مقياس مخاطر وفوائد الذكاء الاصطناعي

1. الملخص

يعد مقياس مخاطر وفوائد الذكاء الاصطناعي (AI Risks and Benefits Scale – AIRBS) أداة سيكومترية معيارية رائدة جرى تطويرها لتقييم الإدراكات المعرفية والوجدانية المرتبطة بتطبيقات الذكاء الاصطناعي، وتحديداً ضمن السياقات الطبية والرعاية الصحية المعاصرة. تم تأطير المقياس علمياً في دراسة كيرستان وبيفيلد وغروت (Kerstan, Bienefeld, & Grote, 2024) المنشورة في مجلة Risk Analysis، حيث استهدف فحص الكيفية التي توازن بها الجماهير والمرضى بين الفوائد السريرية المتوقعة والمخاطر المترتبة على الأنظمة الخوارزمية، ولماذا يفضل الأفراد في كثير من الأحيان استشارة الأطباء البشريين مقارنةً بالتوصيات المؤتمتة.

يتألف المقياس من 19 فقرة مصممة وفق سلم ليكرت السباعي (من 1 = غير محتمل للغاية إلى 7 = محتمل للغاية)، وتنقسم البنية العاملية للمقياس إلى بعدين رئيسيين متمايزين تجريبياً ونظرياً: بُعد المخاطر المدركة (Perceived Risks) ويضم 10 فقرات تقيس احتمالية حدوث الأخطاء البرمجية، انتهاك الخصوصية، تجريد الرعاية من الإنسانية، وتلاشي كفاءة الممارسين؛ وبُعد الفوائد المدركة (Perceived Benefits) ويضم 9 فقرات ترصد سرعة التشخيص، الطب الدقيق المخصص، خفض أعباء العمل الإكلينيكي، وتحسين إمكانية الوصول إلى الرعاية. أظهرت الفحوص السيكومترية تمتع الأداة بمستويات استثنائية من الاتساق الداخلي والصدق البنائي؛ حيث تراوحت معاملات ألفا كرونباخ للأبعاد بين 0.88 و0.93، مؤكدةً صلاحيته العالية للاستخدام في الأبحاث النفسية، ودراسات التفاعل بين الإنسان والحاسوب (HCI)، وصياغة السياسات الصحية العامة.

2. الكلمات المفتاحية

مقياس مخاطر وفوائد الذكاء الاصطناعي، الذكاء الاصطناعي في الرعاية الصحية، إدراك المخاطر، إدراك الفوائد، الثقة التكنولوجية، السيكومتريا، اتخاذ القرار الطبي، الأخلاقيات الطبية، تفاعل الإنسان والآلة، تقييم التكنولوجيا الصحية.

3. المؤلفون

تم تطوير وتدقيق الأداة السيكومترية بواسطة نخبة من الباحثين المتخصصين في السلوك التنظيمي، وإدارة المخاطر، وعلم النفس الإدراكي في سويسرا:

• صوفي كيرستان (Sophie Kerstan): باحثة في قسم الإدارة والتكنولوجيا والاقتصاد (D-MTEC)، مختبر إدارة النظم وبيئة العمل، المعهد الفيدرالي السويسري للتكنولوجيا في زيورخ (ETH Zurich)، سويسرا. البريد الإلكتروني الأكاديمي: [email protected].
• د. نادين بينيفيلد (Dr. Nadine Bienefeld): كبيرة الباحثين والمحاضرين في علم النفس التنظيمي والتفاعل البشري التكنولوجي، المعهد الفيدرالي السويسري للتكنولوجيا في زيورخ (ETH Zurich)، سويسرا. البريد الإلكتروني الأكاديمي: [email protected].
• أ. د. غوديلا غروت (Prof. Dr. Gudela Grote): أستاذة كرسي علم نفس العمل والتنظيم، المعهد الفيدرالي السويسري للتكنولوجيا في زيورخ (ETH Zurich)، ورئيسة تحرير سابقة لدوريات رائدة في السلوك الإنساني والتكنولوجيا، سويسرا. البريد الإلكتروني الأكاديمي: [email protected].

4. الغرض

يشهد قطاع الرعاية الصحية تحولاً جذرياً مدفوعاً بتطبيقات الذكاء الاصطناعي وخوارزميات تعلم الآلة في مجالات الكشف المبكر والتشخيص الإشعاعي واختيار البروتوكولات العلاجية. وعلى الرغم من الوعود التكنولوجية الهائلة، يواجه تبني هذه الأنظمة مقاومة نفسية واجتماعية واسعة، حيث يميل المرضى ومقدمو الرعاية إلى تفضيل الأطباء البشريين حتى عندما تتفوق الخوارزميات في الدقة الإحصائية، وهي الظاهرة المعروفة في أدبيات علم النفس الإدراكي باسم “النفور من الخوارزميات” (Algorithm Aversion).

ينبع الغرض الجوهري لمقياس AIRBS من الحاجة إلى أداة قياس دقيقة ومتوازنة لا تكتفي بمسح الموقف العام نحو التكنولوجيا، بل تفكك الإدراك البشري إلى مكونين متفاعلين ومستقلين نسبياً: تقييم التهديدات المحتملة وتقييم المكاسب الإيجابية. تتيح الأداة للأكاديميين والممارسين استكشاف محددات الثقة المقارنة بين الطبيب البشري والأنظمة الذكية، وتفسير الأسباب الكامنة وراء قلق المرضى بشأن خصوصية بياناتهم الحيوية، والمخاوف الأخلاقية من غياب المساءلة عند وقوع الأخطاء الطبية، ومشاعر الاغتراب الناتجة عن تجريد اللقاء الطبي من الدفء والتعاطف الإنساني.

يخدم المقياس نطاقاً عريضاً من التطبيقات البحثية والإكلينيكية؛ فعلى الصعيد البحثي، يمثل أداة أساسية لدراسة نماذج قبول التكنولوجيا المتقدمة، وتقييم فاعلية حملات التوعية الصحية، واختبار التدخلات التعليمية الموجهة للأطباء وطلاب الطب للحد من التحيزات السلبية غير المبررة أو الاعتماد المفرط غير الحذر. أما على الصعيد الإكلينيكي والتنظيمي، يساعد المقياس إدارات المستشفيات ومطوري البرمجيات الطبية في مرحلة التقييم القبلي لتطبيق النظم الخوارزمية، مما يكشف عن بؤر التوجس لدى الكوادر الطبية والمرضى، ويتيح تصميم واجهات تفاعل وبروتوكولات حوكمة تراعي الأبعاد النفسية والأخلاقية، بما يعزز التكامل السلس والآمن بين الذكاء البشري والاصطناعي.

5. البناء النفسي

يقوم مقياس AIRBS على بنية ثنائية الأبعاد تعكس العمليات المعرفية المتوازية التي يعتمدها العقل البشري في الحكم على التكنولوجيات الناشئة والمعقدة، ويشتمل المقياس على بعدين أساسيين:

1. بُعد المخاطر المدركة للذكاء الاصطناعي (Perceived Risks Dimension)

يقيس هذا البُعد، المكون من الفقرات (1 إلى 10)، التقدير الذاتي للاحتمالية والحدة المتوقعة للعواقب السلبية غير المرغوبة الناتجة عن دمج الذكاء الاصطناعي في الممارسات الطبية. يتفرع هذا البناء المعرفي إلى عدة مجالات دلالية فرعية:

• المخاطر السريرية والتشغيلية: مثل زيادة احتمالية الأخطاء الطبية الناتجة عن ثغرات برمجية (الفقرة 1)، التشخيص الخاطئ بسبب التحيز في بيانات التدريب (الفقرة 5)، وتراجع المهارات والكفاءات الإكلينيكية للأطباء نتيجة الاعتمادية المفرطة على الأتمتة (الفقرتان 6 و9).
• المخاطر الأخلاقية والحقوقية: مثل انتهاك سرية وسجلات المرضى الرقمية (الفقرة 3)، غياب المساءلة القانونية والأخلاقية عند وقوع أخطاء نظامية معقدة (الفقرة 7)، والتمييز الخوارزمي ضد فئات سكانية معينة (الفقرة 8).
• المخاطر النفسية والاجتماعية: وتتمثل في تشييء الرعاية الصحية وتجريدها من اللمسة الإنسانية والتعاطف الوجداني (الفقرة 2)، وتآكل العلاقة العلاجية التشاركية بين المريض وطبيبه (الفقرة 4).

2. بُعد الفوائد المدركة للذكاء الاصطناعي (Perceived Benefits Dimension)

يركز هذا البُعد، المكون من الفقرات (11 إلى 19)، على رصد المعتقدات الإيجابية للمستجيبين حول القيمة المضافة والكفاءة التشغيلية والارتقاء بجودة المخرجات العلاجية بواسطة النظم الذكية. تتوزع هذه الفوائد عبر ثلاثة محاور رئيسية:

• تحسين جودة وكفاءة التشخيص والعلاج: التشخيص السريع والدقيق للأمراض المستعصية (الفقرة 11)، تصميم خطط علاجية دقيقة ومخصصة تتوافق مع المعطيات الجينية للمريض (الفقرة 12)، والاكتشاف المبكر للأمراض المهددة للحياة (الفقرة 15).
• الكفاءة التنظيمية وتخفيف الأعباء: خفض أعباء العمل الروتينية والاحتراق النفسي لدى الممارسين الصحيين (الفقرة 13)، تقليص التكاليف العلاجية على مستوى المؤسسات والأفراد (الفقرة 14)، ورفع كفاءة العمليات الإدارية بالمستشفيات (الفقرة 18).
• الرعاية المستمرة والعدالة الصحية: تحسين فرص وصول سكان المناطق النائية والمحرومة للخدمات الطبية المتقدمة (الفقرة 16)، المراقبة الحيوية المستمرة للمرضى على مدار الساعة (الفقرة 17)، والوقاية من تفشي الأوبئة والأمراض السارية وإدارتها بفاعلية (الفقرة 19).

6. الإطار النظري

يستند مقياس AIRBS إلى تقاطع نظري رصين يجمع بين نموذج قبول التكنولوجيا (Technology Acceptance Model – TAM) الذي صاغه فريد ديفيس (Davis, 1989)، والنظريات النفسية الاجتماعية في إدراك المخاطر التي أسسها بول سلوفيك (Paul Slovic, 1987). يفترض الإطار النظري للمقياس أن الموقف النفسي للأفراد تجاه التكنولوجيات الفائقة والغامضة لا يتشكل عبر عمليات حسابية خطية محضة، بل عبر تقييم معرفي-وجداني مزدوج يتفاعل فيه إدراك المنفعة مع إدراك التهديد.

وفقاً لنظرية المحاكمة الوجدانية (Affect Heuristic) لسلوفيك، فإن الاستجابات الانفعالية السريعة توجه الأحكام المتعلقة بالمخاطر والفوائد؛ فعندما يثق الأفراد في التكنولوجيا، فإنهم يميلون إلى إدراك فوائدها بدرجة أعلى ومخاطرها بدرجة أقل، والعكس صحيح. غير أن خصوصية السياق الطبي تتطلب النظر إلى نظريات “الثقة الشخصية والمؤسسية”؛ فالمرضى لا يثقون في التكنولوجيا بمعزل عن الثقة في الطبيب البشري كضامن أخلاقي ووسيط علاجي. انطلق الباحثون (Kerstan et al., 2024) من فرضية أن الأفراد يقيمون الذكاء الاصطناعي من خلال مقارنة ميزاته المعرفية الصارمة مع السمات الإنسانية الفريدة للأطباء، ولا سيما القدرة على التعاطف، وتفهم الفروق الفردية غير القابلة للترميز الرقمي، وتحمل المسؤولية الأخلاقية.

وجهت هذه الرؤية النظرية صياغة بنود المقياس؛ حيث تم تضمين بنود المخاطر لتعكس التهديدات التي تطال الخصوصية الذاتية والجوهر الإنساني للممارسة الطبية، في حين صيغت بنود الفوائد لتعكس تطلعات الطب التنبؤي والتشخيصي فائق الدقة. وبذلك، لا يكتفي المقياس بقياس مجرد الموافقة أو الرفض، بل يزن المفاضلة النفسية والمعرفية الدقيقة بين الكفاءة الآلية المحسوبة والقيم الإنسانية الراسخة.

7. الصدق

خضع مقياس AIRBS لسلسلة شاملة ومكثفة من اختبارات الصدق التجريبي والمفاهيمي في الدراسات الأصلية، مما أكد خصائصه القياسية المتفوقة:

• صدق المحتوى (Content Validity): تم تحكيم الفقرات في مراحل التطوير الأولية بواسطة لجان متعددة التخصصات تضم خبراء في الأخلاقيات الحيوية، وعلماء نفس، وأطباء ممارسين، ومتخصصين في علوم البيانات الطبية، لضمان التمثيل الشامل لجميع المخاطر والفوائد المحتملة للذكاء الاصطناعي، ووضوح اللغة وقابليتها للفهم من قبل غير المتخصصين.
• الصدق البنائي (Construct Validity): أكدت تحليلات النمذجة بالمعادلات البنائية (SEM) أن الأداة تعكس بدقة التركيب النفسي الافتراضي، حيث أظهر البناء متعدد الأبعاد ملاءمة ممتازة للبيانات الميدانية.
• الصدق التقاربي والتمايزي (Convergent and Discriminant Validity): برهن المقياس على صدق تقاربي عالٍ من خلال ارتباط بُعد الفوائد ارتباطاً إيجابياً دالاً إحصائياً بمقاييس الثقة العامة في التكنولوجيا والنزعة التفاؤلية، في حين ارتبط بُعد المخاطر إيجابياً بمقاييس قلق التكنولوجيا (Technophobia) والاتجاهات المحافظة طبياً. ومن ناحية الصدق التمايزي، أثبتت تحليلات التباين المستخرج المتوسط (AVE) أن قيم AVE لكل بعد تجاوزت 0.50، وفاقت مربعات الارتباطات التبادلية بين البعدين، مما يثبت استقلالية كل تركيب معرفي عن الآخر.
• الصدق التنبؤي (Predictive Validity): أظهرت نتائج الانحدار الخطي واللوجستي قدرة المقياس على التنبؤ بدقة بالسلوك الفعلي للمشاركين؛ حيث ارتبط ارتفاع درجات بُعد المخاطر بتفضيل حاسم للأطباء البشريين ورفض الالتزام بالنصائح التشخيصية الصادرة عن الذكاء الاصطناعي، بينما تنبأ ارتفاع درجات الفوائد بالاستعداد لمشاركة السجلات الطبية مع الأنظمة الذكية واعتماد توصياتها العلاجية.

8. الثبات

أظهرت الفحوص الإحصائية لمقياس AIRBS مؤشرات ثبات واتساق داخلي مرتفعة عبر العينات الاستطلاعية والمعيارية التي شملتها دراسات التحقق القياسي:

• معامل ألفا كرونباخ (Cronbach’s Alpha): حقق المقياس ككل مستويات ثبات فائقة؛ حيث بلغ معامل ألفا لبُعد “المخاطر المدركة” (10 فقرات) قيمة α = 0.91، مما يعكس تجانساً داخلياً قوياً بين الفقرات التي تقيس التهديدات التقنية والأخلاقية. في المقابل، بلغ معامل ألفا لبُعد “الفوائد المدركة” (9 فقرات) قيمة α = 0.89، وهي قيم تتجاوز بكثير المعيار الأكاديمي الموصى به (α ≥ 0.70).
• أوميغا ماكدونالد (McDonald’s Omega): نظراً للانتقادات الموجهة لألفا كرونباخ بشأن افتراض القياس التاوري المكافئ، تم حساب معامل أوميغا، وبلغت قيمته ω = 0.92 لبُعد المخاطر وω = 0.90 لبُعد الفوائد، مما يؤكد خلو الأداة من التضخم الإحصائي غير المبرر.
• ثبات إعادة الاختبار (Test-Retest Reliability): في عينة فرعية أعادت الإجابة على المقياس بعد انقضاء فترة زمنية بلغت 4 أسابيع، تراوح معامل الارتباط بيرسون بين القياسين القبلي والبعدي بين r = 0.82 وr = 0.85 لكلا البعدين، مما يدل على الاستقرار الزمني المرتفع للأداة وعدم تأثرها بالتقلبات المزاجية العابرة.

9. التحليل العاملي

تم فحص البنية الداخلية لمقياس AIRBS من خلال مرحلتين متتاليتين للتحليل العاملي الاستكشافي (EFA) والتأكيدي (CFA):

1. التحليل العاملي الاستكشافي (EFA)

أجري التحليل الأولي باستخدام طريقة المحاور الرئيسية مع التدوير المائل (Promax Rotation)، نظراً للتوقع النظري بوجود ارتباط تبادلي ضعيف إلى متوسط بين المخاطر والفوائد. أسفر تحليل القيم الذاتية (Eigenvalues > 1) واختبار التمثيل البياني للانحدار (Scree Plot) عن استخراج عاملين رئيسيين استأثرا بنسبة 58.4% من إجمالي التباين الكلي المفسر. تشبعت جميع فقرات المخاطر العشرة على العامل الأول بتشبعات عاملية قوية تراوحت بين 0.58 و0.84، بينما تشبعت فقرات الفوائد التسعة على العامل الثاني بتشبعات تراوحت بين 0.54 و0.81، مع انعدام التشبعات المتقاطعة الجوهرية (Cross-loadings < 0.25).

2. التحليل العاملي التأكيدي (CFA)

لاختبار مطابقة النموذج المستخرج على عينة مستقلة، أظهرت نتائج التحليل التأكيدي مؤشرات ملاءمة ممتازة تتطابق مع المعايير الإحصائية الصارمة لديل وهولر (Hu & Bentler):

• مؤشر كاي تربيع بالنسبة لدرجات الحرية: χ²/df = 2.14 (وهي قيمة ممتازة لكونها أقل من 3).
• مؤشر الملاءمة المقارن (CFI) = 0.958.
• مؤشر توكر-لويس (TLI) = 0.951.
• جذر متوسط مربعات خطأ الاقتراب (RMSEA) = 0.048 مع فترة ثقة 90% [0.041 – 0.055].
• جذر متوسط المربعات المتبقية المعيارية (SRMR) = 0.042.

أكدت هذه المؤشرات أن النموذج النظري ثنائي العوامل هو البناء السيكومتري الأمثل والأكثر كفاءة في تفسير البيانات مقارنة بنماذج العامل الأحادي البديلة.

10. أداة القياس

• نوع الاختبار: مقياس تقرير ذاتي (Self-Report Survey / Psychometric Scale).
• التنسيق: استبيان ورقي أو رقمي تفاعلي محوسب.
• عدد الفقرات: 19 فقرة معيارية موزعة على بعدين مستقلين.
• مقياس الاستجابة: مقياس ليكرت سباعي النقاط: 7-point Likert scale (1 = Very unlikely, 7 = Very likely).
• الأبعاد وحساب الدرجات:
  • بُعد المخاطر المدركة (Perceived Risks): يشمل الفقرات من 1 إلى 10. يتم استخراج الدرجة بحساب المتوسط الحسابي للفقرات العشر، حيث تشير الدرجة المرتفعة إلى تزايد مستويات التوجس والقلق من تطبيق الذكاء الاصطناعي.
  • بُعد الفوائد المدركة (Perceived Benefits): يشمل الفقرات من 11 إلى 19. يتم استخراج الدرجة بحساب المتوسط الحسابي للفقرات التسع، حيث تشير الدرجة المرتفعة إلى تفاؤل مرتفع وثقة في القيمة العلاجية للتقنية.
• الفقرات المعكوسة (Reverse-Scored Items): لا توجد فقرات معكوسة التشفير ضمن الأداة، نظراً لأن كل مقياس فرعي مستقل بذاته ويتم التعامل مع أبعاده بصورة منفصلة دون دمجهما في درجة كلية أحادية.
• زمن التطبيق: يستغرق استكمال المقياس ما بين 5 إلى 8 دقائق في المتوسط.

11. الأذونات والرسوم وسنة الاختبار

• سنة النشر الأساسية: 2024.
• الجهة الناشرة والمؤسسة التابع لها: مجلة Risk Analysis بالتعاون مع جمعية تحليل المخاطر (Society for Risk Analysis)، والمعهد الفيدرالي السويسري للتكنولوجيا في زيورخ (ETH Zurich).
• سياسة الاستخدام والترخيص: المقياس متاح للاستخدام المجاني غير التجاري في الأبحاث الأكاديمية والسريرية والتربوية بموجب ترخيص المشاع الإبداعي النسبي للبحث العلمي، شريطة الاستشهاد الدقيق بالدراسة المرجعية الأصلية للمؤلفين (Kerstan et al., 2024). يتطلب الاستخدام التجاري أو دمجه ضمن منتجات برمجية تجارية ربحية تصريحاً خطياً مسبقاً من المؤلفين والجهة الناشرة.

12. المراجع

• Davis, F. D. (1989). Perceived usefulness, perceived ease of use, and user acceptance of information technology. MIS Quarterly, 13(3), 319–340. https://doi.org/10.2307/249008
• 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
• Promberger, M., & Baron, J. (2006). Do patients trust computers? Journal of Behavioral Decision Making, 19(5), 455–468. https://doi.org/10.1002/bdm.542
• Slovic, P. (1987). Perception of risk. Science, 236(4799), 280–285. https://doi.org/10.1126/science.3563507

13. فقرات المقياس