مقياس مخاطر وفوائد الذكاء الاصطناعي

1. الملخص

يُعد مقياس مخاطر وفوائد الذكاء الاصطناعي (AI Risks and Benefits Scale – ARBS) أداة سيكومترية متخصصة ومصممة لقياس إدراك الأفراد للمخاطر والمنافع المرتبطة بتطبيقات الذكاء الاصطناعي في قطاع الرعاية الصحية والخدمات الطبية. تم تطوير هذا المقياس بواسطة الباحثين صوفي كيرستان ونادين بينيفيلد وجوديلا غروت (Kerstan, Bienefeld, & Grote, 2024) في المعهد الفدرالي السويسري للتكنولوجيا في زيورخ (ETH Zurich)، استجابةً للحاجة الملحة لفهم الاتجاهات الإنسانية المعقدة والمتباينة نحو إدماج تقنيات الحوسبة المتقدمة والأنظمة الخوارزمية في مسارات اتخاذ القرار السريري والعلاجي، واستكشاف تفضيلات المرضى والجمهور العام بين الأطباء البشريين والتوصيات الطبية الصادرة عن نماذج الذكاء الاصطناعي.

يتألف المقياس من 19 فقرة محكمة ومبنية استناداً إلى مراجعة مستفيضة للأدبيات العلمية والدراسات السابقة في مجال التفاعل بين الإنسان والحاسوب وأخلاقيات الذكاء الاصطناعي الحيوي (مثل دراسات Blease et al., 2019)، بالإضافة إلى مراحل تجريبية أولية (Pre-testing). تتوزع هذه الفقرات على بُعدين نفسيين رئيسيين: بُعد «إدراك الفوائد» (AI Benefits) الذي يقيس التحسينات المتوقعة في دقة التشخيص، وتقليل الأخطاء الطبية، وإمكانية إتاحة الرعاية، والطب التنبؤي؛ وبُعد «إدراك المخاطر» (AI Risks) الذي يغطي المخاوف الأخلاقية، والتحيزات الخوارزمية، وانتهاك الخصوصية، والتجريد من الإنسانية، وتآكل المهارات الإكلينيكية، وفقدان المساءلة. يُجاب عن الفقرات باستخدام مقياس ليكرت الخماسي المتدرج من 1 (غير مرجح للغاية / Extremely unlikely) إلى 5 (مرجح للغاية / Extremely likely).

أظهرت الدراسات السيكومترية للمقياس اتساقاً داخلياً متميزاً؛ حيث حقق بُعد إدراك المخاطر معامل ألفا كرونباخ بلغ 0.87، في حين حقق بُعد إدراك الفوائد معامل ثبات قدره 0.84. كما دعمت نتائج التحليل العاملي التوكيدي (CFA) البنية البنائية المستقلة لهذين البعدين؛ حيث أظهر نموذج القياس ملاءمة إحصائية مقبولة جداً (χ² = 1008.46, df = 547, p < 0.001, χ²/df = 1.84, CFI = 0.91, TLI = 0.90, RMSEA = 0.04, SRMR = 0.06)، مؤكداً تفوق النموذج ثنائي الأبعاد على النماذج الأحادية، وموفراً بذلك أداة قياس موثوقة للباحثين وصناع القرار في قطاع الصحة الرقمية وعلم النفس التنظيمي.

2. الكلمات المفتاحية

الذكاء الاصطناعي، الرعاية الصحية، إدراك المخاطر، إدراك الفوائد، القياس النفسي، التفاعل بين الإنسان والحاسوب، اتخاذ القرار الطبي، الثقة في التكنولوجيا، التحيز الخوارزمي، أخلاقيات الطب الحيوي.

3. المؤلفون

تم تطوير المقياس بواسطة فريق بحثي رائد في علم النفس التنظيمي والتفاعل الإنساني التقني بالمعهد الفدرالي السويسري للتكنولوجيا في زيورخ (ETH Zurich)، ويضم:

• صوفي كيرستان (Sophie Kerstan): باحثة في علم نفس العمل والتنظيم، قسم الإدارة والتكنولوجيا والاقتصاد، المعهد الفدرالي السويسري للتكنولوجيا في زيورخ، سويسرا. البريد الإلكتروني: [email protected].
• د. نادين بينيفيلد (Nadine Bienefeld): باحثة أولى ومحاضرة في علم النفس التنظيمي والقيادة والفرق التكنولوجية، قسم الإدارة والتكنولوجيا والاقتصاد، ETH Zurich، سويسرا.
• أ. د. جوديلا غروت (Gudela Grote): أستاذة كرسي علم نفس العمل والتنظيم، قسم الإدارة والتكنولوجيا والاقتصاد، ETH Zurich، سويسرا، وخبيرة بارزة في إدارة المخاطر المؤسسية، والأمان النفسي، والاعتماد على الأتمتة.

4. الغرض

نشأ مقياس مخاطر وفوائد الذكاء الاصطناعي في ظل تحول جذري تشهده المنظومات الطبية عالمياً، حيث تتغلغل تقنيات تعلم الآلة والرؤية الحاسوبية ومعالجة اللغات الطبيعية في المهام الإكلينيكية الحرجة، بدءاً من تشخيص الأورام وتحليل الصور الإشعاعية وحتى صياغة خطط العلاج الدوائي الموجه. إن الغرض المحوري من تطوير هذا المقياس هو توفير أداة معيارية دقيقة وقابلة للتعميم لتقييم احتمالية حدوث المخاطر والفوائد المتوقعة من استخدام الذكاء الاصطناعي في الممارسة الطبية من منظور الأفراد، دون حصر التقييم في تطبيق تكنولوجي محدد بعينه، مما يمنحه مرونة فائقة وتطبيقاً واسعاً عبر مختلف التخصصات العلاجية.

من الناحية النظرية والبحثية، يهدف المقياس إلى سد فجوة جوهرية في أدبيات علم النفس التطبيقي والتفاعل بين الإنسان والآلة؛ إذ ركزت العديد من المقاييس السابقة إما على القبول العام للتكنولوجيا (Technology Acceptance) استناداً إلى نماذج تقليدية لم تُصمم خصيصاً لمواجهة التعقيدات الأخلاقية والإنسانية العميقة المرتبطة بالقرارات المصيرية للحياة والموت، أو ركزت حصراً على مشاعر القلق دون موازنتها بالفوائد الوظيفية المدركة. يتيح المقياس قياس الاتجاهات المعرفية المزدوجة (Cognitive Ambivalence)؛ حيث يمكن للمستجيب أن يدرك في آنٍ واحد إمكانات الذكاء الاصطناعي الفائقة في تقليص معدلات الخطأ التشخيصي، مع استشعاره العميق لخطر تفكك الرابط الإنساني بين الطبيب ومريضه أو انتهاك سرية السجلات الصحية.

أما من المنظور الإكلينيكي والتطبيقي، فإن للمقياس فوائد جمة بالنسبة لإدارات المستشفيات، وشركات التقنية الطبية، ومخططي السياسات الصحية؛ إذ يوفر تشخيصاً دقيقاً للمحددات النفسية التي تقف وراء ممانعة المرضى أو ترددهم في قبول التوصيات الصادرة عن الخوارزميات، ويحدد الأبعاد التي تتطلب برامج توعية متخصصة، أو إعادة تصميم للواجهات البرمجية لضمان الشفافية وقابلية التفسير (Explainability)، مما يعزز نجاح التحول الرقمي الصحي وتكامله الأخلاقي.

5. البناء النفسي

يقوم المقياس على بنية مفهومية ثنائية متمايزة ومترابطة، تنبثق من نظريات اتخاذ القرار تحت المخاطرة ونماذج التقييم المعرفي. لا ينظر المقياس إلى اتجاهات الأفراد نحو الذكاء الاصطناعي كمتصل خطي أحادي القطب (ينتقل من الرفض التام إلى القبول المطلق)، بل كفضاء متعدد الأبعاد يتشكل من تفاعل قوتين إدراكيتين مستقلتين نسبياً:

أولاً: بُعد إدراك الفوائد (AI Benefit Perceptions)

يمثل هذا البناء تقييم الفرد لاحتمالية مساهمة الذكاء الاصطناعي في تحسين جودة، وكفاءة، وعدالة الرعاية الصحية. ولا ينحصر المفهوم في المنفعة النفعية المباشرة، بل يمتد إلى الأبعاد التالية:

• الكفاءة التشخيصية والتنبؤية: القدرة الفائقة للأنظمة الحاسوبية على معالجة البيانات الضخمة، واكتشاف الأنماط المرضية المستترة، ورصد الأمراض في مراحلها المبكرة (مثل الفقرة 1 والفقرة 4)، والتوصية بخيارات علاجية قد يغفل عنها العقل البشري نتيجة الإجهاد الذهني (الفقرة 7).
• تقليص الأخطاء الطبية وتحسين السلامة: المساهمة في تفادي الأخطاء الدوائية والإجرائية الناجمة عن محدودية الذاكرة البشرية (الفقرة 2).
• إضفاء الطابع الشخصي على الرعاية: تطويع البروتوكولات العلاجية لتلائم الخصائص الجينية والبيولوجية الفردية للمريض (الفقرة 3).
• تعزيز فاعلية النظام الصحي: زيادة كفاءة تقديم الخدمات وتوفير وقت الطبيب ليتمكن من تخصيص وقت أطول للرعاية المباشرة والاستماع للمريض (الفقرة 5 والفقرة 6).
• توسيع نطاق الوصول والعدالة: ديمقراطية الرعاية الصحية من خلال إتاحة استشارات فائقة الجودة للمجتمعات النائية والمحرومة بتكاليف مناسبة (الفقرة 8 والفقرة 9).

ثانياً: بُعد إدراك المخاطر (AI Risk Perceptions)

يقيس هذا البناء النفسي التهديدات والخسائر المحتملة التي يستشعرها الأفراد إزاء دمج التكنولوجيا الذكية في السياقات الطبية، ويشمل محاور حرجة:

• الأضرار الإكلينيكية المباشرة وفقدان القدرة على التكيف: مخاوف تقديم توصيات خاطئة قد تضر بسلامة المرضى (الفقرة 10)، وعجز الخوارزميات عن استيعاب الحالات الفردية المعقدة وغير النمطية (الفقرة 19).
• تفكك البعد الإنساني والتعاطفي: الخوف من تشييء المرضى أو تحويل الرعاية إلى عملية ميكانيكية باردة، وتآكل التواصل البشري الحميمي الذي يُعد علاجياً بحد ذاته (الفقرة 11 والفقرة 16).
• العدالة الاجتماعية والتحيز الخوارزمي: احتمالية إعادة إنتاج وتضخيم التحيزات العرقية والجندرية الموجودة في البيانات التدريبية التاريخية (الفقرة 12).
• الخصوصية والأمن السيبراني: اختراق السجلات الطبية الحساسة وإساءة استخدام البيانات الشخصية للمرضى (الفقرة 13).
• تآكل الكفاءة السريرية والاعتماد المفرط: ما يُعرف بالضمور المهني نتيجة التواكل المعرفي على الآلة، مما يفقد الأطباء حدسهم ومهاراتهم التشخيصية الميدانية (الفقرة 14).
• معضلة «الصندوق الأسود» وغياب المساءلة: انعدام الشفافية في التفسير الإكلينيكي وصعوبة تحديد المسؤولية القانونية والأخلاقية عند وقوع الحوادث الطبية (الفقرة 15 والفقرة 17).
• التبعات الاقتصادية: القلق من أن تؤدي تكاليف التقنية المرتفعة إلى تضخم نفقات الرعاية الصحية العامة (الفقرة 18).

6. الإطار النظري

ينتظم مقياس ARBS تحت مظلة نظرية متكاملة تستند إلى عدة روافد من علم النفس المعرفي، وعلم النفس الاجتماعي، ونظريات التفاعل بين الإنسان والتقنيات الذاتية:

1. نظرية إدراك المخاطر المزدوجة (Dual-Process Theory of Risk Perception)

تستند فلسفة المقياس إلى أطروحات الفائز بجائزة نوبل دانيال كانمان والباحث بول سلوفيك (Paul Slovic) حول الكيفية التي يعالج بها البشر الأخطار والمنافع. يفترض نموذج السلوك الإرشادي للعاطفة (Affect Heuristic) أن استجابات الأفراد للتكنولوجيات الناشئة والمعقدة تتأثر بنظامين إدراكيين: نظام تحليلي منطقي يزن الاحتمالات والمخرجات الموضوعية (الذي يعكسه تقييم دقة التشخيص أو توفير التكاليف)، ونظام شعوري عاطفي حدسي يرتكز على مفاهيم مثل “الخوف من المجهول” وفقدان السيطرة والرغبة في التلامس الإنساني. ينعكس ذلك في صياغة فقرات المقياس؛ حيث تجمع بين التقييمات الإجرائية العقلانية والمخاوف الوجدانية الوجودية المرتبطة بالمرض والشفاء.

2. نموذج قبول التكنولوجيا ونظرية الفعل المخطط (TAM and TPB)

يوسع المقياس نموذج قبول التكنولوجيا التقليدي لفيد ديفيس (Fred Davis)، الذي يفترض أن «الفائدة المدركة» (Perceived Usefulness) و«سهولة الاستخدام المدركة» (Perceived Ease of Use) هما المحركان للنية السلوكية. ومع ذلك، يدرك مؤلفو مقياس ARBS أن الرعاية الصحية تحمل طابعاً استثنائياً لا يكفي معه نموذج TAM المجرد؛ فالأفراد هنا لا يقيمون برمجية مكتبية، بل يضعون أجسادهم وأرواحهم في مواجهة قرار تتخذه منظومة غير واعية. لذلك، تم إدماج مفهوم «الخطر المدرك» (Perceived Risk) كبناء مستقل يضاهي الفائدة وزناً وتأثيراً، متماشياً مع إضافات باحثي السلوك التكنولوجي الحديثين.

3. نظرية الثقة في الأتمتة (Trust in Automation)

تستند الأداة أيضاً إلى أطر عمل راجا باراسورامان (Raja Parasuraman) ولي وسيغلر (Lee & See) حول الثقة في الآلات المستقلة. تشير هذه النظرية إلى أن الاعتماد الفعال على الأنظمة الذكية يتطلب موازنة حذرة لتجنب «إساءة الاستخدام» (Misuse – الإفراط في الثقة والاعتماد المفرط، كما في الفقرة 14) أو «عدم الاستخدام» (Disuse – الرفض غير المبرر القائم على تضخيم المخاطر). من هنا، صُممت فقرات المقياس لترصد طرفي هذه المعادلة الحساسة بدقة فائقة.

7. الصدق

خضع مقياس ARBS لسلسلة من الفحوصات المنهجية الصارمة للتأكد من خصائص الصدق السيكومتري بمختلف تجلياته، عبر عينات معيارية تم تجنيدها من منصات بحثية محكمة (مثل Prolific) في سياق دراسات فحص المفاضلة بين الأطباء البشريين والذكاء الاصطناعي (Kerstan et al., 2024):

صدق المحتوى والظاهري (Content and Face Validity)

تم استخلاص الفقرات وتطويرها في الأصل من مراجعات منهجية معمقة للأدبيات التي تبحث في أخلاقيات الذكاء الاصطناعي وتطبيقاته الصحية (Blease et al., 2019)، تلتها مراجعة دقيقة من قبل لجان خبراء متخصصين في علم نفس العمل وعلم النفس الصحي والتفاعل بين الإنسان والآلة بالمعهد الفدرالي السويسري للتكنولوجيا في زيورخ. كما أُجري اختبار قبلي تجريبي (Pre-test) لضمان وضوح الصياغات اللغوية وخلوها من الغموض أو المصطلحات التقنية المعقدة، والتأكد من ملاءمتها للجمهور العام بمختلف مستوياتهم التعليمية.

صدق البناء (Construct Validity)

تم التحقق من صدق البناء عبر استخدام التحليل العاملي التوكيدي (CFA). أثبتت المؤشرات ملاءمة ممتازة لنموذج العاملين المستقلين (المخاطر مقابل الفوائد) في مقابل نموذج العامل العام الأحادي؛ إذ انخفضت مؤشرات الملاءمة بشكل ملحوظ عند دمج المخاطر والفوائد في بعد واحد، مما يؤكد الاستقلال المفهومي لكل منهما في البنية المعرفية للمستجيبين. بلغت مؤشرات الملاءمة للنموذج المقبول:

• نسبة كاي تربيع إلى درجات الحرية: χ²/df = 1.84 (وهي قيمة ممتازة تقع بوضوح دون الحد الأقصى الموصى به 3.0).
• مؤشر المطابقة المقارن (CFI): 0.91.
• مؤشر تاكر-لويس (TLI): 0.90.
• جذر متوسط مربع خطأ الاقتراب (RMSEA): 0.04 (بفترة ثقة 90% تؤكد جودة مطابقة مرتفعة).
• جذر متوسط مربع البواقي القياسي (SRMR): 0.06 (أقل من العتبة المعيارية 0.08).

الصدق التمايزي والتقاربي (Convergent and Discriminant Validity)

أظهرت التحليلات أن الفقرات تشبعت بدرجات مرتفعة ودالة إحصائياً على عواملها المقررة، مع ارتباط سالب ومعتدل بين بعدي الفوائد والمخاطر، مما يوضح أن الفرد قد يقر بمنافع التقنية وفي ذات الوقت يعبر عن توجسه من مخاطرها، وهو ما يعكس الصدق التمايزي الدقيق للأداة.

8. الثبات

أظهرت نتائج التقييم السيكومتري للمقياس مستويات رفيعة من الاتساق الداخلي (Internal Consistency)، تفوق المعايير الأكاديمية القياسية الموصى بها في القياس النفسي التربوي والإكلينيكي (Nunnally & Bernstein, 1994):

• بُعد إدراك المخاطر (Risk Perceptions): سجل معامل اتساق داخلي ممتاز، حيث بلغت قيمة ألفا كرونباخ (α = 0.87) لفقرات المخاطر العشر (في النسخة المطورة من التحليلات الأصلية)، مما يعكس ترابطاً بنيوياً وثيقاً بين الفقرات وقدرتها على قياس القلق الكامن وتوقع الآثار السلبية دون تشويش دلالي.
• بُعد إدراك الفوائد (Benefit Perceptions): حقق معامل ألفا كرونباخ قدره (α = 0.84) لفقرات الفوائد التسع، وهي قيمة تشير إلى ثبات واستقرار متين يعتد به في البحوث المسحية والتجريبية على حد سواء.

أكدت تحليلات ارتباط الفقرة بالدرجة الكلية المصححة (Corrected Item-Total Correlations) أن جميع الفقرات تجاوزت عتبة 0.40، ولم يؤدِ حذف أي فقرة من الفقرات المعتمدة إلى زيادة ملحوظة في قيمة معامل ألفا العام للمقياسين الفرعيين، مما يؤكد التجانس الداخلي لكافة عناصر الأداة وقوتها التمييزية الفائقة.

9. التحليل العاملي

خضعت فقرات المقياس لمسار تحليل عاملي متكامل اشتمل على مرحلتين أساسيتين:

1. التحليل العاملي الاستكشافي (Exploratory Factor Analysis – EFA)

في المرحلة الاستكشافية الأولية، تم فحص البنية الكامنة لفقرات المقياس باستخدام أسلوب استخلاص المحاور الرئيسية مع التدوير المائل (Promax Rotation)، نظراً للتوقع النظري بوجود ارتباط طبيعي بين أبعاد المفهوم. كشفت النتائج عما يلي:

• بالنسبة لفقرات إدراك المخاطر، أظهر التحليل الاستكشافي وجود حل ثنائي العوامل (2-factor solution) ينقسم إلى مخاطر إجرائية/تقنية (مثل البرمجيات الخاطئة وتدني الدقة) ومخاطر إنسانية/أخلاقية (مثل تجريد الرعاية من الإنسانية وتراجع مهارات الأطباء)، إلا أن التحليلات التوكيدية لاحقاً دمجت هذه المكونات في بعد عام متماسك للمخاطر.
• بالنسبة لفقرات إدراك الفوائد، أسفر التحليل عن بنية أحادية العامل واضحة (1-factor solution) تستوعب مختلف المنافع المرجوة في الممارسة الطبية. وقد لوحظ أثناء التحليل الاستكشافي الأولي أن فقرة واحدة متعلقة بالفوائد تشبعت على عامل مستقل ومنفصل، فتم استبعادها وتنقيح المقياس ليصل إلى بنيته الحالية المتوازنة.

2. التحليل العاملي التوكيدي (Confirmatory Factor Analysis – CFA)

لاختبار البنية النظرية المفترضة، تم إجراء تحليل عاملي توكيدي قارن بين عدة نماذج تنافسية:

• النموذج ثنائي البعد الأساسي: يفصل بين إدراك المخاطر كعامل مستقل وإدراك الفوائد كعامل ثانٍ. أظهر هذا النموذج ملاءمة مقبولة جداً لبيانات العينة وفق المقاييس الإحصائية المعتمدة عالمياً: (χ² = 1008.46, df = 547, p < 0.001, χ²/df = 1.84, CFI = 0.91, TLI = 0.90, RMSEA = 0.04, SRMR = 0.06).
• النموذج أحادي العامل (One-Factor Model): تم فيه إجبار جميع الفقرات على التشبع على عامل عام وحيد يمثل “الموقف الإيجابي/السلبي الشامل نحو الذكاء الاصطناعي”. أظهرت النتائج انحداراً حاداً وغير مقبول في مؤشرات حسن المطابقة، مما برهن إحصائياً على خطأ التعامل مع المخاطر والفوائد كوجهين متعاكسين لعملة واحدة، وأكد ضرورة قياسهما بشكل مستقل ومزدوج.

10. أداة القياس

تتميز أداة القياس بخصائص محددة تيسر تطبيقها الميداني والإلكتروني على حد سواء:

• نوع الاختبار: مقياس تقرير ذاتي (Self-report Inventory/Questionnaire).
• المجال التطبيقي: علم النفس الصحي، علم النفس التنظيمي، التفاعل بين الإنسان والحاسوب (HCI)، وأخلاقيات الطب الحيوي.
• التنسيق: استبانة رقمية تدار إلكترونياً (Electronic Administration).
• عدد الفقرات: 19 فقرة محكمة وموزعة على بعدين (9 فقرات للفوائد و10 فقرات للمخاطر).
• مقياس الاستجابة: مقياس ليكرت خماسي التدريج (5-point Likert scale) يتراوح بين:
  • 1 = غير مرجح للغاية (Extremely unlikely)
  • 2 = غير مرجح (Unlikely)
  • 3 = محايد / غير مؤكد (Neutral / Undecided)
  • 4 = مرجح (Likely)
  • 5 = مرجح للغاية (Extremely likely)
• أسلوب التصحيح (Scoring): يُحسب لكل مستجيب درجتان منفصلتان:
  • درجة «إدراك الفوائد» (AI Benefits): تمثل المتوسط الحسابي للفقرات من 1 إلى 9.
  • درجة «إدراك المخاطر» (AI Risks): تمثل المتوسط الحسابي للفقرات من 10 إلى 19.
• الفقرات المعكوسة (Reverse-scored Items): لا توجد فقرات معكوسة الصياغة ضمن المقياس، حيث تم تصميم الفقرات باتجاهات دلالية مباشرة؛ إذ تعبر فقرات البعد الأول بشكل مباشر عن المكاسب، بينما تعبر فقرات البعد الثاني بشكل مباشر عن المخاطر والتهديدات، مما يسهل عملية التصحيح ويقلل من أخطاء الاستجابة والارتباك الذهني لدى المستجيبين.

11. الأذونات والرسوم وسنة الاختبار

تم نشر المقياس والتحقق من خصائصه السيكومترية لأول مرة في عام 2024 بواسطة صوفي كيرستان وفريقها البحثي في المعهد الفدرالي السويسري للتكنولوجيا في زيورخ (ETH Zurich). المقياس متاح مجاناً للاستخدام في الأغراض البحثية والأكاديمية وغير التجارية بموجب ترخيص المشاع الإبداعي (Creative Commons)، بشرط الاستشهاد الدقيق بالمرجع الأصلي للمؤلفين. لا توجد رسوم مالية على استخدامه في الدراسات النفسية أو الصحية المستقلة. أما بالنسبة للتطبيقات التجارية والاستشارات المؤسسية الموجهة للشركات الخاصة، فيُنصح بالتواصل المباشر مع المؤلفين والجهة الأكاديمية الراعية للحصول على الموافقات الخطية الرسمية.

12. المراجع

• Blease, C., Kaptchuk, T. J., Bernstein, M. H., Mandl, K. D., Halamka, J. D., & DesRoches, C. M. (2019). Artificial intelligence and the future of primary care: Exploratory survey of UK general practitioners. Journal of Medical Internet Research, 21(3), e12802. https://doi.org/10.2196/12802
• 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
• Kerstan, S., Bienefeld, N., & Grote, G. (2024). AI Risks and Benefits Scale: Measuring risk-benefit perceptions of AI-based technologies in healthcare. ETH Zurich, Department of Management, Technology, and Economics. https://ethz.ch/
• Lee, J. D., & See, K. A. (2004). Trust in automation: Designing for appropriate reliance. Human Factors, 46(1), 50–80. https://doi.org/10.1518/hfctr.46.1.50.30392
• Nunnally, J. C., & Bernstein, I. H. (1994). Psychometric theory (3rd ed.). McGraw-Hill.
• Parasuraman, R., & Riley, V. (1997). Humans and automation: Use, misuse, disuse, abuse. Human Factors, 39(2), 230–253. https://doi.org/10.1518/001872097778543886
• Slovic, P. (2000). The perception of risk. Earthscan Publications.

13. فقرات المقياس