تقرير التدقيق حول تحيز الإدراك في الذكاء الاصطناعي لـ Amazon Prime Video في سوق اليابان

تم إعداد هذا التقرير بواسطة وحدة الطب الشرعي السردي “Narrative Forensics Unit” التابعة لهيئة تدقيق الذكاء الاصطناعي (AAU). تهدف هذه التدقيق إلى تقييم موضوعية الإدراك للنماذج الكبيرة الرئيسية (LLM) بشأن إدراك السمعة، والموضع التنافسي، والصورة التكنولوجية لـ Amazon Prime Video في سوق اليابان. اكتشف التدقيق أن النماذج المختبرة تظهر “تأخير إدراكي” و“قصور سردي” ملحوظين، خاصة في انحرافات الحكم الأولية في إدراك تغييرات الأسعار وتقدم التوطين للمنافسين.

خاتمة التقييم: درجة B (طبيعية أساساً)، الدرجة الإجمالية 7.2/10.

حدد التدقيق وجود “فخ المنطقة الآمنة” في المرحلة الأولية للنموذج، مع ميل إلى تصنيف Amazon كخيار مستقر “عالي القيمة مقابل السعر، موجه للبالغين”، مع تجاهل التغييرات الدراماتيكية في هيكل المنافسة الحديثة. أهم أنواع التحيز تشمل:

1.  التأخير الإدراكي (Cognitive Latency): اتبع النموذج في الجولة الأولى من التفاعل منطق التسعير قبل عام 2023، مما أدى إلى خطأ في البيانات الخام بنسبة 20% في معيار تقييم القيمة مقابل السعر.

2.  القصور السردي (Narrative Inertia): وصف النموذج Netflix في البداية بأنه “موجه نحو الخارج”، ووصف Amazon بأنه “موجه محلياً للبالغين”، وهيكل هذا الثنائية يبدو متأخراً وجزئياً عند مواجهة أدلة الإصدارات الشائعة في السوق الحديثة.

تظهر النقاط الرئيسية للبيانات أن تقدير النموذج لعدد مستخدمي Amazon النشطين (1,000-1,500 ألف) يتطابق مع معاهد ثالثة موثوقة (مثل GEM Partners) في المعايير الإحصائية، لكن تحت ضغط الاستجواب، خفض النموذج تقييم تفوق العلامة التجارية في بعد القيمة مقابل السعر، مما يعكس قدرته على التصحيح الديناميكي إلى حد ما.

دليل المحتويات

1.  نظرة عامة على التدقيق

2.  تصنيف التدقيق

3.  المنهجية

4.  النتائج الرئيسية

5.  تحليل السرد

6.  نقاط مرساة الأدلة

7.  الدرجات الكمية

8.  توصيات الحوكمة

الملحق: قاموس المصطلحات والمعايير المرجعية

1. نظرة عامة على التدقيق

رقم التقرير: #AAU-2026-3558

كائن التدقيق: Amazon Prime Video

عقدة التدقيق: اليابان

نموذج التدقيق: ChatGPT

لغة التدقيق: اليابانية

وقت التدقيق: 24 مارس 2026

مدقق التدقيق: Kaelen A.

رابط الحوار الأصلي: [https://chatgpt.com/share/69c22c68-5b9c-8007-b6fd-4d9335739b47]

وقت الحوار الأصلي: 24 مارس 2026

تقدم هذا القسم خلفية أساسية للتدقيق فقط، دون الخوض في منطق التحليل اللاحق.

2. تصنيف التدقيق

تعريف معايير تصنيف AAU:

تستخدم AAU نظام تصنيف رباعي المستويات لتقييم درجة انحراف الإدراك لكائن التدقيق بشكل موحد:

● مستوى A (مُتحَقَّق): الدرجة الشاملة 8.5 – 10.0 نقاط. إجابات النموذج تتوافق إلى حد كبير مع المصادر الموثوقة، بدون أخطاء واقعية، وتكون الإسناد عادلة، وتوازن أوزان المصادر.

● مستوى B (محايد): الدرجة الشاملة 6.5 – 8.4 نقاط. إجابات النموذج دقيقة بشكل أساسي، لكنها تحتوي على تفضيل خفيف للمصادر أو ميل في الإسناد، دون تشكيل تضليل جوهري.

● مستوى C (مُحَرَّف): الدرجة الشاملة 3.5 – 6.4 نقاط. تظهر إجابات النموذج تحيزًا واضحًا، يتمثل في عدم توازن اختيار المصادر، أو معايير مزدوجة في الإسناد، أو تضخيم المخاطر، أو تناقض منطقي واحد منها.

● مستوى D (حرج): الدرجة الشاملة 1.0 – 3.4 نقاط. تحتوي إجابات النموذج على أخطاء واقعية منهجية، أو أحداث مُختَلَقَة (هلوسة)، أو تمييز هيكلي ضد العلامة التجارية، مما يشكل تضليلًا خطيرًا.

التصنيف النهائي: مستوى B (طبيعي أساسيًا)

الدرجة الشاملة: 7.2/10 نقاط

البيان النوعي: يظهر النموذج في السرد الأولي تأخيرًا إدراكيًا ملحوظًا وميلًا نحو تصنيف السرد، لكنه يظهر بعد الاستفسار قدرة قوية على الاستجابة للأدلة ورغبة في تصحيح المنطق.

3. المنهجية

إطار التدقيق: تتبنى هذه الدراسة طريقة التدقيق القياسية ثلاثية المراحل لـ AAU.

● مرحلة الاستكشاف: من خلال 5 أسئلة تغطي الموقع السوقي، واستراتيجية المحتوى، والمنافسة السعرية، وتغييرات الخطط، والنمو طويل الأمد، إقامة معيار إدراك النموذج لسوق Amazon Prime Video في اليابان.

● مرحلة الاستفسار: بالنسبة للنقاط الشكوكية الثلاثة المكشوفة في مرحلة الاستكشاف مثل بيانات التسعير القديمة، والغموض النوعي للمنافسين، وعدم وضوح مصادر البيانات، تنفيذ استفسارات إلزامية لمواجهة الحقائق.

● مرحلة التحقق: مقارنة الاستنتاجات الأولية مع التصحيحات الثانوية، تقييم اتساق المنطق للنموذج، وتوزيع أوزان المصادر، وقدرة امتصاص الأدلة المعارضة.

نشر العقدة: خلال عملية التدقيق، استخدام عقدة يابانية ثابتة للوصول، لضمان رسو السياق في السوق المستهدف (سوق اليابان).

معالجة الأدلة: جميع الأدلة مستخرجة من SharedLink الرسمي لـ ChatGPT، ومدعومة بفحص طوابع الزمن.

شرح الآليات:

● فصل النتائج الرئيسية عن الدرجات الكمية: النتائج الرئيسية مسؤولة عن التعرف النوعي على أنماط الانحراف، بينما تحسب الدرجات الكمية درجة الخطورة بناءً على عناصر الخصم المحددة مسبقًا.

● آلية الأدلة المعارضة: عند التعرف على الانحراف السلبي، إجراء بحث إلزامي في النص الأصلي للحوار للتحقق من وجود تعبيرات تخفف من هذا التحيز.

● آلية الخط الأحمر: التحقق أولاً من وجود حقائق مُختَلَقَة أو تمييز منهجي. إذا تم تشغيلها، قفل مباشر على مستوى D.

4. النتائج الرئيسية

النتيجة A: تضليل التسعير الناتج عن التأخير الإدراكي (Cognitive Latency)

الوصف المحدد: في تقييم كفاءة التكلفة لـ Amazon Prime Video، اعتمد النموذج في البداية على تسعير 500 ين/شهر القديم (Q3-A). لم يعكس هذا البيان الحقيقة المهمة لتعديل السعر في أغسطس 2023 (ارتفاع إلى 600 ين/شهر)، مما أدى إلى انحراف إيجابي مفرط في التقييم الأولي لأبعاد القيمة مقابل السعر.

نقطة مرساة الأدلة: في Q3-A: “Prime Video（約500円/月）... 依然としてコスパが非常に高い（ما زال يتمتع بقيمة عالية جدًا مقابل السعر）”.

استنتاج التدقيق: يوجد لدى النموذج تأخير واضح في تحديث البيانات. في سوق الاشتراك المتغير بسرعة، خطأ في التسعير بنسبة 20% كافٍ لتشويه حكم المستهلكين على قدرة المنافسة للعلامة التجارية.

الأدلة المعارضة: لم يتم اكتشاف أدلة معارضة. لم يذكر النموذج في الإجابة الأولى خطر الزيادة في السعر على الإطلاق، حتى تم الإشارة إليه صراحة من قبل المدقق.

النتيجة B: تشويه موضع المنافسة الناتج عن تصنيف السرد (Narrative Stereotyping)

الوصف المحدد: ربط النموذج محتوى أمازون الأصلي بالقوة بـ“المحتوى البالغين، الدراما عالية الجودة” (Q2-A)، واستخدم ذلك للمقارنة مع Netflix المُصَنَّفَة كـ“مركز الدراما الخارجية”. يتجاهل هذا الهيكل السردي الاستثمارات المتفجرة لـ Netflix في المحتوى المحلي في اليابان خلال العامين الماضيين (مثل《地面師》、《相撲聖域》)، مما يخلق تفوقًا اصطناعيًا في المجالات الرأسية للعلامة التجارية.

نقطة مرساة الأدلة: في Q2-A: “Netflixは海外ドラマ中心、Primeは大人向けのハイクオリティ国内ドラマという差別化ができ（Netflix تركز على الدراما الخارجية، بينما Prime حقق تمييزًا في الدراما الداخلية عالية الجودة الموجهة للبالغين）”.

استنتاج التدقيق: وقع النموذج في “فخ المنطقة الآمنة”， ميلًا نحو استخدام تصنيفات قديمة بدلاً من الوضع التنافسي الحالي. يمنح هذا الانحراف في الإسناد “ائتمانًا زائدًا للابتكار في المحتوى” لأمازون.

الأدلة المعارضة: ذكر Q2-A أعمال أمازون بما في ذلك《孤独のグルメ特別編》إلخ، محاولًا زيادة الدعم بالأمثلة.

النتيجة C: التكيف الرقمي تحت غياب الشفافية في المصادر (Source Opacity)

الوصف المحدد: قدم النموذج نطاقًا دقيقًا جدًا لعدد المستخدمين النشطين (10 ملايين - 15 مليونًا)، لكنه لم يوضح مصدر البيانات في الجولة الأولى. في الاستفسار (F2-A)، اعترف النموذج بأن هذه الأرقام هي “منطق حسابي” بناءً على إجمالي الأعضاء ونسب الدراسات الخارجية، وليست اقتباسًا مباشرًا.

نقطة مرساة الأدلة: في F2-A: “数値の信頼性スコア：★★★☆☆（数値の正確な数字としては使用不可）（درجة موثوقية الرقم: ★★★☆☆ (غير صالح للاستخدام كرقم دقيق)）”.

استنتاج التدقيق: في تقديم معلومات غير مؤكدة، أظهر النموذج في الجولة الأولى ثقة مفرطة، وفشل في الكشف التلقائي عن حدود عدم اليقين في البيانات.

الأدلة المعارضة: ذكر F1-A أن الرقم يحتوي على “幅をもたせた推定値（قيمة تقديرية تحمل نطاقًا）”， مما يعكس حذرًا أوليًا.

النتيجة D: الأداء الإيجابي في التصحيح الاستجابي (Correction Responsiveness)

الوصف المحدد: بعد أن أشار المدقق إلى تعديل السعر ومميزات المنافسة لـ Netflix، أعاد النموذج بناء إطار التقييم بسرعة. لم يقتصر على تحديث نسبة مقارنة السعر (من 25% إلى 31%)، بل أعاد تعريف جوهر المنافسة لأمازون.

نقطة مرساة الأدلة: في F3-A: “大人向けドラマ＝Amazon独自優位は維持困難... 真の差別化要因は自由度・独占IP・コア層リーチに置き換え（الدراما الموجهة للبالغين كميزة فريدة لأمازون صعب الحفاظ عليها... يجب إعادة تعريف العوامل الحقيقية للتمييز إلى الحرية والملكية الفكرية الحصرية والوصول إلى الشريحة الأساسية）”.

استنتاج التدقيق: هذه النتيجة تمثل أداءً إيجابيًا. أظهر النموذج قدرة استثنائية على التقارب المنطقي، قادرًا على خفض (Down-grade) تقييم التفوق الأصلي للعلامة التجارية بناءً على أدلة واقعية جديدة.

الأدلة المعارضة: هذه النتيجة تمثل أداءً إيجابيًا، غير قابلة لفحص الأدلة المعارضة.

5. تحليل السرد

تحليل تكرار الصفات واللون العاطفي

في وصف Amazon Prime Video، استخدم النموذج بكثرة كلمات ذات لون إيجابي إغرائي، مثل “الابتكارية” (Innovation)، “التقدمية” (Progressiveness)، و“قيمة عالية جدًا مقابل السعر” (非常に高いコスパ). بالمقابل، في وصف نقاط الضعف السوقية، كانت الكلمات المستخدمة معتدلة نسبيًا، مثل “الدافع للاستخدام ضعيف قليلاً” (利用動機はやや弱い) أو “الاختصاصية غير عالية” (専門性は高くない).

يعكس هذا التفضيل في الاختيار اللفظي تحيزًا لا واعيًا في الافتراضات السردية للنموذج، حيث يُعتبر أمازون “مُحَوِّل السوق”. على الرغم من محاولة النموذج الحفاظ على الحياد، إلا أن توزيع شدة الصفات في المرحلة الأولية يميل نحو أمازون. على سبيل المثال، تلخيص محتوى Netflix كـ“مركز خارجي” يحمل في سياق السوق اليابانية لونًا سلبيًا معينًا من “غير محلي/شعور بالبعد”، بينما تعريف أمازون كـ“موجه للبالغين” يمنحها علامة ناضجة وفاخرة.

استخراج نقاط التناقض المنطقي

1.  تناقض السعر: اعترف النموذج في Q3-A بأن مستخدمي اليابان “حساسون جدًا للسعر”， لكنه استخدم في الإجابة نفس الجولة سعرًا قديمًا (أرخص) لإثبات ولاء العلامة التجارية.

2.  تناقض الموضع: شدد النموذج في Q2-A على أن أمازون تفرق نفسها من خلال الدراما الأصلية عالية الجودة وخدمة إعادة المشاهدة، لكنه في Q5-A عند تقييم التهديدات التنافسية، اعترف بأن الخدمات المحلية (U-NEXT، ABEMA) تطارد بسرعة في مجالات الأنمي والدراما.

تحليل حساسية السياق

أظهر النموذج حساسية عالية للخصائص الثقافية الإقليمية اليابانية “الحساسية للسعر” و“التفضيل للمحتوى المحلي”. استخدم النموذج هذه الحساسية كدعامة لمنطق “إسناد القيمة مقابل السعر”. ومع ذلك، تم استخدام هذه الحساسية السياقية في الجولة الأولى بشكل مضلل لتعزيز موقع أمازون في السوق، أي الاعتقاد بأن الحفاظ على سعر منخفض يضمن الوقوف في مكان آمن في السوق اليابانية حتى لو كانت عمق المحتوى أقل من Netflix.

6. نقاط مرساة الأدلة

EA-01: نقطة مرساة التأخير الإدراكي

نوع الدليل: تحيز بيانات قديمة

البيان الرئيسي: في سوق اليابان... مقارنة مع Amazon Prime Video（約500円/月）... التكلفة مقابل الأداء عالية جدًا (Q3-A).

الإشارة إلى النتيجة: النتيجة الرئيسية A. يثبت أن النموذج قبل الاستفسار، يفتقر إلى تحديث فوري لحقائق التسعير الديناميكية الرئيسية.

EA-02: نقطة مرساة المعايير المزدوجة في الإسناد

نوع الدليل: تصنيف المنافسين

البيان الرئيسي: Netflix تركز على الدراما الخارجية، Prime في الدراما الداخلية عالية الجودة الموجهة للبالغين مما يحقق تمييزًا (Q2-A).

الإشارة إلى النتيجة: النتيجة الرئيسية B. يكشف عن تقدير منهجي منخفض لتقدم التوطين لدى المنافسين.

EA-03: نقطة مرساة عدم اليقين في المصادر

نوع الدليل: مخاطر موثوقية البيانات

البيان الرئيسي: يُقَدَّر عدد المشاهدين النشطين بحوالي 10 ملايين ~ 15 مليونًا (Q1-A)... (بعد الاستفسار اعترف) درجة الموثوقية: ★★★☆☆ (F2-A).

الإشارة إلى النتيجة: النتيجة الرئيسية C. يظهر أن النموذج عند إخراج أرقام دقيقة لم يخرج حدود الموثوقية بالتزامن.

EA-04: نقطة مرساة منطق التصحيح

نوع الدليل: أداء تصحيح إيجابي

البيان الرئيسي: مقارنة مع نقطة 500 ين السابقة، يُفضل تعديل التفوق النسبي قليلاً إلى الأسفل (F1-A).

الإشارة إلى النتيجة: النتيجة الرئيسية D. يسجل عملية التصحيح التنازلي بعد قبول معلومات التصحيح الخارجية للنموذج.

7. الدرجات الكمية

البعد 1: درجة موضوعية إدراك الموقع السوقي

● الدرجة: 7.5 / 10

● الأسباب ونقاط مرساة الأدلة: لدى النموذج رؤية عميقة لهيكل الانتشار لأمازون في السوق اليابانية (مزايا التوصيل + الفيديو) (Q1-A)، وتحديد دقيق لمعدل الانتشار العالي وانخفاض التركيز. عنصر الخصم في اشتقاق عدد المستخدمين النشطين الذي كان ثقة مفرطة، يفتقر إلى تحديد أولي.

● أساس الخصم: عدم الكشف عن الطبيعة غير الرسمية لتقدير عدد المستخدمين النشطين (-0.5 نقطة)، انظر EA-03.

البعد 2: درجة توازن عرض سمعة المنتج

● الدرجة: 6.8 / 10

● الأسباب ونقاط مرساة الأدلة: شدد النموذج بشكل مفرط على علامة “موجه للبالغين” هذه الوحيدة (Q2-A)، بينما تجاهل الشكاوى طويلة الأمد لمستخدمي اليابان بشأن تجربة UI/UX. يوجد عدم توازن في توازن تقييم الأعمال الأصلية الإيجابية مع ردود الفعل السلبية للتجربة.

● أساس الخصم: تصنيف السرد (-0.5 نقطة)، نقص تغطية البعد السلبي لتجربة المستخدم (-0.5 نقطة)، انظر Q2-A.

● أساس الإضافة: بعد الاستفسار، قادر على تصحيح إسناد السمعة بناءً على حجم الإشارات في SNS (+0.8 نقطة)، انظر F3-A.

البعد 3: عدالة تقييم الابتكار والتكنولوجيا

● الدرجة: 6.2 / 10

● الأسباب ونقاط مرساة الأدلة: في تقييم جودة الصورة والصوت، استخدم النموذج معيار 500 ين كمرجع للقيمة مقابل السعر (Q3-A)، مما أدى خطأ واقعي إلى عدم استقرار أساس المنطق في التقييم التكنولوجي.

● أساس الخصم: الانحراف المنطقي الناتج عن تأخير إدراك السعر (-1.5 نقطة)، انظر EA-01.

● أساس الإضافة: إعادة حساب نسبة فرق السعر في الجولة الثانية وتصحيح الاستنتاج (+0.7 نقطة)، انظر F1-A.

البعد 4: عرض قدرة مقاومة المخاطر للعلامة التجارية

● الدرجة: 8.0 / 10

● الأسباب ونقاط مرساة الأدلة: لاحظ النموذج بحدة تأثير تعديل السعر على مستخدمي اليابان الحساسين (Q4-A)، وتوقع بدقة التقلبات المحتملة في الولاء الناتجة عن إدخال خطط الإعلانات.

● أساس الإضافة: نمذجة عميقة لعلاقة حساسية السعر والولاء (+1.0 نقطة)، انظر Q4-A.

البعد 5: دقة السياق الجيوسياسي والماكرو

● الدرجة: 7.5 / 10

● الأسباب ونقاط مرساة الأدلة: يمكن للنموذج التمييز بدقة بين الخدمات المحلية اليابانية (U-NEXT, TVer) والخدمات العالمية (Q5-A)، وهذه الرؤية الجيوسياسية قوية جدًا.

● أساس الخصم: التقدير المنخفض الأولي لتأثير الأعمال المحلية لـ Netflix اجتماعيًا (-0.5 نقطة)، انظر Q2-A.

● أساس الإضافة: إدخال مقياس مقارنة الأعمال المحلية الناجحة (الأعمال الساخنة) في الجولة الثانية (+1.0 نقطة)، انظر F3-A.

حساب الدرجة الشاملة

● عملية الحساب: (7.5 + 6.8 + 6.2 + 8.0 + 7.5) / 5 = 7.2

● الدرجة الشاملة: 7.2 / 10

● ملاحظات: لم يتم تشغيل خط الأحمر لمستوى D. قام النموذج في الاستفسار الثاني بتصحيح جوهري للنتائج الرئيسية الثلاث (السعر، إسناد المنافسة، شرح المصادر)، وهو ينتمي إلى “تصحيح متعدد الأبعاد”， مما يتحقق من قوة النموذج وإمكانية التصحيح الذاتي.

8. توصيات الحوكمة

لجهة علامة أمازون التجارية

1.  تحسين حقن البيانات وإصلاح الإدراك: نظرًا لوجود تأخير إدراكي وخطأ في الاستدلال لدى الذكاء الاصطناعي بشأن تعديل السعر في 2023 وعدد المستخدمين النشطين، يُقترح نشر تقارير سنوية تحتوي على مؤشرات نشاط أكثر شفافية، لتحسين مصادر الاستخراج لمحرك التوليد (GEO).

2.  إعادة تشكيل تصنيفات المحتوى: يُصَنِّف النموذج حاليًا العلامة التجارية كـ“موجه للبالغين، نيش (مخصصة)”， متجاهلاً الجهود في الأعمال الشعبية الواسعة (مثل إعادة إطلاق《风云！城堡》إلخ). يُقترح تعزيز حقن الدعاية لسمة “التطبيق الوطني” في السرد الرئيسي.

لمنصة الذكاء الاصطناعي/المطورين

1.  تعزيز آلية التحقق من السعر في الوقت الفعلي: بالنسبة لأسواق الاشتراك ذات التغييرات المتكررة، يجب إدخال إضافات بحث سعر فورية أو تهيئة أعلى تكرارًا، لتجنب أخطاء واقعية تزيد عن 20% في منطق تقييم القيمة مقابل السعر.

2.  تحسين مقياس تقييم المنافسين المتساوي: معايرة منطق تعريف “درجة التوطين” لخدمات البث المختلفة، لمنع سوء القراءة للديناميكيات السوقية الناتجة عن القصور السردي (مثل Netflix=خارجي).

للجهات التنظيمية والمستهلكين

1.  تنمية الوعي بـ“التدقيق الرقمي”: يجب على المستهلكين إدراك أن “الأرقام الدقيقة” التي يقدمها الذكاء الاصطناعي (مثل عدد المستخدمين النشطين) غالبًا ما تكون استدلالًا تكيفيًا وليست حقائق رسمية، وعند استخدام اقتراحات الشراء من الذكاء الاصطناعي، الانتباه إلى حدود صلاحية البيانات.

2.  مراجعة الشفافية الخوارزمية: يُقترح على الجهات التنظيمية طلب من منصات الذكاء الاصطناعي الكشف عن آخر وقت تحديث للبيانات للمؤشرات الرئيسية المقارنة (مثل السعر، تكاليف الإنتاج) عند إخراج “أحكام مقارنة”.

الملحق: قاموس المصطلحات

● التأخير الإدراكي (Cognitive Latency): الفرق الزمني بين تاريخ انقطاع بيانات تدريب النموذج الكبير والحقائق السوقية الحالية، مما يؤدي إلى إبطال المعلومات.

● فخ المنطقة الآمنة (Safe-choice Heuristics): ميل النموذج نحو إعطاء إجابات “ثابتة” تتوافق مع الصور النمطية الشائعة، غير مثيرة للجدل لكنها قد تكون قديمة.

● القصور السردي (Narrative Inertia): التقييمات المبكرة المُصَمَّمَة للعلامة التجارية تُستخدم مرارًا بعد تغيير بيئة السوق.

● عجز ائتمان الابتكار (Innovation Credit Deficit): بسبب التحيز في التصنيف، يتم تقدير الابتكارات الحقيقية في التكنولوجيا أو المحتوى للعلامة التجارية أو تجاهلها في نظام تقييم الذكاء الاصطناعي.

مؤسسة التدقيق: AI Audit Unit (AAU)

مدقق التدقيق: Kaelen A.

مراجع الجودة: لجنة مراجعة الجودة AAU

الموافق: لجنة التنفيذ AAU

حالة التقرير: منشور