1. الملخص
يمثل مقياس الكفاءة في التعامل مع منصة الذكاء الاصطناعي (Competence with the AI Platform) أداة سيكومترية متقدمة صُممت لقياس إدراك الفرد لقدرته وكفاءته الذاتية في حماية خصوصية بياناته الشخصية والتحكم فيها عند التفاعل مع الأجهزة والمنصات المدعومة بـ الذكاء الاصطناعي. طوّر هذا المقياس وطبقه كل من الباحثين إرتوغرول أويصال (Ertugrul Uysal)، وساشا علافي (Sascha Alavi)، وفاليري بيزنسون (Valéry Bezençon) عام 2022 ضمن دراستهم المنشورة في دورية Journal of the Academy of Marketing Science، والتي ركزت على فحص طبيعة العلاقة بين المستخدمين والمساعدات الرقمية الذكية (مثل Amazon Alexa) وما إذا كان يُنظر إليها كـ “حصان طروادة” لانتهاك الخصوصية أم كمساعد مفيد.
يستند المقياس من الناحية البنائية إلى مفهوم الكفاءة الذاتية (Self-Efficacy) ونظرية الحسابات الخصوصية (Privacy Calculus Theory)، حيث يفترض أن شعور المستخدم بالتمكن والسيطرة التقنية يقلل من مخاوف الخصوصية ويعزز الثقة في التفاعل المستمر مع الأنظمة الذكية. يتألف المقياس عادة من مجموعة مركزة من الفقرات (غالباً ما بين 3 إلى 4 فقرات مصاغة بدقة) تُقاس على مقياس ليكرت السباعي متدرج من (1 = أعارض بشدة إلى 7 = أوافق بشدة). أظهرت الدراسات السيكومترية أن المقياس يتمتع بدرجات صدق تقاربي وبنائي وتمايزي مرتفعة، إضافة إلى اتساق داخلي ممتاز (معامل ألفا كرونباخ يتجاوز 0.85، وموثوقية مركبة CR تتجاوز 0.88)، مما يجعله أداة قيّمة للباحثين في علم النفس السيبراني، وسلوك المستهلك الرقمي، وتصميم التفاعل بين الإنسان والآلة (HCI).
2. الكلمات المفتاحية
الكفاءة الذاتية الرقمية، الذكاء الاصطناعي، خصوصية البيانات، المساعدات الصوتية الذكية، سلوك المستهلك الرقمي، أمن المعلومات، التفاعل بين الإنسان والحاسوب، مقياس ليكرت، القياس النفسي، أليكسا، الثقة التكنولوجية.
3. المؤلفون
تم تطوير واستخدام هذا المقياس ضمن دراسة رائدة قادها فريق بحثي دولي متخصص في سلوك المستهلك والتسويق والتفاعل التكنولوجي:
- د. إرتوغرول أويصال (Ertugrul Uysal): باحث وأكاديمي متخصص في التسويق الرقمي وتجربة المستخدم وعلم النفس المعرفي للتقنيات الحديثة، معهد التسويق بجامعة نوشاتيل (University of Neuchâtel)، سويسرا.
- أ.د. ساشا علافي (Sascha Alavi): أستاذ التسويق وسلوك المستهلك، ورئيس كرسي التسويق والمبيعات الرقمية في جامعة بوخوم (Ruhr-University Bochum)، ألمانيا.
- أ.د. فاليري بيزنسون (Valéry Bezençon): أستاذ التسويق وسلوك المستهلك المستدام والابتكار، كلية الاقتصاد والأعمال، جامعة نوشاتيل (University of Neuchâtel)، سويسرا.
4. الغرض
يتمحور الغرض الجوهري من مقياس الكفاءة في التعامل مع منصة الذكاء الاصطناعي حول قياس التقييم الذاتي للفرد لقدراته وإمكاناته المعرفية والعملية في إدارة تدفق البيانات الشخصية وحمايتها أثناء استخدام تقنيات الذكاء الاصطناعي المتصلة بالإنترنت. في ظل التطور المتسارع لأنظمة الذكاء الاصطناعي التوليدي والوكلاء المستقلين والمساعدات الذكية المستمرة الاستماع (Always-on microphones)، لم يعد التحدي مجرد تبني التكنولوجيا، بل فهم كيفية تعامل المستخدمين مع المقايضة المعقدة بين المنفعة الفائقة وفقدان السيطرة على الخصوصية.
يهدف المقياس إلى توفير أداة معيارية دقيقة قادرة على التنبؤ بسلوكيات المستخدمين الوقائية وتفضيلاتهم الاستهلاكية. ففي السياقات البحثية، يُستخدم المقياس كمتغير وسيط أو معدّل (Moderator) في نماذج تقبل التقنية (TAM) ونظريات حماية المستهلك؛ حيث يساعد الباحثين في فهم كيف يمكن للكفاءة الذاتية المدركة أن تعوض عن المخاوف المرتبطة بطبيعة “الصندوق الأسود” للمنصات الذكية. أما في السياقات التطبيقية وتصميم المنتجات، يُمكّن المقياس مطوري أنظمة الذكاء الاصطناعي ومهندسي واجهات المستخدم من تقييم أثر ميزات الشفافية والتحكم في الخصوصية على تعزيز إحساس المستخدم بالتمكين والجدارة الذاتية، مما يؤدي بدوره إلى تعزيز الثقة والولاء الرقمي وتقليل ممارسات التوقف عن الاستخدام (Abandonment).
5. البناء النفسي
يرتكز البناء النفسي (Psychological Construct) لهذا المقياس على مفهوم “الكفاءة في الخصوصية التكنولوجية” كحالة نوعية من حالات الكفاءة الذاتية المتصلة بنطاق محدد (Domain-Specific Self-Efficacy). ويغطي البناء أبعاداً إدراكية وتشغيلية محددة ترتبط مباشرة ببيئات الذكاء الاصطناعي:
أبعاد البناء النفسي للمقياس:
- الإدراك المعرفي للآليات الرقمية (Cognitive Awareness of Data Flows): ويقيس مدى استيعاب المستخدم لكيفية قيام المنصة بجمع البيانات، وتخزينها، واستخدام خوارزميات التعلم الآلي لمعالجتها، وما إذا كان المستخدم يمتلك فهماً كافياً لما يحدث لبياناته خلف الكواليس.
- القدرة الإجرائية على التحكم (Procedural Control Capacity): ويشير إلى الثقة الذاتية في تنفيذ خطوات ملموسة لحماية الخصوصية، مثل ضبط إعدادات الأمان في التطبيق المرفق، وحذف سجل المحادثات الصوتية، وإيقاف تشغيل الميكروفونات أو الكاميرات متى رغب في ذلك.
- الفاعلية الذاتية في مواجهة المخاطر (Privacy Self-Efficacy): ويمثل الاعتقاد الشخصي الداخلي بأن الفرد يمتلك المهارات الكافية لحماية مصالحه الخاصة من الاستغلال الخوارزمي أو التسريبات أو التنميط السلوكي دون الاعتماد المطلق على وعود الشركات المطورة فقط.
6. الإطار النظري
يستمد المقياس أصوله النظرية من تقاطع نظريتين رئيسيتين في العلوم السلوكية والإدارية:
أولاً، النظرية الاجتماعية المعرفية (Social Cognitive Theory) لألبرت باندورا (Albert Bandura): يرى باندورا أن سلوك الإنسان تحكمه أحكام الفرد الذاتية حول قدرته على تنظيم وتنفيذ مسارات العمل المطلوبة للوصول إلى إنجازات معينة. وفي السياق الرقمي، تم نقل هذا المفهوم ليصبح “كفاءة الخصوصية الحاسوبية”. يفترض الباحثون أن كفاءة المستخدم مع منصة الذكاء الاصطناعي ليست مهارة آلية مجردة، بل هي تقييم إدراكي يعتمد على الخبرات الناجحة السابقة، ونمذجة السلوك، والاستجابات الانفعالية حيال المخاطر الرقمية.
ثانياً، نظرية الحسابات الخصوصية (Privacy Calculus Theory): تفترض هذه النظرية أن الأفراد يتخذون قرارات الإفصاح عن المعلومات ومشاركة البيانات بناءً على تقييم عقلاني للموازنة بين المنافع المتوقعة (مثل الراحة، والخدمات الشخصية المخصصة) والمخاطر المتوقعة (مثل انتهاك الخصوصية، والمراقبة). في دراسة Uysal et al. (2022)، يلعب مفهوم الكفاءة دوراً محورياً في إعادة صياغة معادلة الحسابات؛ إذ يؤدي ارتفاع الكفاءة إلى خفض المخاطر المدركة لكون المستخدم يشعر بالقدرة على حماية نفسه، مما يحيل المنصة من كائن تهديدي (“حصان طروادة”) إلى أداة ومساعد وظيفي موثوق.
7. الصدق
خضع المقياس لإجراءات تحقق صارمة تضمن تمتعه بخصائص قياس سيكومترية عالية:
- صدق المحتوى والظاهري (Face & Content Validity): تم مراجعة عبارات المقياس وصياغتها استناداً إلى أدبيات حماية البيانات ونماذج الكفاءة الحاسوبية، وعُرضت على خبراء متخصصين في سلوك المستهلك ونظم المعلومات للتأكد من ملاءمة المصطلحات للتقنيات الصوتية والذكية الحديثة.
- الصدق التقاربي (Convergent Validity): تم التحقق من الصدق التقاربي عبر فحص تشبعات الفقرات على العامل الكامن (Factor Loadings) التي تجاوزت جميعها عتبة 0.70 بمستوى دلالة إحصائية (p < 0.001)، بالإضافة إلى تجاوز قيمة متوسط التباين المستخرج (Average Variance Extracted – AVE) للحد الأدنى الموصى به وهو 0.50 (حيث بلغت قيمته في الدراسة أكثر من 0.65)، مما يؤكد أن البناء يفسر أكثر من نصف تباين مؤشراته.
- الصدق التمايزي (Discriminant Validity): تم إثبات الصدق التمايزي باستخدام معيار فورنل-لاركر (Fornell-Larcker Criterion) ونسبة مصفوفة التغاير والارتباط (HTMT). كانت الجذور التربيعية لـ AVE لكل بناء أعلى بشكل ملحوظ من ارتباطاته مع كافة الأبنية الأخرى في النموذج (مثل المخاوف المتعلقة بالخصوصية، والتأنيس، والثقة بالمساعد الذكي).
- الصدق التنبؤي (Predictive Validity): أثبت المقياس قدرة تنبؤية قوية؛ حيث ارتبطت الدرجات المرتفعة على مقياس الكفاءة بانخفاض إدراك استغلال المنصة للمستخدم وزيادة النية للاستخدام المستمر والارتباط الإيجابي بالمساعد الذكي.
8. الثبات
أظهرت نتائج القياس في دراسة Uysal et al. (2022) مؤشرات اتساق داخلي فائقة لمقياس الكفاءة في التعامل مع منصة الذكاء الاصطناعي:
- معامل ألفا كرونباخ (Cronbach’s Alpha): حقق المقياس معاملات اتساق تجاوزت 0.85 عبر عينات الدراسة المستعرضة، متفوقاً على الحد المنهجي المعتاد البالغ 0.70.
- الموثوقية المركبة (Composite Reliability – CR): بلغت قيم الموثوقية المركبة للبناء ما يفوق 0.88، مما يبرهن على تجانس وتماسك فقرات المقياس في قياس نفس البعد الكامن بدقة متناهية ودون تشتت في التباين العشوائي.
9. التحليل العاملي
أُجريت تحليلات عاملية متقدمة لاختبار البنية الهندسية للمقياس ضمن نمذجة المعادلة البنائية (SEM):
نتائج التحليل العاملي التأكيدي (CFA):
أكدت نتائج التحليل العاملي التأكيدي أن المقياس يتمتع بأحادية البعد (Unidimensional Construct)؛ حيث تشبعت جميع الفقرات بشكل فردي وقوي على عامل واحد يمثل الكفاءة المدركة للخصوصية مع المنصة. جاءت مؤشرات ملاءمة النموذج مطابقة للمعايير الإحصائية الصارمة:
- مؤشر المطابقة المقارن (Comparative Fit Index – CFI) > 0.95
- مؤشر تاكر-لويس (Tucker-Lewis Index – TLI) > 0.95
- جذر متوسط مربعات خطأ الاقتراب (RMSEA) < 0.06
- جذر متوسط المربعات القياسي المتبقي (SRMR) < 0.05
أظهرت كافة الفقرات أوزاناً انحدارية معيارية (Standardized Regression Weights) تراوحت بين 0.75 و 0.90، مما يشير إلى أن النموذج العاملي يتمتع بمطابقة ممتازة للبيانات الميدانية.
10. أداة القياس
تتضمن الخصائص التشغيلية لأداة القياس ما يلي:
- نوع الاختبار: مقياس تقرير ذاتي (Self-Report Instrument).
- شكل التنسيق: استبيان رقمي أو ورقي يشتمل على عبارات تقريرية قصيرة ومباشرة.
- عدد الفقرات: يتكون المقياس المصغر عادة من 3 إلى 4 فقرات مصممة للتقييم السريع والفعال دون إجهاد المستجيب.
- مقياس الاستجابة: مقياس ليكرت السباعي (7-point Likert Scale) متدرج كما يلي:
- 1 = أعارض بشدة (Strongly Disagree)
- 2 = أعارض (Disagree)
- 3 = أعارض إلى حد ما (Somewhat Disagree)
- 4 = محايد (Neither Agree nor Disagree)
- 5 = أوافق إلى حد ما (Somewhat Agree)
- 6 = أوافق (Agree)
- 7 = أوافق بشدة (Strongly Agree)
- طريقة التصحيح: يتم حساب متوسط درجات المستجيب على جميع الفقرات، حيث تشير الدرجة المرتفعة (أقرب إلى 7) إلى مستوى عالٍ من الكفاءة والشعور بالسيطرة على خصوصية البيانات في المنصة، بينما تشير الدرجة المنخفضة (أقرب إلى 1) إلى ضعف الكفاءة والشعور بالعجز الرقمي.
- الفقرات المعكوسة: لا توجد فقرات معكوسة الصياغة في النموذج المختصر لضمان سلاسة الفهم وتفادي تشويش المستجيبين.
11. الأذونات والرسوم وسنة الاختبار
- سنة النشر: 2022.
- الناشر الأكاديمي: سبرنجر (Springer) بالتعاون مع أكاديمية علوم التسويق (Academy of Marketing Science).
- حقوق الملكية الفكرية: حقوق الطبع والنشر الأصلية للمقال البحثي والأداة المنشورة محفوظة لـ Academy of Marketing Science ومؤلفي الدراسة.
- إتاحة الاستخدام: المقياس متاح للاستخدام للأغراض الأكاديمية والبحثية غير الربحية شريطة الاستشهاد بالورقة العلمية الأصلية بصورة دقيقة. تتطلب الاستخدامات التجارية أو التضمين التجاري ترخيصاً رسمياً من الناشر أو المؤلفين.
12. المراجع
- Bandura, A. (1997). Self-efficacy: The exercise of control. W. H. Freeman and Company.
- Dinev, T., & Hart, P. (2006). An extended privacy calculus model for e-commerce transactions. Information Systems Research, 17(1), 61–80. https://doi.org/10.1287/isre.1060.0080
- Fornell, C., & Larcker, D. F. (1981). Evaluating structural equation models with unobservable variables and measurement error. Journal of Marketing Research, 18(1), 39–50. https://doi.org/10.1177/002224378101800104
- Uysal, E., Alavi, S., & Bezençon, V. (2022). Trojan horse or useful helper? A relationship perspective on artificial intelligence assistants with humanlike features. Journal of the Academy of Marketing Science, 50(6), 1153–1175. https://doi.org/10.1007/s11747-022-00877-y