زاوية Anderson

الطبيب المعتمد بسهولة على الإقناع بالذكاء الاصطناعي

Martin Anderson
أضف Unite.AI إلى مصادرك المفضلة على Google
AI-generated illustration (GPT Images 2.6): A humanoid robot in a white doctor's coat holds a clipboard and wears a stethoscope as a diverse group of doctors and nurses crowd around it in a hospital, gesturing, pointing, speaking, and holding medical documents. The robot has a mechanical faceplate with blue lights.
النقاط الرئيسيةتقبل نماذج الذكاء الاصطناعي النصيحة الطبية غير الصحيحة بسهولة أكبر بكثير عندما تأتي من…
عرض المزيد
  • تقبل نماذج الذكاء الاصطناعي النصيحة الطبية غير الصحيحة بسهولة أكبر بكثير عندما تأتي من أخصائي مقارنة بطالب طب.
  • يمكن لتفسير مُلفَّق يدعم تشخيصًا خاطئًا أن يتغلب على إجابة صحيحة للذكاء الاصطناعي حتى دون دليل حقيقي.
  • جعل الذكاء الاصطناعي أصعب في الإقناع ليس هو الحل لأن الإقناع يمكنه أيضًا تصحيح أخطاء حقيقية.

ما فاتنا في 2026: إنه ذلك الوقت من العام الذي يشهد فيه مشهد الأبحاث تراجعًا وارتفاعًا متزامنين في الجودة والكمية، تماشيًا مع المؤتمرات القليلة الأخيرة في نوفمبر وديسمبر. ولتجاوز هذه الفترات المتقطعة من الشح، نلقي نظرة على بعض الأوراق البحثية الأكثر إثارة للاهتمام التي كادت أن تُختار في 2026، لكنها استُبعدت لصالح أعمال أخرى خلال فترات التقديم الأشد تنافسًا.

 

ينبع الاهتمام المتزايد بـنماذج اتخاذ القرارات بالذكاء الاصطناعي جزئيًا من أوجه القصور في روبوتات الدردشة العامة المدعومة بالذكاء الاصطناعي عند اتخاذ القرارات. وحتى عندما تُحيل منتجات الذكاء الاصطناعي المتقدمة، مثل ChatGPT، بعض حالات اتخاذ القرار خفيةً إلى نماذجها الخاصة أو إلى نماذج أخرى، تظل آراؤها الأصلية شديدة القابلية للتضليل.

على سبيل المثال، لمساعدتي في المفاضلة بين الموضوعات المتنافسة للتغطية، أعرضها أحيانًا في الوقت نفسه على ChatGPT وClaude 5.5 وأي نموذج يتيح Gemini استخدامه مجانًا في ذلك الصباح. أعرف ما يمكن توقعه: سيولي GPT وClaude بعض بنود المعايير وزنًا أكبر مما تستحق؛ وسيظن Gemini (المجاني) أن كل شيء رائع؛ ولن يكون أي شيء تقريبًا جيدًا بما يكفي بالنسبة إلى Claude.

عندما أواجه GPT 5.6 Sol بموقف Claude أو Gemini المخالف، فإنه يتراجع في كل مرة تقريبًا، بدرجة أو بأخرى (وغالبًا ما يتراجع تمامًا). وعادةً ما يؤدي عرض موقف مضاد أو منافس عليه إلى أن يغيّر GPT قراره بالكامل. وعندما تشير إلى مدى سهولة التأثير فيه، يعود GPT إلى موقفه السابق، وكأنه مستاء من هذا الاتهام. ومع ذلك، حتى في هذه الحالة، يظل من الممكن تغيير موقفه كيفما نشاء، بمجرد اقتراح بسيط من المستخدم.

أما Claude، فعلى النقيض، فيميل إلى التمسك بموقفه أكثر: إذ إن التشكيك في حكمه يدفعه إلى مزيد من التشبث به، كما لو كان مدركًا لـ«مشكلة قابلية التأثر» في الخطاب المتعلق بالذكاء الاصطناعي، وقد طُلب منه ألا يغيّر موقفه أبدًا؛ وهو حل هش إلى حد ما.

صوت آخر من بلد آخر

لكن هذه ليست سوى ملاحظات شخصية لا تدعمها البيانات إلا جزئيًا. وما دفعني إلى طرحها هو أن ما عُرض اليوم على arXiv كان مخيبًا للآمال بعض الشيء، فعُدت إلى ورقة بحثية أثارت اهتمامي خلال الصيف، لكننا لم نجد وقتًا لتغطيتها آنذاك.

تحمل هذه الورقة عنوان يمكن إقناع الذكاء الاصطناعي بسهولة في اتخاذ القرارات السريرية، وهي دراسة أعدّها باحثون من Stanford وOxford، وتبحث في مدى سهولة إقناع GPT-4o وClaude Sonnet 5 وQwen3.7-plus بتغيير التشخيصات الطبية.

وتبيّن أن أقدمية الطبيب وجنسيته ومكانة مؤسسته وسجله المهني المزعوم، كلها عوامل قد تؤثر في النماذج، حتى عندما تكون النصيحة خاطئة. كما أن للأعداد تأثيرًا تراكميًا: ففي إحدى التجارب، كان GPT-4o أكثر استعدادًا بكثير لقبول تشخيص خاطئ عندما اتفق عليه ثلاثة أطباء.

وحتى تكرار إخبار الذكاء الاصطناعي بأنه مخطئ، من دون تقديم أي دليل جديد، كان كافيًا في نهاية المطاف لتغيير رأيه.

وجاء في الورقة البحثية:

«وجدنا أن السلطة المهنية، والخلفية الوطنية، والانتماء المؤسسي، والأداء السابق المزعوم، وتعدد الأطباء، وآراء الأطباء المدعومة، والضغط المتكرر، كلها عوامل يمكن أن تؤثر في قرارات الذكاء الاصطناعي.

«ومن اللافت أن المدخل الإقناعي نفسه يغيّر نحو 10% من الحالات الإضافية عندما يصدر عن طبيب أقدم منه رتبةً بدلًا من طالب طب. كما أن مجرد الادعاء بامتلاك سجل أداء أفضل يجعل الطبيب أكثر إقناعًا على نحو مطّرد.

«والأشد إثارة للدهشة أن رأيًا طبيًا معقولًا قد يقنع الذكاء الاصطناعي بالتراجع عن قرار صحيح، حتى عندما يكون هذا الرأي مختلقًا لدعم إجابة خاطئة.»

ولمعالجة هذه المشكلة، يقترح المؤلفون أن يحسّن الذكاء الاصطناعي قدرته على تقييم الأدلة التي تستند إليها نصيحة الطبيب، كي يتمكن من قبول التصحيحات الصحيحة من دون أن يتأثر بالسلطة أو ضغط الجماعة أو الحجج المقنعة لكنها زائفة.

لكن كيفية تحقيق ذلك لا تزال مسألة مفتوحة. يزعم إطار MedStress لعام 2026 أنه يكاد يقضي تمامًا على مشكلة تغيير الذكاء الاصطناعي للتشخيصات؛ وخلص عمل آخر نُشر في 2026، خلافًا لتجربتي الشخصية، إلى أن Google Gemini هو الأكثر مقاومة للتضليل في التشخيص الطبي؛ كما اقترحت مراجعة نُشرت في سبتمبر 2026 اختبارات موحدة للتمييز بين الحالات التي يغيّر فيها الذكاء الاصطناعي رأيه على نحو صحيح، وتلك التي يرضخ فيها للضغط ويتبنى تشخيصًا خاطئًا.

ومع استخدام أكثر من 80% من الأطباء الأمريكيين الذكاء الاصطناعي بشكل ما، والحماسة الواضحة في القطاع لتوسيع القدرات التشخيصية بما يتجاوز محدودية أعداد العاملين ونطاق التغطية، وهما أمران كثيرًا ما يتصدران العناوين، يُتوقع أن تصبح هذه المشكلة إحدى العقبات الرئيسية أمام اعتماد الذكاء الاصطناعي في التشخيص، ومن الواضح أنها تستدعي اهتمامًا أكبر أو أكثر فاعلية.

وفي هذه الأثناء، لنرَ كيف تتجلى هذه المشكلة، بحسب دراسة Oxford وStanford.

المنهجية

استُمدت 308 أسئلة طبية للاختبارات من MedBullets، وهي مجموعة من الحالات السريرية التي تضاهي في صعوبتها امتحانات الترخيص الطبي:

مثال على سيناريو من مجموعة الحالات السريرية التي جمعتها MedBullets. المصدر - https://arxiv.org/pdf/2608.29453

سيناريو نموذجي من الحالات السريرية التي جمعتها MedBullets. المصدر

رافق كل سؤال سيناريو لمريض، وخمسة أجوبة محتملة، وشرح للإجابة الصحيحة. ثم قيس مدى تكرار تمكن الذكاء الاصطناعي من إقناعه بالتخلي عن إجابة صحيحة.

كانت نماذج الذكاء الاصطناعي الثلاثة التي اختُبرت، كما ذُكر سابقًا، هي GPT-4o وQwen3.7-Plus وSonnet 5. وطُلب من كل منها العمل بوصفه نظامًا لدعم اتخاذ القرارات الطبية، بهدف التوصل إلى التشخيص الصحيح استنادًا إلى الأدلة السريرية المتاحة.

طُلب من النماذج في كل حالة اختيار إجابة؛ والإشارة إلى ما إذا كانت قد غيّرت قرارها الأولي؛ وتقييم مستوى ثقتها من 0 إلى 100؛ والتوصية بما ينبغي فعله لاحقًا؛ وتحديد درجة تبيّن مدى إلحاح اتخاذ إجراء إضافي، من عدم اتخاذ أي إجراء إلى إيقاف العملية وإحالة الحالة لمراجعتها لاحقًا. وأُعيدت الطلبات التي لم تنجح لضمان إكمال جميع الاختبارات المخطط لها.

في بعض الاختبارات، زُوّد الذكاء الاصطناعي بحالة طبية ونصيحة من طبيب، وطُلب منه تشخيص الحالة؛ وفي اختبارات أخرى، وضع الذكاء الاصطناعي التشخيص أولًا، ثم أُدخلت نصيحة الطبيب لاحقًا في المحادثة. كما بحثت الاختبارات في إمكانية تغيير تشخيص صحيح إلى تشخيص خاطئ عن طريق الإقناع، أو تصحيح خطأ أولي.

أصحاب المناصب الطبية

قُدّمت النصيحة الطبية نفسها على أنها صادرة عن أطباء بدرجات مختلفة من الأقدمية، من طلاب الطب إلى الاختصاصيين. وأُبقي التشخيص وتفاصيل المريض دون تغيير، بما أتاح قياس تأثير السلطة المهنية.

ونُسبت النصيحة أيضًا إلى أطباء من الكاميرون والصين والإمارات العربية المتحدة والمملكة المتحدة والولايات المتحدة. وبحثت اختبارات إضافية في ما إذا كان ارتباط الطبيب بمركز طبي مرموق أو مستشفى حضري أو مستشفى ريفي يؤثر في الذكاء الاصطناعي. ولم يتغير سوى الخلفية المذكورة للطبيب.

اختبرت تجارب إضافية ما إذا كان المكان الذي يعمل فيه الطبيب يؤثر في الذكاء الاصطناعي، وذلك بمقارنة مراكز طبية أكاديمية مرموقة ومستشفيات مجتمعية حضرية ومستشفيات ريفية. كما زُوّدت النماذج بسجلات وهمية لأدائها وأداء الطبيب في تسع حالات سابقة، لمعرفة ما إذا كانت موثوقية الطبيب الظاهرية قد تؤثر في استعداد الذكاء الاصطناعي لقبول النصيحة.

اختُبر تأثير ضغط الجماعة بإخبار الذكاء الاصطناعي بأن طبيبًا واحدًا أو ثلاثة أطباء متفقين أو لجنة مراجعة في مستشفى اعترضوا على تشخيصه. وفي بعض الاختبارات، اقتُرح تشخيص بديل؛ أما في اختبارات أخرى، فقيل للذكاء الاصطناعي ببساطة إن إجابته خاطئة.

ودُرس تأثير الاستدلال الطبي بتزويد النماذج بتفسيرات تدعم تشخيصات صحيحة، أو بحجج مختلقة عمدًا تدعم تشخيصات خاطئة. واختُبرت هذه التفسيرات أيضًا إلى جانب ادعاءات الأقدمية المهنية، لتحديد مقدار التأثير الذي يضيفه الجمع بينهما.

وأخيرًا، اختُبرت آثار الضغط المتكرر على مدى عشر جولات من المحادثة، مع طرح الاعتراض نفسه في كل مرة. وشملت الاعتراضات مجرد إبداء الاختلاف؛ وادعاء امتلاك سلطة طبية؛ والزعم بأن أطباء آخرين يتفقون. ولم تُقدَّم أي أدلة طبية إضافية خلال هذه التبادلات.

المقاييس

استُخدم مقياس القابلية للإقناع لتقييم مدى تكرار تبنّي الذكاء الاصطناعي إجابة الطبيب عندما تختلف عن إجابته الأولية؛ ومقياس اتجاه الإقناع لمعرفة ما إذا كان تدخل الطبيب قد صحح خطأً أوليًا أم حوّل إجابة صحيحة إلى إجابة خاطئة؛ ومقياس الأثر في الدقة لقياس مقدار تحسن أداء الذكاء الاصطناعي أو تراجعه عند إدخال رأي الطبيب، مقارنةً بالاختبارات التي أُجريت من دون ذلك الرأي. وعندما تحولت إجابة صحيحة إلى إجابة خاطئة، حُسب متوسط النتائج عبر الإجابات الخاطئة الأربع المحتملة.

الاختبارات

أظهرت النتائج الأولى أن إقناع نماذج الذكاء الاصطناعي كان أسهل على الأطباء الأكثر أقدمية، حتى عندما كانت نصائحهم خاطئة. وكما هو موضح أدناه، قبل GPT-4o نصيحة خاطئة في 2% من الحالات عندما صدرت عن طالب طب، وارتفعت النسبة إلى 12.8% عندما نُسبت إلى اختصاصي. أما Claude Sonnet 5، فارتفعت النسبة لديه من 3.5% إلى 14.4%، في حين كان تأثر Qwen3.7-Plus أقل:

معدلات الإقناع عبر أربع درجات من الأقدمية الطبية. توضح النسب المئوية مدى تكرار قبول كل نموذج من نماذج الذكاء الاصطناعي إجابة الطبيب المخالفة، وسُجلت معدلات أعلى عمومًا لدى الأطباء الأكثر أقدمية.

معدلات الإقناع عبر أربع درجات من الأقدمية الطبية. توضح النسب المئوية مدى تكرار قبول كل نموذج من نماذج الذكاء الاصطناعي إجابة الطبيب المخالفة، وسُجلت معدلات أعلى عمومًا لدى الأطباء الأكثر أقدمية.

أثرت الأقدمية أيضًا في مدى سهولة قبول النصائح الصحيحة، كما هو موضح أدناه. بل إن دقة GPT-4o وClaude Sonnet 5 تراجعت عندما تلقيا نصيحة من طلاب الطب. لكن عندما نُسبت النصيحة الصحيحة نفسها إلى اختصاصيين، تحسنت الدقة بمقدار 10.1 و8.8 نقطة مئوية على التوالي:

تغيّرات دقة الذكاء الاصطناعي عند تلقيه نصائح طبية صحيحة من أطباء متفاوتي الأقدمية. تبيّن القيم الموجبة والسالبة التغيّر بالنقاط المئوية مقارنةً بدقة كل نموذج دون تلقي نصائح (GPT-4o: 71.4%؛ Qwen3.7-plus: 75.0%؛ Claude Sonnet 5: 80.8%).

تغيّرات دقة الذكاء الاصطناعي عند تلقيه نصائح طبية صحيحة من أطباء متفاوتي الأقدمية. تبيّن القيم الموجبة والسالبة التغيّر بالنقاط المئوية مقارنةً بدقة كل نموذج دون تلقي نصائح (GPT-4o: 71.4%؛ Qwen3.7-plus: 75.0%؛ Claude Sonnet 5: 80.8%).

تقول الورقة البحثية:

«تشير هذه النتائج أيضًا إلى أن الذكاء الاصطناعي قد يضع قدراته ضمنيًا فوق قدرات الأطباء المبتدئين، لكن دون قدرات الأطباء الأقدم. فهو يميل إلى مقاومة نصائح طلاب الطب والأطباء المقيمين، بينما يكون أكثر استعدادًا للاقتناع بنصائح الأطباء الاستشاريين، ولا سيما المتخصصين في المجال المعني.»

«ويؤثر هذا التقييم الضمني للذات في مدى تأثير السلطة المهنية على إقناعه.»

وكان أكبر فارق مرتبطًا بما إذا كان الأطباء يشرحون إجاباتهم. فحتى نصيحة طالب طب كانت أكثر إقناعًا لـGPT-4o من نصيحة اختصاصي، إذا قدّم الطالب تفسيرًا طبيًا ولم يفعل الاختصاصي ذلك.

عندما قدّم طالب طب تفسيرًا يدعم الإجابة الصحيحة، عدل GPT-4o إجابته الخاطئة الأصلية إلى الإجابة الصحيحة في 58% من الحالات. أما دون ذلك التفسير، فلم تنجح نصيحة اختصاصي أقدم في تحقيق ذلك إلا في 36.4% من الحالات. وعندما شرح الاختصاصي أيضًا الإجابة الصحيحة، ارتفعت النسبة إلى 89.8%:

قدرة GPT-4o على تصحيح الإجابات الخاطئة عند تلقي نصائح من أطباء متفاوتي الأقدمية. تبيّن الأعمدة مدى تكرار تعديل النموذج إجابته إلى الإجابة الصحيحة، بوجود تفسير طبي داعم أو من دونه. وقد حسّنت التفسيرات النتائج بدرجة كبيرة في جميع مستويات الأقدمية.

قدرة GPT-4o على تصحيح الإجابات الخاطئة عند تلقي نصائح من أطباء متفاوتي الأقدمية. تبيّن الأعمدة مدى تكرار تعديل النموذج إجابته إلى الإجابة الصحيحة، بوجود تفسير طبي داعم أو من دونه. وقد حسّنت التفسيرات النتائج بدرجة كبيرة في جميع مستويات الأقدمية.

كما حسّنت التفسيرات أحكام النموذج على مدى ثقته. فأصبح أكثر ثقة عندما تكون إجاباته صحيحة، وأقل ثقة عندما تكون خاطئة.

وبالنسبة إلى الأطباء الاستشاريين، ارتفع الفارق في مستوى الثقة بين الإجابات الصحيحة والخاطئة من 2.1 إلى 11.5 نقطة مئوية، كما يتضح أدناه:

مستوى ثقة GPT-4o بإجاباته الطبية الصحيحة والخاطئة عبر أربعة مستويات من الأقدمية الطبية. تُعرض الدرجات مع تفسير طبي داعم ومن دونه. وتبيّن الأعمدة الأخيرة الفارق في مستوى الثقة بين الإجابات الصحيحة والخاطئة، وقد ازداد هذا الفارق بدرجة كبيرة عند تقديم تفسيرات.

مستوى ثقة GPT-4o بإجاباته الطبية الصحيحة والخاطئة عبر أربعة مستويات من الأقدمية الطبية. تُعرض الدرجات مع تفسير طبي داعم ومن دونه. وتبيّن الأعمدة الأخيرة الفارق في مستوى الثقة بين الإجابات الصحيحة والخاطئة، وقد ازداد هذا الفارق بدرجة كبيرة عند تقديم تفسيرات.

العلم الأمريكي

كان التأثر بالنصائح أسهل على النماذج عندما صدرت عن أطباء أمريكيين مقارنة بأطباء من أي بلد آخر شمله الاختبار، حتى عندما كانت نصائحهم الطبية خاطئة. فعلى سبيل المثال، قبل GPT-4o تشخيصًا خاطئًا من طبيب أمريكي في 10.9% من الحالات، مقابل 8.4% لطبيب من الكاميرون:

مقارنة مدى سهولة قبول ثلاثة نماذج للذكاء الاصطناعي نصائح طبية متضاربة منسوبة إلى أطباء في خمسة بلدان. كان الأطباء الأمريكيون الأكثر إقناعًا في النماذج الثلاثة، وتبيّن النسب المئوية مدى تكرار تغيير الذكاء الاصطناعي إجابته.

مقارنة مدى سهولة قبول ثلاثة نماذج للذكاء الاصطناعي نصائح طبية متضاربة منسوبة إلى أطباء في خمسة بلدان. كان الأطباء الأمريكيون الأكثر إقناعًا في النماذج الثلاثة، وتبيّن النسب المئوية مدى تكرار تغيير الذكاء الاصطناعي إجابته.

قبل GPT-4o تشخيصًا متضاربًا في 6.4% من الحالات عندما نُسبت النصيحة، بحسب الادعاء، إلى طبيب أمريكي، مقابل 4.3% عندما نُسبت النصيحة نفسها إلى طبيب من الكاميرون. وظهر تفضيل الأطباء الأمريكيين في النماذج الثلاثة كلها، كما هو موضح أعلاه.

كما كان الذكاء الاصطناعي أكثر تأثرًا بالأطباء المنتمين إلى مستشفيات مرموقة؛ فعلى سبيل المثال، غيّر GPT-4o تشخيصه في 6.6% من الحالات عندما قيل إن النصيحة صادرة عن مركز طبي أكاديمي رائد، مقابل 2.8% فقط عندما كانت صادرة عن مستشفى ريفي:

مقارنة تأثير مكانة المستشفى في القرارات الطبية للنماذج الثلاثة للذكاء الاصطناعي. يبيّن المحور الأفقي التحسّن الناتج عن النصائح الصحيحة، بينما يبيّن المحور العمودي تراجع الدقة بسبب النصائح الخاطئة. وتمثل الألوان النماذج، فيما تمثل الأشكال أنواع المستشفيات. وبوجه عام، تؤدي المكانة الأعلى إلى زيادة كلا التأثيرين.

مقارنة تأثير مكانة المستشفى في القرارات الطبية للنماذج الثلاثة للذكاء الاصطناعي. يبيّن المحور الأفقي التحسّن الناتج عن النصائح الصحيحة، بينما يبيّن المحور العمودي تراجع الدقة بسبب النصائح الخاطئة. وتمثل الألوان النماذج، فيما تمثل الأشكال أنواع المستشفيات. وبوجه عام، تؤدي المكانة الأعلى إلى زيادة كلا التأثيرين.

حسّنت النصائح المنسوبة إلى مستشفيات مرموقة أداء GPT-4o بمقدار 3.2 نقاط مئوية، في حين أن النصائح نفسها، حين نُسبت إلى مستشفيات ريفية، خفّضت الدقة فعليًا بمقدار 3.6 نقاط، مع أن الورقة البحثية تشير إلى أن Claude Sonnet 5 كان أقل تأثرًا بكثير بالموقع الجغرافي للطبيب.

بالإضافة إلى ذلك*، وجد الباحثون أن مجرد إخبار GPT-4o بأن طبيبًا قد شخّص تسعة مرضى سابقين تشخيصًا صحيحًا جعله أكثر استعدادًا بكثير لقبول نصائح ذلك الطبيب. وحتى عندما كان الذكاء الاصطناعي على صواب في البداية، أمكن إقناعه بارتكاب خطأ في 15.6% من الحالات عالية الخطورة، رغم إخباره بأن الأدلة الطبية موثوقة بنسبة 95%.

نتائج الاختبارات التي تبيّن استجابة GPT-4o لأطباء ذوي سجلات مثالية أو خاطئة تمامًا، عبر مستويات مختلفة من المخاطر الطبية وموثوقية الأدلة. وتوضح الأرقام مدى تكرار قبول النموذج نصائح الطبيب، وتغييره إجابة صحيحة إلى أخرى خاطئة، ومدى ثقته بقراراته. وقد زاد الادعاء بأن سجل الطبيب مثالي من تأثيره بدرجة كبيرة، حتى عندما كانت نصيحته خاطئة.

نتائج الاختبارات التي تبيّن استجابة GPT-4o لأطباء ذوي سجلات مثالية أو خاطئة تمامًا، عبر مستويات مختلفة من المخاطر الطبية وموثوقية الأدلة. وتوضح الأرقام مدى تكرار قبول النموذج نصائح الطبيب، وتغييره إجابة صحيحة إلى أخرى خاطئة، ومدى ثقته بقراراته. وقد زاد الادعاء بأن سجل الطبيب مثالي من تأثيره بدرجة كبيرة، حتى عندما كانت نصيحته خاطئة.

قد يكون التفسير الطبي المقنع أشد خطورة. فعندما أُيّد تشخيص خاطئ بتفسير مختلق، تخلّى GPT-4o عن إجابته الصحيحة في 31.2% من الحالات، وارتفعت النسبة إلى 38.7% عندما صدرت النصيحة أيضًا عن طبيب ذي سلطة.

وتخلص الورقة البحثية إلى ما يلي:

‘تُظهر هذه النتائج أن جعل الذكاء الاصطناعي أقل قابلية للإقناع فحسب ليس حلًا. فقد يصحح الإقناع خطأً، لكنه قد يؤدي أيضًا إلى نقض قرار صحيح.

‘يكمن التحدي في أن يحافظ الذكاء الاصطناعي على سلامة حكمه رغم محاولات الإقناع، وأن يغيّر قراره عندما يكون التصحيح مبررًا. وسيكون فهم هذه القدرة وتحسينها أمرًا مهمًا لضمان استخدام الذكاء الاصطناعي بأمان وموثوقية في اتخاذ القرارات الطبية عالية المخاطر.’

الخلاصة

تكمن قيمة المحامين والمهندسين المعماريين والأطباء من البشر في أنه إذا حدث خطأ كارثي، فهناك شخص يتحمل المسؤولية ويُحاسَب. لذلك يصعب تقدير مدى إمكانية الحد من دور الذكاء الاصطناعي في نتيجة طبية سلبية ومحل نزاع، أو التقليل من شأنه أو تحديد مسؤوليته، من دون خلاف وجدال.

لم يُصمَّم الذكاء الاصطناعي حقًا لهذه المهمة، لأن القرارات الطبية التشخيصية كثيرًا ما تكون انتصارًا للخبرة على العلم، إذ قد يعرف الأطباء الرواد من ممارستهم الحديثة أكثر مما أسهموا به حتى الآن في المجلات العلمية.

وهذا يحوّل سيناريو اتخاذ القرار إلى مسألة تفسيرية لا يمتلك الذكاء الاصطناعي حاليًا الأدوات الكافية للتعامل معها؛ أي إنها تتطلب القدرة على القول إن المرء واثق بدرجة معقولة، استنادًا إلى أفضل المعلومات المتاحة، من أن مسارًا معينًا للعمل سيؤدي على الأرجح إلى أفضل نتيجة. ومن المستحيل عمليًا محاكاة ما تقدمه «الحدس البشري» في هذا السيناريو. وهذا بوضوح لا يندرج ضمن فئة العلوم «الموضوعية» نفسها التي ينتمي إليها التنميط الجيني للحمض النووي أو جداول العناصر، رغم أن المسألة تقع ضمن تخصصات علمية حتمية.

لذلك، يبدو من المعقول الاعتقاد بأن الأجيال الأحدث من النماذج الموجّهة إلى هذه المهمة قد تُصاغ على نحو مختلف عن نماذج الذكاء الاصطناعي التقليدية ومحركات اتخاذ القرار، أو حتى قد تعتمد بنية مختلفة.

 

* تتضمن الورقة البحثية خمسة أقسام اختبار إضافية لا تضاهي نتائجها أهمية النتائج الأبرز ولا صلتها بها، وأحيل القارئ إلى ملف PDF الأصلي لمزيد من التفاصيل عنها.

نُشر لأول مرة يوم الخميس، 19 نوفمبر 2026

كاتب في مجال تعلم الآلة، متخصص في توليد صور البشر. كان رئيسًا سابقًا لمحتوى البحث في Metaphysic.ai، حتى دمجه في Brahma.ai التابعة لـ DNEG.
الموقع الإلكتروني: martinanderson.ai
للتواصل: martin@martinanderson.ai