مقياس المعرفة بالذكاء الاصطناعي

الملخص

يُعد مقياس المعرفة بالذكاء الاصطناعي (AI Knowledge Scale)، الذي طوّرته صوفي كيرستان ونادين بينيفيلد وجوديلا غروتي (Kerstan, Bienefeld, & Grote, 2024) في المعهد الفدرالي السويسري للتكنولوجيا في زيورخ (ETH Zurich)، أداة سيكومترية موضوعية موجزة ومُحكمة تهدف إلى قياس المعرفة الموضوعية (Objective Knowledge) بالمبادئ العامة والتأسيسية لـ الذكاء الاصطناعي وتعلم الآلة لدى الأفراد والجمهور العام. انبثق المقياس من دراسة محورية بحثت في المفاضلة الإنسانية بين الأطباء البشريين وأنظمة الذكاء الاصطناعي في مجالات الرعاية الصحية والتشخيص الطبي، وكيف تؤثر المعرفة الفعلية في مقابل المعرفة الذاتية (Subjective Knowledge) على إدراك المخاطر والفوائد وبناء الثقة في التكنولوجيا المتقدمة.

يتكون المقياس من 6 فقرات مصوغة بأسلوب تقريري (صواب / خطأ)، يعقب كل فقرة تدريج لليقين والثقة في الإجابة يتراوح بين (0 = غير متأكد تماماً، 1 = غير متأكد قليلاً، 2 = متأكد قليلاً، 3 = متأكد تماماً). وتعتمد خوارزمية التصحيح على احتساب الدرجة (1) فقط للإجابة الصحيحة المقترنة بأعلى درجات اليقين (درجة 3)، بينما تُعطى الدرجة (0) لأي إجابة خاطئة أو إجابة صحيحة مشوبة بالشك والتردد؛ وذلك لتحييد أثر التخمين العشوائي وقياس المعرفة الراسخة. خضع المقياس لتحليلات سيكومترية دقيقة استندت إلى نظرية الاستجابة للفقرة اللامعلمية عبر تحليل موكين (Mokken Scale Analysis)، حيث حقق معامل تدرج موكين الكلي قيمة مقبولة بلغت (H = 0.34)، ومؤشر ثبات اتساق داخلي وفق إحصائية مولينا-سيتسما (Molenaar-Sijtsma statistic) بلغت 0.62، وهو ما يتسق مع مقاييس المعرفة الموضوعية في العلوم المعرفية وإدراك المخاطر. كما أظهر التحليل العاملي التوكيدي (CFA) ضمن النموذج الخماسي الأوسع مؤشرات مطابقة جيدة (CFI = 0.91, RMSEA = 0.04)، مما يجعله أداة قيّمة للأبحاث التكنولوجية، النفسية، والاجتماعية المعاصرة.

الكلمات المفتاحية

المعرفة بالذكاء الاصطناعي، المعرفة الموضوعية، التفاعل بين الإنسان والحاسوب، اتخاذ القرار الطبي، الثقة في التكنولوجيا، إدراك المخاطر، نظرية الاستجابة للفقرة، تحليل موكين، التعلم العميق، السيكومترك المعرفي.

المؤلفون

تم تطوير هذا المقياس من قبل فريق بحثي متخصص في علم النفس التنظيمي وسيكولوجيا العمل في سويسرا:

• صوفي كيرستان (Sophie Kerstan): باحثة في قسم الإدارة والتكنولوجيا والاقتصاد، كرسي علم نفس العمل والتنظيم، المعهد الفدرالي السويسري للتكنولوجيا في زيورخ (ETH Zurich)، سويسرا. البريد الإلكتروني للمراسلة: [email protected].
• د. نادين بينيفيلد (Nadine Bienefeld): باحثة ومحاضرة في سيكولوجيا التفاعل بين الإنسان والآلة والقيادة والعمل الجماعي في البيئات عالية المخاطر، قسم الإدارة والتكنولوجيا والاقتصاد، ETH Zurich، سويسرا.
• أ. د. جوديلا غروتي (Gudela Grote): أستاذة علم نفس العمل والتنظيم في قسم الإدارة والتكنولوجيا والاقتصاد، ETH Zurich، رئيسة الجمعية الأوروبية لعلم نفس العمل والتنظيم سابقاً، وخبيرة رائدة في دراسة عدم اليقين والتنسيق التنظيمي والثقة في التكنولوجيا المؤتمتة.

الغرض

صُمم مقياس المعرفة بالذكاء الاصطناعي (AI Knowledge Scale) لسد فجوة منهجية ومعرفية بارزة في أدبيات التفاعل بين الإنسان والحاسوب وعلم النفس المعرفي المعاصر. فعلى الرغم من الانتشار المتسارع لتطبيقات الذكاء الاصطناعي التوليدي والأنظمة الخوارزمية في ميادين حساسة كالتشخيص الطبي، العدالة الجنائية، والتوظيف، اعتمدت أغلب الدراسات السابقة على قياس “المعرفة الذاتية المدركة” (Subjective Knowledge)، أي سؤال الأفراد ببساطة: «ما مدى معرفتك بالذكاء الاصطناعي؟». وقد أثبتت الدراسات النفسية أن هذا النوع من التقييم الذاتي يعاني من انحيازات معرفية جسيمة، أبرزها تأثير دانينغ-كروجر (Dunning-Kruger Effect)، حيث يميل غير العارفين إلى المبالغة في تقدير كفاءتهم وفهمهم التكنولوجي.

يهدف هذا المقياس إلى قياس المعرفة الواقعية الحقيقية (Factual, Objective Knowledge) بالمفاهيم الأساسية التي تشكل جوهر الذكاء الاصطناعي، مثل طبيعة التعلم العميق، وحتمية وجود الانحياز في مخرجات النماذج، ومقاييس الأداء الحاسوبي، وطرق التعلم غير الخاضع للإشراف، وحدود اختبار تورنغ، والتمييز بين القواعد الصارمة التي يبرمجها البشر وبين الأنظمة الاحتمالية الاستقرائية. ويتيح المقياس للباحثين وصناع القرار:

• فهم المحددات المعرفية التي تشكل مواقف الجمهور ومخاوفهم تجاه إحلال الذكاء الاصطناعي محل الخبراء البشريين (كالطبيب البشري).
• فصل المعرفة الفعلية عن المعرفة المتوهمة، وتحديد أثر كل منهما في تقييم المخاطر والمنافع المتوقعة للتقنيات الناشئة.
• تقييم فاعلية البرامج التعليمية وحملات التوعية الرقمية ومحو الأمية التكنولوجية (AI Literacy) عبر قياسات قبلية وبَعدية موضوعية.
• التنبؤ بسلوكيات التبني التكنولوجي والاستعداد لمشاركة البيانات الشخصية والصحية مع الأنظمة الذكية.

البناء النفسي

يندرج البناء النفسي المقاس تحت مسمى “المعرفة الموضوعية بالذكاء الاصطناعي” (Objective AI Knowledge)، وهي بناء أحادي البعد بطبيعته السيكومترية يمثل استيعاب الفرد للمفاهيم والمحددات الرياضية، المنطقية، والحاسوبية التي يقوم عليها الذكاء الاصطناعي الحديث. وفي إطار البناء المعرفي، لا تعني هذه المعرفة الإلمام البرمجي المعقد أو القدرة على كتابة الأكواد، بل الإلمام بالمفاهيم الإبستمولوجية والتشغيلية التي تُميز هذه التقنيات عن الحوسبة التقليدية وتحدد مواطن قوتها وضعفها.

يتألف البناء النفسي من فضاءات مفهومية أساسية تم استخلاصها من الأدبيات التقنية والطبية الرائدة (مثل: Topol, 2019):

• بنية الشبكات العصبية والتعلم العميق: فهم أن التعلم العميق يستند إلى طبقات متعددة من الشبكات العصبية الاصطناعية لمعالجة الأنماط المعقدة واستخلاص السمات التجريدية تلقائياً.
• حتمية الانحياز الخوارزمي (Algorithmic Bias): إدراك أن مخرجات الذكاء الاصطناعي ليست معصومة أو محايدة موضوعياً بطبيعتها، بل تعكس الانحيازات التاريخية والبشرية الكامنة في بيانات التدريب وتصميم النماذج.
• المعايير الحاسوبية والأجهزة المادية: معرفة مقاييس القدرة الحوسبية اللازمة لتدريب هذه النماذج الضخمة، وتحديداً استخدام مقياس عمليات الفاصلة العائمة في الثانية (FLOPS) كمؤشر لأداء العتاد والمعالجات.
• طرق التعلم الآلي والبيانات: التمييز المفاهيمي بين التعلم الخاضع للإشراف (Supervised Learning) الذي يتطلب بيانات موسومة، والتعلم غير الخاضع للإشراف (Unsupervised Learning) الذي يكتشف الأنماط المستترة دون الحاجة إلى بيانات مسبقة التوسيم.
• الأبعاد الفلسفية واختبارات الذكاء: تصحيح الفهم المغلوط الشائع حول اختبار تورنغ (Turing Test)، والذي صُمم لاختبار ما إذا كانت الآلة قادرة على محاكاة السلوك اللغوي البشري لدرجة يتعذر معها تمييزها عن الإنسان، وليس لإثبات أن الآلة أذكى من الإنسان بالمطلق.
• المرونة الخوارزمية مقابل الأنظمة القائمة على القواعد: إدراك أن جوهر ثورة الذكاء الاصطناعي الحالية تكمن في قدرة النماذج على استنتاج القواعد ذاتياً من البيانات، خلافاً للأنظمة الخبيرة الكلاسيكية القائمة حصرياً على قواعد قرار ثابتة مبرمجة سلفاً بواسطة الإنسان.

الإطار النظري

يستند المقياس إلى تقاطع نظري رصين يجمع بين علم النفس المعرفي (Cognitive Psychology)، ونظرية النماذج العقلية (Mental Models Theory)، وأطر إدراك المخاطر والمنافع (Risk-Benefit Perception) التي طورها رواد أبحاث اتخاذ القرار مثل بول سلوفيتش (Paul Slovic) وكاس سونستين (Cass Sunstein). تفترض نظرية النماذج العقلية أن قرارات الأفراد وتفضيلاتهم السلوكية حيال التقنيات المعقدة والغامضة لا تعتمد على الواقع الموضوعي المحايد، بل على “التمثيلات العقلية الداخلية” التي يبنونها حول كيفية عمل النظام وحدوده التشغيلية.

عندما تكون هذه النماذج العقلية غير مكتملة أو مشوهة بالأساطير الإعلامية والخيال العلمي، يُفعّل الأفراد مجريات استدلالية حدسية (Heuristics) تؤدي إلى تفخيم المخاطر أو تبني آمال طوباوية غير واقعية. ولذلك، ميز المنظّرون بين نوعين من المعرفة: المعرفة التقريرية الذاتية (المدركة) التي ترتبط غالباً بالثقة المفرطة والمواقف العاطفية، والمعرفة التقريرية الموضوعية التي ترتبط بالتقييم العقلاني القائم على الأدلة. وقد استلهم مؤلفو المقياس إطار القياس من دراسات إدراك المخاطر التكنولوجية والكيميائية الرائدة (مثل: Bearth et al., 2019)، والتي بينت أن قياس المعرفة في القضايا الجدلية يجب أن يدمج “مستوى التأكد واليقين” لمنع خلط التخمين بالمعرفة الراسخة.

من الناحية القياسية النفسية، تأسس المقياس على نموذج موكين للتراكم اللامعلمي (Mokken Scale Analysis). ويفترض هذا النموذج أحادي البعد والتراكمي (Monotone Homogeneity Model) أن فقرات المعرفة تختلف في مستوى صعوبتها المعرفية؛ بحيث أن المستجيب الذي يمتلك مستوى مرتفعاً من السمة الكامنة (المعرفة بالذكاء الاصطناعي) يمتلك احتمالية أعلى للإجابة الصحيحة المقترنة باليقين التام على الفقرات الأكثر صعوبة، مقارنةً بمن يمتلكون مستويات معرفية أدنى.

الصدق

خضع مقياس المعرفة بالذكاء الاصطناعي لفحوص دقيقة لإثبات مؤشرات الصدق المختلفة عبر عينة واسعة من البالغين تم استقطابهم من منصة Prolific في الولايات المتحدة:

• صدق البناء والتدرج (Construct Scalability): أظهرت نتائج تحليل مقياس موكين (Mokken Scale Analysis) أن معامل التدرج الكلي لموكين بلغ (H = 0.34). ووفقاً للأدبيات الإحصائية الكلاسيكية للقياس اللامعلمي (Mokken, 1971; Sijtsma & Molenaar, 2002)، فإن قيمة H التي تقع بين 0.30 و 0.40 تدل على أن المقياس يشكل مقياساً ضعيفاً إلى معتدل التدرج ولكنه صالح ومقبول وموحد البعد، ويثبت أن الفقرات تتراصف تراكمياً في قياس البناء المشترك.
• الصدق التقاربي والتلازمي (Convergent & Concurrent Validity): دعمت نتائج الدراسة الصدق التقاربي للبناء من خلال فحص ارتباطه بـ المعرفة العلمية العامة (General Scientific Knowledge). وأظهرت التحليلات وجود ارتباط إيجابي دال إحصائياً بين درجات الأفراد على مقياس المعرفة بالذكاء الاصطناعي ودرجاتهم على مقياس المعرفة العلمية؛ مما يعزز فرضية أن الإلمام بأساسيات التكنولوجيا يرتبط بالخلفية المعرفية العلمية الأوسع للمستجيبين.
• الصدق التمايزي (Discriminant Validity): تم إثبات الصدق التمايزي بوضوح من خلال التمايز الإحصائي القوي بين درجات المعرفة الموضوعية وبين متغيرات الثقة العامة بالأطباء، الثقة بالذكاء الاصطناعي، وتقييم المنافع والمخاطر. حيث كشفت النتائج أن المعرفة الموضوعية تؤثر على التفضيل وسلوك الاختيار عبر مسار معرفي تحليلي مستقل ومختلف نوعياً عن المسارات الانفعالية والوجدانية.

الثبات

نظراً لأن المقياس تم تقييمه وتحليله بالدرجة الأولى وفق نماذج نظرية الاستجابة للفقرة اللامعلمية (Non-parametric IRT)، فإن معامل ألفا كرونباخ التقليدي يُعد أقل ملاءمة بسبب طبيعة البيانات الثنائية الموزونة باليقين وتدرج الصعوبة. وبناءً على ذلك، اعتمد الباحثون على إحصائية مولينا-سيتسما (Molenaar-Sijtsma statistic – MS) للاتساق الداخلي:

• بلغت قيمة إحصائية مولينا-سيتسما للاتساق الداخلي للمقياس: MS = 0.62.
• تُعد هذه القيمة مقبولة ومطابقة تماماً للمعايير القياسية المعمول بها في مقاييس المعرفة الموضوعية القصيرة ذات البيانات التقريرية الحقيقية؛ إذ تتسق هذه النتيجة بشكل تام مع مقاييس المعرفة الموضوعية المعتمدة في مجالات شبيهة كعلم السموم والمخاطر البيئية (مثل: Bearth et al., 2019).
• تتميز إحصائية مولينا-سيتسما بأنها تعطي تقديراً غير متحيز للثبات في المقاييس أحادية البعد التراكمية، ولا تتطلب افتراضات صارمة حول التكافؤ التاو للفقرات، مما يؤكد أن المقياس يقيس السمة المستهدفة بدرجة كافية من الاستقرار الإحصائي لتطبيقات البحوث الجماعية.

التحليل العاملي

تم فحص البنية العاملية للأداة ضمن سياق الدراسة الكلية التي شملت نماذج القياس لجميع متغيرات الدراسة (المعرفة، الثقة المقارنة، وتصورات المخاطر والفوائد):

• التحليل العاملي التوكيدي (CFA): تم تطبيق نموذج خماسي العوامل (Five-factor model) يدمج مقياس المعرفة بالذكاء الاصطناعي مع أبعاد الثقة والمخاطر والفوائد ذات الصلة بالتطبيقات الصحية.
• مؤشرات حسن المطابقة (Goodness of Fit): أظهر النموذج مطابقة جيدة جداً للبيانات الميدانية، وجاءت الإحصاءات كما يلي:
  • قيمة مربع كاي: $\chi^2 = 1008.46$، درجات الحرية $df = 547$، بمستوى دلالة $p < 0.001$.
  • النسبة المعيارية لمربع كاي: $\chi^2 / df = 1.84$ (وهي قيمة ممتازة لكونها أقل من 2.0).
  • مؤشر المطابقة المقارن (Comparative Fit Index – CFI): 0.91.
  • مؤشر توكر-لويس (Tucker-Lewis Index – TLI): 0.90.
  • جذر متوسط مربعات خطأ الاقتراب (Root Mean Square Error of Approximation – RMSEA): 0.04 (فترة ثقة 90% ممتازة تؤكد دقة المطابقة).
  • جذر متوسط المربعات المتبقية القياسي (Standardized Root Mean Square Residual – SRMR): 0.06 (أقل من الحد الحرج 0.08).
• تشبعات الفقرات (Factor Loadings): أظهرت نتائج التحليل العاملي التوكيدي أن جميع فقرات المقياس قد حققت تشبعات دالة إحصائياً ($p < 0.001$) على عاملها الكامن الخاص بالمعرفة الموضوعية، مما يؤكد التماسك الهيكلي للفقرات.

أداة القياس

تتمتع أداة القياس بخصائص محددة يمكن تفصيلها منهجياً على النحو التالي:

• نوع الاختبار: مقياس تقريري موضوعي قائم على اختبارات المعرفة الحقيقية المقرونة بمستوى اليقين (Confidence-Weighted Objective Test).
• التنسيق: عبارات تقريرية يحدد المفحوص صحتها (صواب / خطأ)، متبوعة فوراً بسؤال لقياس الثقة واليقين في الاختيار.
• عدد الفقرات: 6 فقرات دقيقة تغطي الجوانب التقنية والمفاهيمية العامة للذكاء الاصطناعي.
• مقياس الاستجابة والخيارات:
  • تحديد الصحة: (صواب True / خطأ False).
  • مستوى اليقين: مقياس تدريجي رباعي النقاط:
    • 0 = غير متأكد تماماً (Unsure).
    • 1 = غير متأكد قليلاً (Slightly unsure / Fairly unsure).
    • 2 = متأكد قليلاً (Slightly sure / Fairly sure).
    • 3 = متأكد تماماً (Sure).
• طريقة التصحيح واحتساب الدرجات (Scoring Protocol):
  • تُمنح الدرجة (1) فقط عند تحقق شرطين معاً: اختيار الإجابة الصحيحة للفقرة (وفق المفتاح التصحيحي)، مع تحديد أعلى مستوى من التأكد (الدرجة 3 = متأكد تماماً).
  • تُمنح الدرجة (0) في الحالات التالية: إذا كانت الإجابة خاطئة بغض النظر عن مستوى اليقين، أو إذا كانت الإجابة صحيحة ولكن المستجيب غير متأكد تماماً (أي قيّم ثقته بدرجة 0 أو 1 أو 2).
  • تتراوح الدرجة الكلية للمقياس بين (0 إلى 6) درجات، حيث تعكس الدرجة الأعلى مستوى رفيعاً وراسخاً من المعرفة الموضوعية بالذكاء الاصطناعي غير الخاضعة للتخمين.
• طريقة التطبيق: تطبيق إلكتروني رقمي عبر الإنترنت (Electronic Administration)، مع إمكانية استخدامه بصيغة ورقية عند الحاجة.
• الفئة المستهدفة: البالغون (من عمر 18 عاماً فما فوق) من عموم السكان والمهنيين ومتلقي الرعاية الصحية.

الأذونات والرسوم وسنة الاختبار

نُشر مقياس المعرفة بالذكاء الاصطناعي في عام 2024 ضمن دراسة علمية محكمة منشورة في مجلة Risk Analysis بواسطة دار النشر جون وايلي وأولاده (John Wiley & Sons, Inc.) نيابة عن جمعية تحليل المخاطر (Society for Risk Analysis). المقياس متاح للاستخدام في الأغراض البحثية والأكاديمية غير التجارية بموجب الاقتباس العلمي السليم والإحالة إلى الورقة الأصلية للمؤلفين (Kerstan et al., 2024). ولا توجد رسوم مالية تفرضها جهة النشر أو المؤلفون للاستخدام الأكاديمي، ولكن يُفضل التواصل مع المؤلفة المراسلة صوفي كيرستان في ETH Zurich ([email protected]) عند الرغبة في ترجمة المقياس أو تكييفه لثقافات أخرى أو استخدامه لأغراض تجارية وتشخيصية مهنية خارج النطاق الأكاديمي البحت.

المراجع

• Bearth, A., Jones, N., & Siegrist, M. (2019). The chemical knowledge scale: Development and validation of an instrument to measure laypeople’s knowledge about chemicals. Risk Analysis, 39(12), 2634–2647. https://doi.org/10.1111/risa.13374
• 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
• Mokken, R. J. (1971). A theory and procedure of scale analysis: With applications in political research. De Gruyter Mouton. https://doi.org/10.1515/9783110813203
• Sijtsma, K., & Molenaar, I. W. (2002). Introduction to nonparametric item response theory. SAGE Publications, Inc. https://doi.org/10.4135/9781412984676
• Topol, E. J. (2019). Deep medicine: How artificial intelligence can make healthcare human again. Basic Books.

فقرات المقياس

فيما يلي النص الكامل للفقرات الأصلية لمقياس المعرفة بالذكاء الاصطناعي (AI Knowledge Scale) كما وردت في دراسة كيرستان وزملائها (Kerstan et al., 2024)، متضمنة مفتاح الإجابة الصحيحة وتدريج اليقين المعتمد وخوارزمية احتساب الدرجات، معروضة بالتنسيق اللاتيني القياسي لمنع تداخل النصوص: