعتبار خروجی آن قرار گیرد. اگر پاسخ تولیدشده توسط مدل با پرسش دوباره از همان مدل «تأیید» شود، آنچه رخ داده لزوماً اعتبارسنجی مستقل نیست؛ ممکن است همان محدودیت‌ها صرفاً در قالبی دیگر بازتولید شوند.
واگذاری وظیفه، انتقال مسئولیت نیست
تمایز میان «وظیفه» و «مسئولیت» نقطه مرکزی مسئله است. بسیاری از فعالیت‌های تبلیغی را می‌توان به درجات مختلف به ابزارهای هوشمند سپرد: تولید پیش‌نویس، ترجمه اولیه، استخراج کلیدواژه، خلاصه‌سازی، تبدیل متن به قالب‌های دیگر یا دسته‌بندی مجموعه بزرگی از منابع. اما انتقال یک وظیفه فنی، به‌خودی‌خود مسئولیت نتیجه را منتقل نمی‌کند. این تمایز در محتوای دینی اهمیت بیشتری پیدا می‌کند، زیرا مخاطب معمولاً با زنجیره فنی تولید پیام مواجه نیست. او محتوایی را می‌بیند که در صفحه یک مبلغ، مؤسسه یا رسانه دینی منتشر شده است. تصمیم به انتشار، به محتوا نوعی انتساب انسانی یا نهادی می‌دهد؛ حتی اگر بخش قابل‌توجهی از آن را ماشین ساخته باشد. ازاین‌رو، «ماشین تولید کرده است» نمی‌تواند جای پاسخ به این پرسش را بگیرد که چه کسی صحت و تناسب محتوای منتشرشده را تأیید کرده است.
در نتیجه، می‌توان اصلی ساده اما مهم صورت‌بندی کرد: تا جایی که انتساب انسانی یا نهادی محتوا باقی است، مسئولیت اعتبارسنجی آن نیز باقی می‌ماند. افزایش سهم ماشین در انجام کارها، به‌خودی‌خود سهم انسان را در پاسخ‌گویی نسبت به محتوای منتشرشده کاهش نمی‌دهد.
چرا «یک انسان آن را بررسی کند» کافی نیست؟
پاسخ متعارف به مخاطرات هوش مصنوعی، تأکید بر حضور انسان در حلقه تصمیم است. این اصل ضروری است، اما اگر دقیق نشود می‌تواند به اطمینانی صوری تبدیل شود. مسئله فقط این نیست که انسانی خروجی ماشین را ببیند؛ باید پرسید آیا آن فرد توانایی تشخیص خطای محتمل را دارد و آیا ابزار و زمان لازم برای بررسی آن در اختیارش قرار گرفته است.
نظریه تشخیص سیگنال، نشان می‌دهد که اثربخشی نظارت انسانی به توان ناظر برای تشخیص خروجی‌های نادرست یا مسئله‌دار وابسته است. صرف قرارگرفتن انسان در جایگاه ناظر تضمین نمی‌کند که خطر کاهش یابد (Langer et al., 2025). این نکته برای تبلیغ دین پیامد روشنی دارد: «بازبینی انسانی» زمانی معنا پیدا می‌کند که بازبین در موضوع مورد نظر صلاحیت کافی داشته باشد و بتواند ادعا را به منبع یا شواهد مستقل بازگرداند.
از اینجا می‌توان به‌جای نسخه‌ای ثابت برای همه محتواها، از اعتبارسنجی متناسب با خطر سخن گفت. اصلاح نگارشی یک متن موجود با تولید پاسخی درباره یک اختلاف اعتقادی یا فقهی در یک سطح قرار ندارد. در اولی، پیامد خطای مدل ممکن است محدود باشد؛ در دومی، خطا می‌تواند به انتساب نادرست یک موضع به دین بینجامد. شدت نظارت باید دست‌کم با سه عامل تناسب داشته باشد: احتمال خطا، پیامد احتمالی خطا و حساسیت انتساب دینی. در سطح پایین‌تر، استفاده‌هایی مانند ویرایش صوری یا تغییر قالب ممکن است به کنترل سبک‌تری نیاز داشته باشند. در محتوای آموزشی و توضیحی، بررسی منبع و انطباق معنایی اهمیت بیشتری پیدا می‌کند. در مواردی که پای حکم شرعی، تفسیر مناقشه‌پذیر، نسبت‌دادن سخنی به منابع مقدس یا توصیه‌ای با پیامد جدی در میان است، اعتبارسنجی باید به فرد دارای صلاحیت موضوعی منتقل شود. به این ترتیب، «انسان در حلقه» به «انسان صلاحیت‌مند در نقطه مناسب حلقه» تبدیل می‌شود.
از مراقبت فردی تا معماری مسئولیت
اگر مسئله با توصیه به مبلغ برای «دقت بیشتر» پایان یابد، بخشی از تغییری که هوش مصنوعی ایجاد کرده نادیده می‌ماند. تولید ماشینی محتوا، می‌تواند در نهادهای تبلیغی به فرایندی چندمرحله‌ای تبدیل شود که در آن پژوهش، تولید، ویرایش، طراحی و انتشار میان انسان و ماشین توزیع شده است. در چنین وضعیتی، مسئولیت باید در خود فرایند قابل ردیابی باشد.
می‌توان این فرایند را در پنج حلقه دید: منبع، تولید، اعتبارسنجی، تأیید و انتشار. اهمیت این تفکیک در آن است که هر حلقه پرسش خاص خود را دارد. منبع از کجا آمده است؟ چه بخشی از محتوا به‌وسیله ماشین تولید شده؟ ادعاهای حساس چگونه بررسی شده‌اند؟ چه کسی نسخه نهایی را تأیید کرده و مسئول انتشار آن کیست؟ روشن‌بودن این مسیر، امکان استفاده از هوش مصنوعی را نفی نمی‌کند؛ بلکه محل اتکای انسانی را مشخص می‌سازد.
برخی نهادهای فقهی نیز به سمت صورت‌بندی ضوابطی برای استفاده مسئولانه از AI حرکت کرده‌اند. مجمع بین‌المللی فقه اسلامی در قطعنامه شماره ۲۵۸ خود در سال ۲۰۲۵، هوش مصنوعی را موضوع ضوابط و ملاحظات اخلاقی و شرعی قرار داده است. این سند ماهیتی هنجاری دارد و شاهد تجربی درباره عملکرد فناوری نیست؛ اهمیت آن برای بحث حاضر، نشان‌دادن شکل‌گیری مسئله مسئولیت و ضابطه‌گذاری در سطح نهادی است (International Islamic Fiqh Academy, 2025).
بر این اساس، چالش هوش مصنوعی در تبلیغ دین را نمی‌توان به این گزاره فروکاست که «ماشین ممکن است اشتباه کند». انسان نیز خطا می‌کند و ابزارهای دیجیتال پیش از ظهور مدل‌های مولد با مسئله اطلاعات نادرست مواجه بوده‌اند. تفاوت مهم‌تر در مقیاس و ساختار تولید است: اکنون می‌توان محتوایی منسجم، متنوع و ظاهراً مستند را با سرعت زیاد تولید کرد، در حالی که تولیدکننده ماشینی نه صاحب صلاحیت دینی است و نه مسئولیت اجتماعی انتشار را به معنای انسانی آن بر عهده می‌گیرد. اگر سرعت تولید افزایش یابد، اما سازوکار تأیید متناسب با آن بازطراحی نشود، شکاف میان «تولید» و «اعتبار» گسترش خواهد یافت.
از همین‌جا معنای بازتعریف چالش روشن می‌شود. مسئله اصلی، کنترل کامل ماشین یا انتظار برای فناوری بی‌خطا نیست؛ بلکه طراحی تبلیغ دینی با فرض خطاپذیری ماشین است. هوش مصنوعی می‌تواند سهم بیشتری از فعالیت‌های تولیدی و پردازشی را بر عهده گیرد، اما افزایش سهم آن در تولید، دلیل کاهش سهم انسان در مسئولیت نیست. مسئله تعیین مرزی است که در آن اتوماسیون وظیفه به ابهام مسئولیت منتهی نشود و توانایی تولید، به‌جای صلاحیت تأیید ننشیند. در چنین چارچوبی، پرسش تعیین‌کننده پیش از انتشار محتوای دینی این نیست که آیا هوش مصنوعی قادر به تولید آن بوده است؛ بلکه این است که چه کسی، با چه صلاحیتی و بر اساس کدام شواهد، مسئولیت انتساب و انتشار آن را پذیرفته است.
پی‌نوشت‌ها و منابع
1. Latifi, H. (2024). “Challenges of Using Artificial Intelligence in the Process of Shi’i Ijtihad.” Religions, 15(5), 541. DOI: 10.3390/rel15050541.
متن مقاله در Religions
2. Langer, M., Baum, K., & Schlicker, N. (2025). “Effective Human Oversight of AI-Based Systems: A Signal Detection Perspective on the Detection of Inaccurate and Unfair Outputs.” Minds and Machines, 35, Article 1. DOI: 10.1007/s11023-024-09701-0.
متن مقاله در Springer Nature
3. Nuha, A. A., & Purwanto, H. (2026). “Dakwah di Era Algoritmik: Peluang, Risiko, dan Model Tata Kelola Artificial Intelligence Berbasis Otoritas Keilmuan Islam.” Dakwatuna: Jurnal Dakwah dan Komunikasi Islam, 12(2), 111–124. DOI: 10.54471/dakwatuna.v12i2.4048.
متن مقاله در Dakwatuna
4. Sahoo, P., Meharia, P., Ghosh, A., Saha, S., Jain, V., & Chadha, A. (2024). “A Comprehensive Survey of Hallucination in Large Language, Image, Video and Audio Foundation Models.” Findings of the Association for Computational Linguistics: EMNLP 2024, 11709–11724. DOI: 10.18653/v1/2024.findings-emnlp.685.
متن مقاله در ACL Anthology
5. Venkit, P. N., Chakravorti, T., Gupta, V., Biggs, H., Srinath, M., Goswami, K., Rajtmajer, S., & Wilson, S. (2024). “An Audit on the Perspectives and Challenges of Hallucinations in NLP.” Proceedings of the 2024 Conference on Empirical Methods in Natural Language Processing, 6528–6548. DOI: 10.18653/v1/2024.emnlp-main.375.
متن مقاله در ACL Anthology
6. International Islamic Fiqh Academy. (2025). Resolution No. 258 (3/26): Artificial Intelligence: Its Rulings, Guidelines, and Ethics. Twenty-Sixth Session of the International Islamic Fiqh Academy, Doha, Qatar, 4–8 May 2025.
سند مجمع بین‌المللی فقه اسلامی
افزودن دیدگاه جدید