1. الملخص
يُمثل مقياس تفضيل الذكاء الاصطناعي في الرعاية الصحية (AI Healthcare Preference Scale) أداة سيكومترية حديثة طوّرها الباحثون صوفي كيرستان ونادين بينيفيلد وجوديلا غروت عام 2024 في المعهد الفيدرالي السويسري للتكنولوجيا في زيورخ (ETH Zurich). صُمم المقياس لقياس وتقييم تفضيلات الأفراد المتعلقة بتلقي الرعاية الطبية والخدمات الصحية من قِبل أنظمة الذكاء الاصطناعي مقارنة بالأطباء البشريين. يستند البناء النظري للأداة إلى نموذج مستويات الأتمتة المتقدم (Levels of Automation) الذي وضعه إندزلي وكابر (Endsley & Kaber, 1999)، مما يتيح فحص التدرج المعرفي والإجرائي لقبول الأتمتة في البيئات الإكلينيكية الحساسة.
يتألف المقياس من 6 فقرات مصاغة بأسلوب مقياس تقدير خماسي النقاط (5-point rating scale) يتدرج من (1 = الطبيب فقط) إلى (5 = الذكاء الاصطناعي فقط)، حيث تعكس الدرجات الأعلى ميلاً أقوى نحو تفضيل الاعتماد على الذكاء الاصطناعي في مراحل اتخاذ القرار الطبي. أظهرت الفحوصات السيكومترية أن المقياس يتمتع بخصائص قياسية متينة؛ إذ كشف التحليل العاملي الاستكشافي (EFA) عن بنية أحادية البعد تتشبع عليها جميع الفقرات، في حين أثبت التحليل العاملي التوكيدي (CFA) ضمن نموذج خماسي العوامل مطابقة ممتازة للبيانات الواقعية (χ² = 1008.46, df = 547, p < 0.001, χ²/df = 1.84, CFI = 0.91, TLI = 0.90, RMSEA = 0.04, SRMR = 0.06). كما سجل المقياس معامل اتساق داخلي جيد (ألفا كرونباخ = 0.75). يُعد المقياس أداة محورية في بحوث علم النفس الصحي، والتفاعل بين الإنسان والحاسوب، ودراسات تبني التكنولوجيا الطبية وتفضيلات المرضى.
2. الكلمات المفتاحية
الذكاء الاصطناعي في الرعاية الصحية، تفضيلات العلاج، مستويات الأتمتة، تفضيل الأطباء، علم النفس الصحي، التفاعل بين الإنسان والحاسوب، اتخاذ القرار الطبي، الثقة في التكنولوجيا، القياس النفسي، الأتمتة الإكلينيكية، جودة الرعاية الصحية، نماذج التبني التكنولوجي.
3. المؤلفون
طُوِّر المقياس من قِبل فريق بحثي متخصص في علم النفس المهني والتنظيمي وإدارة التكنولوجيا في سويسرا:
- صوفي كيرستان (Sophie Kerstan): باحثة في علم النفس المهني والتنظيمي، قسم الإدارة والتكنولوجيا والاقتصاد، المعهد الفيدرالي السويسري للتكنولوجيا (ETH Zurich)، زيورخ، سويسرا. البريد الإلكتروني للمراسلة: [email protected]. معرف الباحث: ORCID متوفر لدى المعهد.
- د. نادين بينيفيلد (Nadine Bienefeld): باحثة أولى ومحاضرة في السلوك التنظيمي والقيادة والتعاون بين الإنسان والآلة، قسم الإدارة والتكنولوجيا والاقتصاد، ETH Zurich.
- أ. د. جوديلا غروت (Gudela Grote): أستاذة كرسي علم النفس المهني والتنظيمي، قسم الإدارة والتكنولوجيا والاقتصاد، ETH Zurich. رئيسة سابقة لجمعية علم النفس التنظيمي الأوروبية وخبير معتمد في دراسات التنسيق البشري والتقني.
عنوان المراسلة المؤسسي: Sophie Kerstan, ETH Zurich, Department of Management, Technology, and Economics, Work and Organizational Psychology, Weinbergstrasse 56/58, Zurich, Switzerland, 8092.
4. الغرض والمبررات العلمية
شهدت الرعاية الصحية المعاصرة تحولاً جذرياً مدفوعاً بالتقدم المتسارع في خوارزميات تعلم الآلة والتشخيص بمساعدة الحاسوب والأنظمة الخبيرة. ومع ذلك، فإن نجاح دمج هذه التقنيات لا يتوقف فقط على دقتها الخوارزمية، بل يرتبط بشكل جوهري بالاستجابة النفسية للمرضى والمستفيدين ومدى استعدادهم لتفويض القرارات التشخيصية والعلاجية الحساسة إلى خوارزميات غير بشرية. جاء تطوير مقياس تفضيل الذكاء الاصطناعي في الرعاية الصحية لمعالجة الفجوة المنهجية القائمة في قياس التفضيلات النسبية للمرضى؛ إذ ركزت الدراسات السابقة غالباً على قياس القبول العام للتكنولوجيا دون وضعه في سياق مقارن ومباشر مع مقدم الرعاية التقليدي وهو الطبيب البشري.
يهدف المقياس تحديداً إلى قياس موضع التفضيل النسبي للأفراد عبر طيف يمتد بين السيطرة البشرية الكاملة والأتمتة الذاتية المستقلة في المهام الطبية. ويحقق المقياس عدة أغراض أساسية في الميادين البحثية والتطبيقية:
- التطبيقات البحثية: يتيح للباحثين في علم النفس والسياسات الصحية قياس محددات التباين الفردي في تفضيل الأتمتة الطبية، واستكشاف علاقة هذا التفضيل بمتغيرات مثل الثقة المقارنة، والنفور من الخوارزميات (Algorithm Aversion)، والمعرفة التقنية، وإدراك المخاطر والمنافع المصاحبة للرعاية المؤتمتة.
- التطبيقات الإكلينيكية وإدارة المستشفيات: يساعد صناع القرار في القطاع الصحي على تصنيف المرضى بناءً على تقبلهم لمسارات العلاج الرقمية، وتصميم واجهات التدخل الطبي الهجين (Human-AI Teaming) بما يضمن راحة المريض وتوافقه النفسي مع أدوات التشخيص الذكية، وتقليل ظاهرة الرفض أو المقاومة النفسية للتوصيات الطبية الصادرة عن الأنظمة الرقمية.
- تقييم استراتيجيات الاتصال الصحي: يوفر المقياس أداة معيارية لتقييم أثر الحملات التوعوية أو توفير معلومات موثوقة حول كفاءة الذكاء الاصطناعي في تعديل مواقف الأفراد وتفضيلاتهم تجاه أتمتة الإجراءات الطبية.
ينبع المبرر النظري للمقياس من إدراك أن مفهوم “القبول” البسيط لا يكفي لفهم القرارات الصحية؛ فالمرضى لا يختارون الذكاء الاصطناعي في فراغ، بل يقارنونه ببديل تقليدي متجذر ثقافياً ونفسياً وهو الطبيب البشري الذي يرتبط بمشاعر الألفة والتعاطف والمسؤولية الأخلاقية والقانونية. ولذلك فإن وضع أداة تتبع منهجية قياس المقارنة النسبية (Physician vs. AI) عبر مهام متفاوتة في متطلبات الأتمتة يُعد إضافة فارقة للقياس النفسي الحديث.
5. البناء النفسي
يُعرَّف البناء النفسي المستهدف، وهو تفضيلات الذكاء الاصطناعي في الرعاية الصحية (Artificial Intelligence Healthcare Preferences)، بأنه: “النزوع النفسي والموقف النسبي للفرد نحو إسناد المهام الطبية والتشخيصية والعلاجية لأنظمة الذكاء الاصطناعي مقارنة بإسنادها إلى الأطباء البشريين”. يتجاوز هذا البناء مجرد الرضا السطحي ليشمل مفاهيم تفويض السلطة المعرفية والتنفيذية، وتحمل المخاطر الإدراكية المرتبطة بالخطأ الطبي الرقمي مقابل الخطأ الطبي البشري.
على الرغم من أن المقياس يعمل كأداة أحادية البعد تعطي درجة إجمالية تمثل التفضيل العام، إلا أن البناء النفسي يتكامل عبر عدة مستويات مستمدة من مراحل معالجة المعلومات واتخاذ القرار الطبي:
مستويات المعالجة والتحكم الإكلينيكي
يقوم البناء على فكرة أن الرعاية الصحية تنقسم إلى سلسلة من الوظائف المتدرجة، وتتنوع تفضيلات الأفراد تبعاً للمرحلة المعنية في خطة الرعاية:
- جمع ومراقبة البيانات الصحية (Information Acquisition): تفضيل استخدام الأنظمة المؤتمتة في رصد العلامات الحيوية، وتتبع الأعراض المرضية، وتحليل السجلات السابقة مقارنة بالمراقبة اليدوية للطبيب.
- تحليل البيانات وتوليد البدائل (Information Analysis & Option Generation): مدى رغبة المريض في قيام الذكاء الاصطناعي بصياغة سيناريوهات التشخيص التفريقي وتقديم قوائم بالعلاجات المتاحة.
- اتخاذ القرار واختيار العلاج (Decision Selection): مرحلة مفصلية في البناء النفسي تفحص ما إذا كان المريض يفضل أن يكون القرار النهائي بشأن الجراحة أو الوصفة الدوائية بيد الطبيب، أم بمشاركة النظام، أم باستقلال تام للذكاء الاصطناعي.
- تنفيذ ومتابعة التدخل الطبي (Action Implementation): تفضيل الأتمتة في تنفيذ الإجراءات (مثل العمليات الجراحية المؤتمتة أو إدارة الجرعات الوريدية الدقيقة) مقابل التنفيذ اليدوي البشري.
يعكس انخفاض الدرجة على هذا البناء التمسك بنموذج الرعاية الإنسانية الحصرية (Physician Monopoly)، بدافع الثقة في الحدس الطبي والتعاطف البشري. في المقابل، تشير الدرجات المرتفعة إلى تفضيل الأتمتة الكاملة أو شبه الكاملة، استناداً إلى معتقدات حول تفوق الآلة في معالجة البيانات الضخمة، وانعدام التحيز الإنساني، وتقليل الإجهاد المهني المسبب للأخطاء الطبية.
6. الإطار النظري
يستند المقياس بشكل مباشر إلى نموذج مستويات الأتمتة (Levels of Automation – LOA) الذي طوّره مايكل إندزلي وتوماس كابر (Endsley & Kaber, 1999)، إلى جانب الإسهامات النظرية لباراسورامان وشيريدان ويكنز (Parasuraman et al., 2000) في مجال أتمتة الوظائف المعرفية للإنسان. يُعد هذا الإطار من الركائز الأساسية في علم النفس الهندسي والتفاعل بين الإنسان والآلة.
تدرج مستويات الأتمتة وتطبيقه في المجال الصحي
حددت أدبيات الأتمتة طيفاً تدريجياً يتراوح بين انعدام الأتمتة (التحكم البشري اليدوي المطلق) والأتمتة الكاملة (حيث تتصرف الآلة ذاتياً دون إشراف أو تدخل بشري). قام كيرستان وزملاؤه (Kerstan et al., 2024) بتكييف هذا الإطار النظري ليناسب بيئة الرعاية الصحية، حيث تُرجمت مستويات الأتمتة إلى سيناريوهات عملية لرعاية المرضى:
- المستوى اليدوي: الطبيب البشري يجمع البيانات، يحلل، يشخص، ويقرر العلاج دون أي تدخل برمجي معقد.
- المساعدة الخوارزمية البسيطة: يقوم النظام بدور تنبيهي أو جمع البيانات فقط، مع بقاء القرار والتحليل للطبيب.
- التعاون المشترك المتوازن (Shared Control): يقدم الذكاء الاصطناعي اقتراحات تشخيصية محددة ويصنف الخيارات العلاجية، ويتشارك الطرفان في التقييم.
- الأتمتة مع إشراف بشري (Veto Power): يقرر الذكاء الاصطناعي الإجراء الطبي الأنسب، ويملك الطبيب الحق في الاعتراض أو الإلغاء.
- الأتمتة الكاملة (Full Autonomy): يتولى نظام الذكاء الاصطناعي عملية الرعاية بشكل مستقل وشامل، بدءاً من الفحص حتى المتابعة دون تدخل طبيب بشري.
كما يتقاطع الإطار النظري للمقياس مع نظرية الثقة التنافسية ونماذج النفور من الخوارزميات؛ إذ تفترض هذه النظريات أن استجابة المرضى للذكاء الاصطناعي ترتكز على موازنة مستمرة بين إدراك كفاءة الطبيب البشري مقابل كفاءة الخوارزمية، ومقارنة المخاطر المحتملة الناتجة عن إهمال الطبيب أو تحيزه مقابل أخطاء النظام الرقمي غير الشفافة (Black Box Algorithms).
7. الخصائص السيكومترية: الصدق
أُخضع مقياس تفضيل الذكاء الاصطناعي في الرعاية الصحية لفحوصات تجريبية صارمة للتحقق من صدق البناء وصدق المحتوى والصدق التمايزي والتقاربي ضمن دراسة كيرستان وزملائها (2024)، والتي طُبقت على عينة من البالغين تم استقطابهم عبر منصة Prolific في الولايات المتحدة الأمريكية.
صدق البناء (Construct Validity)
تم إثبات صدق البناء للأداة من خلال التحليل العاملي التوكيدي الشامل (CFA)؛ حيث فحص الباحثون النموذج العاملي للمقياس بالاقتران مع أربعة مقاييس أخرى متصلة بنفس السياق المعرفي (مقياس الثقة المقارنة، مقياس إدراك المخاطر، مقياس إدراك المنافع، ومقياس المعرفة التقنية). أثبت النموذج خماسي العوامل تمتع الأداة بصدق بنيوي رفيع، حيث حققت المؤشرات المعايير الموصى بها في الأدبيات السيكومترية الإحصائية (Hu & Bentler, 1999):
- قيمة خي مربع والدرجات النسبية: $\chi^2 = 1008.46$، درجات الحرية $df = 547$، ومستوى الدلالة $p < 0.001$. وبلغت النسبة $\chi^2/df = 1.84$، وهي قيمة ممتازة تقع بشكل واضح دون الحد الأقصى المقبول وهو 3.0.
- مؤشر المطابقة المقارن (CFI): بلغ 0.91، وهو ما يعكس تطابقاً قوياً للبناء النظري.
- مؤشر توكر-لويس (TLI): بلغ 0.90، مؤكداً استقرار النموذج وجودته البنائية مقارنة بالنموذج الصفري.
- جذر متوسط مربعات خطأ التقريب (RMSEA): بلغ 0.04، مع فترة ثقة ضيقة، وهو مؤشر ممتاز يقع ضمن النطاق المثالي (أقل من 0.05).
- جذر متوسط المربعات المتبقية المعياري (SRMR): سجل 0.06، وهو أقل من السقف الحرج (0.08)، مما يؤكد ضآلة الفروق المتبقية بين مصفوفة التباين الملاحظة والتنبؤية.
الصدق التلازمي والتمايزي (Concurrent & Discriminant Validity)
أظهرت نتائج نمذجة المعادلات البنائية ترابطاً منطقياً بين درجات المقياس والمتغيرات النفسية المرافقة؛ حيث ارتبط تفضيل الذكاء الاصطناعي في الرعاية ارتباطاً إيجابياً دالاً بالثقة التفضيلية في الخوارزميات وإدراك منافع التكنولوجيا، بينما ارتبط سلباً بإدراك المخاطر السريرية للذكاء الاصطناعي والميل إلى تفضيل التواصل الإنساني والتعاطف الطبي. كما تمايزت فقرات المقياس عن مقاييس الثقة العامة، مما أكد استقلالية بعد “التفضيل الإجرائي للأتمتة” كبناء سلوكي معرفي مستقل بذاته.
8. الخصائص السيكومترية: الثبات
تم فحص الاستقرار القياسي للمقياس والاتساق الداخلي لفقراته باستخدام عدة مؤشرات إحصائية تعكس قدرة الأداة على قياس الظاهرة دون تأثر ملحوظ بأخطاء القياس العشوائية.
معامل الاتساق الداخلي (Internal Consistency)
حقق المقياس قيمة اتساق داخلي مقبولة وقوية بالنسبة لمقياس مكون من 6 فقرات فقط؛ حيث بلغ معامل ألفا كرونباخ (Cronbach’s $\alpha$) = 0.75 في عينة الدراسة الرئيسية. وتُعتبر هذه القيمة وفقاً للمعايير الكلاسيكية في القياس النفسي (Nunnally & Bernstein, 1994) دليلاً على تماسك الفقرات وقدرتها المشتركة على تمثيل البناء دون وجود تكرار مفرط أو حشو لفظي بين الفقرات (حيث تشير القيم بين 0.70 و0.85 إلى توازن مثالي بين الاتساق وتنوع تمثيل المهام).
الخطأ المعياري في القياس ودقة الأداة
بالنظر إلى تباين العينة ومعامل الثبات، يتميز المقياس بخطأ معياري منخفض للقياس (Standard Error of Measurement – SEM)، مما يمنح الدرجة الكلية للأفراد دقة إكلينيكية وبحثية عند تصنيف المستجيبين على متصل تفضيل الأتمتة. ساهمت البنية الأحادية المحكمة لفقرات المقياس في ضمان عدم تذبذب استجابة الفرد عند الانتقال من تقييم مهمة طبية لأخرى ضمن مستويات الأتمتة المختلفة.
9. التحليل العاملي
خضعت مصفوفة ارتباط فقرات مقياس تفضيل الذكاء الاصطناعي لتحليلات عاملية استكشافية وتوكيدية متقدمة للتحقق من بنيتها الكامنة وكيفية توزع تباين الاستجابات بين المهام الطبية المتنوعة.
التحليل العاملي الاستكشاري (Exploratory Factor Analysis – EFA)
أُجري التحليل العاملي الاستكشافي للتحقق من عدد الأبعاد الكامنة خلف الفقرات الست. أسفرت النتائج عن ظهور عامل عام وحيد (Single Factor Solution) فسر النسبة الأكبر من التباين الكلي المشترك؛ حيث تشبعت جميع الفقرات الست بشكل أحادي ودال إحصائياً على هذا العامل الرئيسي، وتجاوزت جميع معاملات التشبع العاملي (Factor Loadings) العتبة المعيارية البالغة 0.40، مما يعكس بوضوح تجانس الفقرات في قياس التفضيل المقارن للأتمتة الطبية.
التحليل العاملي التوكيدي (Confirmatory Factor Analysis – CFA)
للتحقق من استقرار البنية العاملية في سياق النموذج النظري الموسع، تم إدراج المقياس ضمن تحليل عاملي توكيدي متعدد المتغيرات ضم خمسة عوامل متمايزة. تم تقييم جودة المطابقة عبر مجموعة من المؤشرات الإحصائية الصارمة:
| المؤشر الإحصائي | القيمة المحسوبة | المعيار المقبول للمطابقة | التقييم السيكومتري |
|---|---|---|---|
| خي مربع المطابقة ($\chi^2$) | 1008.46 | – | دال إحصائياً عند $p < 0.001$ (طبيعي مع العينات الكبيرة) |
| درجات الحرية ($df$) | 547 | – | نموذج محدد ومقيد بدقة |
| النسبة المعيارية ($\chi^2/df$) | 1.84 | أقل من 3.0 | مطابقة ممتازة |
| مؤشر المطابقة المقارن (CFI) | 0.91 | $ge 0.90$ | مطابقة مقبولة وقوية |
| مؤشر توكر-لويس (TLI) | 0.90 | $ge 0.90$ | مطابقة جيدة جداً |
| جذر متوسط مربعات خطأ التقريب (RMSEA) | 0.04 | $le 0.06$ | مطابقة فائقة الدقة |
| جذر متوسط المربعات المتبقية المعياري (SRMR) | 0.06 | $le 0.08$ | أخطاء متبقية منخفضة جداً |
أكدت النتائج أن كل فقرة من الفقرات الست أسهمت بدلالة إحصائية وإيجابية في العامل الكامن المقابل لها، مما يدعم استخدام الدرجة الكلية المجمعة كمؤشر كمي دقيق لتفضيل الرعاية الطبية المؤتمتة.
10. أداة القياس والتعليمات وتصحيح الدرجات
تتميز الأداة بتصميم تطبيقي مختصر وسهل الإدارة يلائم المسوح الميدانية والأبحاث الإلكترونية واسعة النطاق:
- نوع الاختبار / الأداة: مقياس تقدير كمي موجز (Short Rating Scale) للتقرير الذاتي.
- طريقة التطبيق: تطبيق رقمي ذاتي (Electronic Administration) عبر منصات استبيانات الويب أو شاشات الاستقبال الإكلينيكية، ويمكن أيضاً استخدامه ورقياً.
- زمن التطبيق: يستغرق استيفاء المقياس ما بين دقيقة واحدة ودقيقتين فقط، نظراً لإيجازه (6 فقرات).
- الفئة المستهدفة: الأفراد البالغون (من سن 18 عاماً فما فوق) من عموم السكان أو المرضى المترددين على المنشآت الطبية، ذكوراً وإناثاً.
- مقياس الاستجابة (Response Scale): مقياس متدرج خماسي النقاط (5-point scale):
- 1 = الطبيب البشري فقط (Only physician)
- 2 = الطبيب في المقام الأول بمساعدة طفيفة من الذكاء الاصطناعي
- 3 = تعاون متساوٍ بين الطبيب البشري والذكاء الاصطناعي
- 4 = الذكاء الاصطناعي في المقام الأول بمراقبة الطبيب
- 5 = الذكاء الاصطناعي فقط (Only AI)
- حساب الدرجات والتصحيح (Scoring Procedure):
- تُحسب الدرجة الكلية بجمع درجات الفقرات الست أو من خلال احتساب المتوسط الحسابي لها (مجموع الدرجات مقسوماً على 6).
- يتراوح المدى الإجمالي للدرجات من 6 إلى 30 (أو من 1.0 إلى 5.0 في حال حساب المتوسط).
- لا يتضمن المقياس أي فقرات معكوسة الصياغة؛ فجميع الفقرات موجهة في مسار إيجابي طردي حيث تمثل الدرجة الأعلى ميلاً أكبر لتفضيل الذكاء الاصطناعي.
- تفسير النتائج: تعكس الدرجات المنخفضة (نحو 1 و2) تفضيلاً حاسماً للاعتماد على العنصر البشري؛ في حين تعكس الدرجات حول النقطة المركزية (3) رغبة في الرعاية التشاركية والهجينة (Human-in-the-loop)؛ بينما تشير الدرجات المرتفعة (4 و5) إلى قبول استثنائي للأتمتة الإكلينيكية المستقلة.
11. الأذونات والرسوم وسنة الاختبار
- سنة النشر الأساسية للأداة: 2024.
- المرجعية الأكاديمية الأولى: نُشرت الدراسة الأساسية للمقياس في المجلة العلمية المرموقة Risk Analysis التابعة لجمعية تحليل المخاطر (Society for Risk Analysis – SRA) وتصدرها دار نشر Wiley.
- حقوق الملكية الفكرية: المقياس محمي بحقوق النشر لصالح المؤلفين والجهة الناشرة (John Wiley & Sons, Inc.).
- شروط الاستخدام والرسوم: يُتاح استخدام المقياس في الأبحاث الأكاديمية غير التجارية والدراسات العلمية مجاناً، شريطة الاستشهاد بالورقة العلمية المرجعية بصورة صحيحة وتوثيق حقوق المؤلفين. أما الاستخدامات التجارية أو تضمين الأداة في منصات ومنتجات ربحية فيتطلب إذناً كتابياً رسمياً من المؤلفين أو من قسم حقوق الملكية الفكرية بدار النشر.
- التواصل وطلب النسخ الرسمية: يمكن توجيه الاستفسارات الرسمية المتعلقة بالأداة وترجمتها إلى المؤلفة المراسلة صوفي كيرستان عبر البريد المؤسسي: [email protected].
12. المراجع
- Dietvorst, B. J., Simmons, J. P., & Massey, C. (2018). Overcoming algorithm aversion: People will use imperfect algorithms if they can (even slightly) modify them. Management Science, 64(3), 1155–1170. https://doi.org/10.1287/mnsc.2016.2643
- Endsley, M. R., & Kaber, D. B. (1999). Level of automation effects on presence, situation awareness and performance in a teleoperations task. Ergonomics, 42(3), 462–492. https://doi.org/10.1080/001401399185595
- Hu, L. T., & Bentler, P. M. (1999). Cutoff criteria for fit indexes in covariance structure analysis: Conventional criteria versus new alternatives. Structural Equation Modeling: A Multidisciplinary Journal, 6(1), 1–55. https://doi.org/10.1080/10705519909540118
- Kerstan, S., Bienefeld, N., & Grote, G. (2024). Choosing human over AI doctors? How comparative trust associations and knowledge relate to risk and benefit perceptions of AI in healthcare. Risk Analysis, 44(4), 939–957. https://doi.org/10.1111/risa.14216
- Nunnally, J. C., & Bernstein, I. H. (1994). Psychometric theory (3rd ed.). McGraw-Hill.
- Parasuraman, R., Sheridan, T. B., & Wickens, C. D. (2000). A model for types and levels of human interaction with automation. IEEE Transactions on Systems, Man, and Cybernetics – Part A: Systems and Humans, 30(3), 286–297. https://doi.org/10.1109/3468.844354