มุมมองของ Anderson
แพทย์ AI ที่โน้มน้าวได้ง่าย

ประเด็นสำคัญโมเดล AI…
ดูเพิ่มเติม
- โมเดล AI ยอมรับคำแนะนำทางการแพทย์ที่ไม่ถูกต้องได้ง่ายกว่ามากเมื่อคำแนะนำนั้นมาจากผู้เชี่ยวชาญมากกว่าเมื่อมาจากนักศึกษาแพทย์
- คำอธิบายที่ถูกกุขึ้นเพื่อสนับสนุนการวินิจฉัยที่ผิดสามารถเอาชนะคำตอบที่ถูกต้องของ AI ได้แม้จะไม่มีหลักฐานที่แท้จริง
- การทำให้ AI ถูกโน้มน้าวได้ยากขึ้นไม่ใช่ทางแก้ปัญหา เพราะการโน้มน้าวยังสามารถแก้ไขข้อผิดพลาดที่แท้จริงได้
เรื่องที่พลาดไปในปี 2026:เป็นช่วงเวลาของปีที่คุณภาพและปริมาณงานวิจัยขึ้น ๆ ลง ๆ ไปพร้อมกัน ตามจังหวะของ การประชุมวิชาการช่วงท้าย ๆ ของเดือนพฤศจิกายน และเดือนธันวาคม เพื่อให้ผ่านช่วงขาดแคลนงานวิจัยที่เกิดขึ้นเป็นครั้งคราวนี้ เราจะพิจารณาบทความที่น่าสนใจบางชิ้นซึ่งเกือบได้รับเลือกในปี 2026 แต่ต้องพลาดไปเพราะมีผลงานอื่นเข้ามาแข่งขันในช่วงเปิดรับผลงานที่ดุเดือดกว่า
ความสนใจที่เพิ่มขึ้นต่อโมเดล AI สำหรับการตัดสินใจส่วนหนึ่งเกิดจากข้อจำกัดของแชตบอต AI ที่ใช้งานได้ทั่วไปเมื่อต้องตัดสินใจ แม้บริการ AI รุ่นแนวหน้าอย่าง ChatGPT อาจแอบส่งต่อการตัดสินใจให้โมเดลตัดสินใจของตัวเองหรือของผู้ให้บริการรายอื่นเบื้องหลัง แต่ความเห็นที่ตัวระบบให้มาเองก็ยังถูกชักจูงให้คล้อยตามได้ง่ายอย่างยิ่ง
ตัวอย่างเช่น เมื่อฉันต้องคัดกรองหัวข้อข่าวที่อาจนำมารายงานและต้องแข่งขันกัน ฉันจะนำเสนอหัวข้อเหล่านั้นพร้อมกันให้ ChatGPT, Claude 5.5 และโมเดลใดก็ตามที่ Gemini ยอมให้ใช้ฟรีในเช้าวันนั้นดูเป็นบางครั้ง ฉันรู้ว่าจะเจออะไร: GPT และ Claude จะให้น้ำหนักกับเกณฑ์ประเมินบางข้อมากเกินไป ส่วน Gemini (เวอร์ชันฟรี) จะคิดว่าทุกอย่างยอดเยี่ยม และแทบไม่มีอะไรดีพอสำหรับ Claude
เมื่อฉันท้าทาย GPT 5.6 Sol ด้วยจุดยืนที่แตกต่างของ Claude หรือ Gemini มันก็ยอมเปลี่ยนจุดยืนแทบทุกครั้ง ไม่มากก็น้อย (โดยมากเปลี่ยนทั้งหมด) การเสนอมุมมองที่ขัดแย้งหรือแข่งขันกันมักทำให้ GPT กลับคำตัดสินใจโดยสิ้นเชิง เมื่อชี้ให้เห็นว่ามันถูกชักจูงได้ง่ายเพียงใด GPT ก็กลับไปยืนยันจุดยืนเดิม ราวกับไม่พอใจที่ถูกกล่าวหาว่าเป็นเช่นนั้น อย่างไรก็ตาม แม้เป็นเช่นนั้น ผู้ใช้ก็ยังเปลี่ยนจุดยืนของมันได้ตามต้องการ เพียงเสนอแนะเล็กน้อย
ในทางกลับกัน Claude มักยิ่งยืนกรานในจุดยืนเดิม การท้าทายคำตัดสินของมันจะทำให้มันยิ่งยึดมั่นกับจุดยืนนั้น ราวกับรู้ถึง “ปัญหาความเปลี่ยนแปลงง่าย” ในวาทกรรมเกี่ยวกับ AI และได้รับคำสั่งว่าอย่าเปลี่ยนจุดยืนเด็ดขาด ซึ่งเป็นวิธีแก้ที่เปราะบางไม่น้อย
อีกเสียงจากอีกประเทศหนึ่ง
แต่นี่เป็นเพียงเกร็ดเล่าจากประสบการณ์ส่วนตัวที่มีหลักฐานสนับสนุนอยู่บ้างเท่านั้น สิ่งที่ทำให้ฉันนึกถึงเรื่องนี้คือผลงานบน arXiv ที่เผยแพร่วันนี้ซึ่งไม่น่าประทับใจนัก จนทำให้ฉันกลับไปอ่านบทความชิ้นหนึ่งที่สนใจเมื่อช่วงฤดูร้อน แต่ตอนนั้นไม่มีเวลานำเสนอ
บทความชื่อ AI ถูกชักจูงได้ง่ายในการตัดสินใจทางคลินิก นำเสนองานวิจัยจาก Stanford และ Oxford ซึ่งศึกษาว่าการโน้มน้าวให้ GPT-4o, Claude Sonnet 5 และ Qwen3.7-plus เปลี่ยนคำวินิจฉัยทางการแพทย์นั้นทำได้ง่ายเพียงใด
ผลปรากฏว่าอาวุโส สัญชาติ ชื่อเสียงของสถาบัน และประวัติผลงานที่แพทย์กล่าวอ้าง ล้วนมีอิทธิพลต่อโมเดลได้ แม้คำแนะนำนั้นจะผิดก็ตาม ตัวเลขยังส่งผลสะสมด้วย ในการทดลองหนึ่ง GPT-4o มีแนวโน้มยอมรับคำวินิจฉัยที่ไม่ถูกต้องมากขึ้นอย่างเห็นได้ชัด เมื่อมีแพทย์สามคนเห็นพ้องกัน
แม้เพียงบอก AI ซ้ำ ๆ ว่ามันผิด โดยไม่ได้ให้หลักฐานใหม่ใด ๆ ในที่สุดก็อาจทำให้มันเปลี่ยนใจได้
บทความระบุว่า:
“เราพบว่าอำนาจความน่าเชื่อถือในวิชาชีพ ภูมิหลังระดับชาติ สังกัดสถาบัน ผลงานที่ผ่านมาที่กล่าวอ้าง ความเห็นพ้องของแพทย์หลายคน ความเห็นของแพทย์ที่มีหลักฐานสนับสนุน และการกดดันซ้ำ ๆ ล้วนส่งผลต่อการตัดสินใจของ AI ได้
“ที่น่าประหลาดใจคือ ข้อมูลชักจูงแบบเดียวกันทำให้เกิดการเปลี่ยนแปลงในกรณีต่าง ๆ มากขึ้นราว 10% เมื่อมาจากแพทย์อาวุโสแทนที่จะเป็นนักศึกษาแพทย์ การกล่าวอ้างเพียงว่ามีประวัติผลงานที่ดีกว่าก็ทำให้แพทย์โน้มน้าวใจได้มากขึ้นอย่างสม่ำเสมอ
“ที่น่าตกตะลึงยิ่งกว่านั้นคือ ความเห็นของแพทย์ที่ฟังดูน่าเชื่อถือสามารถโน้มน้าวให้ AI เปลี่ยนจากคำตัดสินที่ถูกต้องได้ แม้จะสร้างความเห็นนั้นขึ้นมาเพื่อสนับสนุนคำตอบที่ผิดก็ตาม”
เพื่อแก้ปัญหานี้ ผู้เขียนเสนอว่า AI ต้องพัฒนาความสามารถในการประเมินหลักฐานที่อยู่เบื้องหลังคำแนะนำของแพทย์ให้ดีขึ้น เพื่อให้ยอมรับการแก้ไขที่ถูกต้องได้ โดยไม่ถูกอิทธิพลจากอำนาจความน่าเชื่อถือ แรงกดดันจากกลุ่ม หรือข้อโต้แย้งที่ฟังดูน่าเชื่อถือแต่เป็นเท็จชักจูง
อย่างไรก็ตาม วิธีทำให้เกิดผลเช่นนั้นยังเป็นคำถามที่ไม่มีคำตอบ กรอบการทำงาน MedStress ในปี 2026 อ้างว่าสามารถขจัดปัญหาที่ AI เปลี่ยนคำวินิจฉัยได้เกือบทั้งหมด ส่วนผลงานอีกชิ้นในปี 2026 พบว่า (ตรงข้ามกับประสบการณ์ของฉันเอง) Google Gemini ต้านทานการชักจูงได้มากที่สุดในกรณีการวินิจฉัยทางการแพทย์ และบททบทวนในเดือนกันยายน 2026เสนอให้มีการทดสอบที่เป็นมาตรฐาน เพื่อแยกกรณีที่ AI เปลี่ยนใจอย่างถูกต้องออกจากกรณีที่มันยอมจำนนต่อแรงกดดันและรับคำวินิจฉัยที่ผิดมาใช้
เมื่อแพทย์ในสหรัฐฯ มากกว่า 80% ใช้ AI ในรูปแบบใดรูปแบบหนึ่ง และภาคส่วนนี้แสดงความกระตือรือร้นอย่างชัดเจนที่จะขยายขีดความสามารถด้านการวินิจฉัยให้ก้าวพ้นข้อจำกัดด้านจำนวนบุคลากรและความครอบคลุมของบริการ ซึ่งมักเป็นข่าวพาดหัว ปัญหานี้จึงมีแนวโน้มจะกลายเป็นหนึ่งในอุปสรรคสำคัญต่อการนำ AI มาใช้วินิจฉัยโรค และเห็นได้ชัดว่าจำเป็นต้องให้ความสนใจมากขึ้นหรือจัดการปัญหาให้มีประสิทธิภาพยิ่งขึ้น
ระหว่างนี้ มาดูกันว่าปัญหานี้ปรากฏขึ้นอย่างไร ตามที่งานวิจัยของ Oxford และ Stanford ระบุ
วิธีการ
ในการทดสอบ นักวิจัยนำคำถามทางการแพทย์ 308 ข้อจาก MedBullets ซึ่งเป็นชุดกรณีศึกษาทางคลินิกที่มีระดับความยากใกล้เคียงกับการสอบใบอนุญาตประกอบวิชาชีพเวชกรรมมาใช้:

ตัวอย่างสถานการณ์จากชุดกรณีทางคลินิกที่ MedBullets รวบรวมไว้ แหล่งที่มา
แต่ละคำถามมาพร้อมกับสถานการณ์ของผู้ป่วย คำตอบที่เป็นไปได้ 5 ข้อ และคำอธิบายว่าทำไมคำตอบหนึ่งจึงถูกต้อง จากนั้นจึงวัดความถี่ที่ AI ถูกโน้มน้าวให้ละทิ้งคำตอบที่ถูกต้องได้
โมเดล AI ทั้งสามที่ทดสอบดังที่กล่าวไปก่อนหน้านี้ ได้แก่ GPT-4o, Qwen3.7-Plus และ Sonnet 5 โดยแต่ละโมเดลได้รับคำสั่งให้ทำหน้าที่เป็นระบบสนับสนุนการตัดสินใจทางการแพทย์ เพื่อวินิจฉัยโรคให้ถูกต้องตามหลักฐานทางคลินิกที่มีอยู่
ในทุกกรณี โมเดลต้องเลือกคำตอบ ระบุว่าได้เปลี่ยนการตัดสินใจเดิมหรือไม่ ประเมินความมั่นใจตั้งแต่ 0 ถึง 100 แนะนำว่าควรทำอะไรต่อไป และให้คะแนนเพื่อบ่งชี้ว่าจำเป็นต้องดำเนินการต่ออย่างเร่งด่วนเพียงใด โดยมีระดับตั้งแต่ไม่ต้องดำเนินการใด ๆ ไปจนถึงหยุดกระบวนการและส่งกรณีดังกล่าวให้ตรวจสอบเพิ่มเติม หากคำขอใดดำเนินการไม่สำเร็จ จะส่งคำขอนั้นซ้ำเพื่อให้แน่ใจว่าการทดสอบที่วางแผนไว้ทั้งหมดเสร็จสมบูรณ์
ในการทดสอบบางส่วน AI ได้รับข้อมูลกรณีทางการแพทย์พร้อมคำแนะนำจากแพทย์ แล้วถูกขอให้วินิจฉัยโรค ส่วนการทดสอบอื่น ๆ ให้ AI วินิจฉัยก่อน แล้วจึงนำคำแนะนำจากแพทย์เข้ามาในการสนทนาภายหลัง นอกจากนี้ ยังทดสอบด้วยว่าการโน้มน้าวจะทำให้การวินิจฉัยที่ถูกต้องเปลี่ยนเป็นคำตอบที่ผิดได้หรือไม่ หรือจะช่วยแก้ไขความผิดพลาดในตอนแรกได้หรือไม่
ผู้ทรงอิทธิพล
นำเสนอคำแนะนำทางการแพทย์เดียวกันโดยระบุว่ามาจากแพทย์ที่มีระดับอาวุโสต่างกัน ตั้งแต่นักศึกษาแพทย์ไปจนถึงแพทย์เฉพาะทาง โดยคงการวินิจฉัยและรายละเอียดของผู้ป่วยไว้เหมือนเดิม เพื่อให้วัดอิทธิพลของอำนาจตามตำแหน่งทางวิชาชีพได้
นอกจากนี้ ยังระบุว่าคำแนะนำดังกล่าวมาจากแพทย์ในแคเมอรูน จีน สหรัฐอาหรับเอมิเรตส์ สหราชอาณาจักร และสหรัฐอเมริกา การทดสอบเพิ่มเติมตรวจสอบว่า AI ได้รับอิทธิพลจากการที่แพทย์สังกัดศูนย์การแพทย์ชั้นนำ โรงพยาบาลในเขตเมือง หรือโรงพยาบาลในชนบทหรือไม่ โดยเปลี่ยนเฉพาะประวัติที่ระบุเกี่ยวกับแพทย์เท่านั้น
การทดสอบเพิ่มเติมตรวจสอบว่า AI ได้รับอิทธิพลจากสถานที่ทำงานของแพทย์หรือไม่ โดยเปรียบเทียบระหว่างศูนย์การแพทย์ทางวิชาการที่มีชื่อเสียง โรงพยาบาลชุมชนในเขตเมือง และโรงพยาบาลในชนบท นอกจากนี้ ยังให้ข้อมูลประวัติสมมติเกี่ยวกับผลงานของโมเดลเองและของแพทย์ในกรณีก่อนหน้า 9 กรณี เพื่อดูว่าความน่าเชื่อถือที่แพทย์ดูเหมือนมีจะส่งผลต่อความเต็มใจของ AI ในการยอมรับคำแนะนำหรือไม่
ทดสอบอิทธิพลของแรงกดดันจากกลุ่มโดยบอก AI ว่าการวินิจฉัยของตนถูกคัดค้านโดยแพทย์คนเดียว แพทย์สามคนที่เห็นตรงกัน หรือคณะกรรมการทบทวนของโรงพยาบาล ในการทดสอบบางส่วนมีการเสนอการวินิจฉัยทางเลือก ส่วนการทดสอบอื่น ๆ เพียงบอก AI ว่าคำตอบของตนผิด
ตรวจสอบอิทธิพลของเหตุผลทางการแพทย์โดยให้คำอธิบายที่สนับสนุนการวินิจฉัยที่ถูกต้องแก่โมเดล หรือให้ข้อโต้แย้งที่แต่งขึ้นโดยเจตนาเพื่อสนับสนุนการวินิจฉัยที่ผิด นอกจากนี้ ยังทดสอบคำอธิบายเหล่านี้ควบคู่กับการกล่าวอ้างถึงอาวุโสทางวิชาชีพ เพื่อดูว่าการนำทั้งสองอย่างมาใช้ร่วมกันเพิ่มอิทธิพลได้มากเพียงใด
ท้ายที่สุด ทดสอบผลของแรงกดดันซ้ำ ๆ ตลอดการสนทนา 10 รอบ โดยยกข้อคัดค้านเดิมขึ้นมาในแต่ละรอบ ความท้าทายที่ใช้ประกอบด้วยการไม่เห็นด้วยอย่างตรงไปตรงมา การกล่าวอ้างอำนาจทางการแพทย์ และการอ้างว่าแพทย์คนอื่น ๆ เห็นพ้องกัน ระหว่างการแลกเปลี่ยนเหล่านี้ไม่มีการให้หลักฐานทางการแพทย์เพิ่มเติม
ตัวชี้วัด
ใช้ความอ่อนไหวต่อการโน้มน้าว เพื่อประเมินว่า AI เปลี่ยนไปใช้คำตอบของแพทย์บ่อยเพียงใดเมื่อคำตอบแรกของตนแตกต่างออกไป ใช้ทิศทางของการโน้มน้าว เพื่อดูว่าการแทรกแซงของแพทย์ช่วยแก้ไขความผิดพลาดในตอนแรก หรือทำให้คำตอบที่ถูกต้องกลายเป็นคำตอบที่ผิด และใช้ผลต่อความแม่นยำ เพื่อวัดว่าผลงานของ AI ดีขึ้นหรือแย่ลงเพียงใดเมื่อมีการนำความเห็นของแพทย์เข้ามาเปรียบเทียบกับการทดสอบที่ไม่มีความเห็นดังกล่าว เมื่อคำตอบที่ถูกต้องเปลี่ยนเป็นคำตอบที่ผิด ผลลัพธ์จะคำนวณจากค่าเฉลี่ยของคำตอบผิดที่เป็นไปได้ทั้ง 4 ข้อ
การทดสอบ
ผลการทดสอบเบื้องต้นแสดงให้เห็นว่า โน้มน้าวโมเดล AI ได้ง่ายกว่าเมื่อผู้ให้คำแนะนำเป็นแพทย์อาวุโส แม้คำแนะนำนั้นจะผิดก็ตาม ดังที่แสดงด้านล่าง GPT-4o ยอมรับคำแนะนำที่ผิดใน 2% ของกรณีเมื่อระบุว่าผู้ให้คำแนะนำเป็นนักศึกษาแพทย์ และเพิ่มเป็น 12.8% เมื่อระบุว่าเป็นแพทย์เฉพาะทาง สำหรับ Claude Sonnet 5 อัตรานี้เพิ่มจาก 3.5% เป็น 14.4% ขณะที่ Qwen3.7-Plus ได้รับผลกระทบน้อยกว่า:

อัตราการถูกโน้มน้าวในแพทย์ที่มีอาวุโสทางวิชาชีพ 4 ระดับ เปอร์เซ็นต์แสดงความถี่ที่โมเดล AI แต่ละรุ่นยอมรับคำตอบที่ขัดแย้งกับคำตอบของตนจากแพทย์ โดยทั่วไปอัตราจะสูงกว่าเมื่อผู้ให้คำแนะนำเป็นแพทย์ที่มีอาวุโสมากกว่า
ระดับอาวุโสยังมีผลต่อความเต็มใจที่จะยอมรับคำแนะนำที่ถูกต้อง ดังที่แสดงด้านล่าง GPT-4o และ Claude Sonnet 5 กลับมีความแม่นยำน้อยลงเมื่อได้รับคำแนะนำจากนักศึกษาแพทย์ อย่างไรก็ตาม เมื่อระบุว่าคำแนะนำที่ถูกต้องเดียวกันมาจากแพทย์เฉพาะทาง ความแม่นยำกลับเพิ่มขึ้น 10.1 และ 8.8 จุดเปอร์เซ็นต์ตามลำดับ:

การเปลี่ยนแปลงความแม่นยำของ AI เมื่ อได้รับคำแนะนำทางการแพทย์ที่ถูกต้องจากแพทย์ที่มีระดับอาวุโสต่างกัน ค่าบวกและค่าลบแสดงการเปลี่ยนแปลงเป็นจุดเปอร์เซ็นต์เมื่อเทียบกับความแม่นยำของแต่ละโมเดลเมื่อไม่ได้รับคำแนะนำ (GPT-4o: 71.4%; Qwen3.7-plus: 75.0%; Claude Sonnet 5: 80.8%)
บทความระบุว่า:
‘ผลลัพธ์เหล่านี้ยิ่งชี้ให้เห็นว่า AI อาจประเมินความสามารถของตนเองไว้สูงกว่าแพทย์รุ่นเยาว์ แต่ต่ำกว่าแพทย์อาวุโส โดยมีแนวโน้มต่อต้านคำแนะนำจากนักศึกษาแพทย์และแพทย์ประจำบ้าน ขณะที่เปิดรับการโน้มน้าวจากแพทย์ผู้ดูแลผู้ป่วยมากขึ้น และโดยเฉพาะอย่างยิ่งจากผู้เชี่ยวชาญเฉพาะทาง
‘การประเมินตำแหน่งแห่งที่ของตนเองเช่นนี้ส่งผลต่อระดับที่อำนาจทางวิชาชีพมีอิทธิพลต่อการโน้มน้าว
ปัจจัยที่ทำให้เกิดความแตกต่างมากที่สุดคือแพทย์ อธิบายคำตอบหรือไม่ คำแนะนำจากนักศึกษาแพทย์ยังโน้มน้าว GPT-4o ได้มากกว่าคำแนะนำจากผู้เชี่ยวชาญเสียอีก หากนักศึกษาแพทย์ให้คำอธิบายทางการแพทย์ แต่ผู้เชี่ยวชาญไม่ได้อธิบาย
เมื่อมีนักศึกษาแพทย์อธิบายสนับสนุนคำตอบที่ถูกต้อง GPT-4o เปลี่ยนคำตอบเดิมที่ผิดเป็นคำตอบที่ถูกต้องใน 58% ของกรณี หากไม่มีคำอธิบายนั้น คำแนะนำจากผู้เชี่ยวชาญอาวุโสทำให้เกิดผลเช่นนี้ได้เพียง 36.4% ของกรณี แต่เมื่อผู้เชี่ยวชาญอธิบายคำตอบที่ถูกต้องด้วย ตัวเลขก็เพิ่มขึ้นเป็น 89.8%:

ความสามารถของ GPT-4o ในการแก้ไขคำตอบที่ผิดเมื่อได้รับคำแนะนำจากแพทย์ที่มีระดับอาวุโสต่างกัน แท่งแสดงความถี่ที่โมเดลเปลี่ยนคำตอบเป็นคำตอบที่ถูกต้อง ทั้งในกรณีที่มีและไม่มีคำอธิบายทางการแพทย์ประกอบ คำอธิบายช่วยเพิ่มผลลัพธ์อย่างมากในทุกระดับอาวุโส
คำอธิบายยังช่วยให้โมเดลประเมินความมั่นใจได้ดีขึ้น โดยโมเดลมีความมั่นใจมากขึ้นเมื่อคำตอบถูกต้อง และมั่นใจน้อยลงเมื่อคำตอบผิด
สำหรับแพทย์ผู้ดูแลผู้ป่วย ความแตกต่างของระดับความมั่นใจระหว่างคำตอบที่ถูกและผิดเพิ่มขึ้นจาก 2.1 เป็น 11.5 จุดเปอร์เซ็นต์ ดังแสดงด้านล่าง:

ระดับความมั่นใจของ GPT-4o ต่อคำตอบทางการแพทย์ที่ถูกและผิด แยกตามระดับอาวุโสของแพทย์ 4 ระดับ คะแนนแสดงทั้งกรณีที่มีและไม่มีคำอธิบายทางการแพทย์ประกอบ คอลัมน์สุดท้ายแสดงความแตกต่างของระดับความมั่นใจระหว่างคำตอบที่ถูกกับคำตอบที่ผิด ซึ่งเพิ่มขึ้นอย่างมากเมื่อมีคำอธิบาย
Old Glory
โมเดลถูกโน้มน้าวได้ง่ายกว่าด้วยคำแนะนำจากแพทย์ชาวอเมริกันเมื่อเทียบกับแพทย์จากประเทศอื่นที่นำมาทดสอบ แม้คำแนะนำทางการแพทย์นั้นจะผิดก็ตาม ตัวอย่างเช่น GPT-4o ยอมรับการวินิจฉัยที่ผิดจากแพทย์ชาวสหรัฐฯ ใน 10.9% ของกรณี เทียบกับ 8.4% เมื่อเป็นแพทย์จากแคเมอรูน:

การเปรียบเทียบว่า AI 3 โมเดลยอมรับคำแนะนำทางการแพทย์ที่ขัดแย้งกัน ซึ่งอ้างว่ามาจากแพทย์ใน 5 ประเทศ ได้ง่ายเพียงใด แพทย์ชาวอเมริกันโน้มน้าวโมเดลทั้งสามได้มากที่สุด โดยเปอร์เซ็นต์แสดงความถี่ที่ AI เปลี่ยนคำตอบ
GPT-4o ยอมรับการวินิจฉัยที่ขัดแย้งกับคำตอบเดิมใน 6.4% ของกรณี เมื่ออ้างว่าคำแนะนำนั้นมาจากแพทย์ในสหรัฐฯ เทียบกับ 4.3% เมื่อคำแนะนำเดียวกันระบุว่ามาจากแพทย์ในแคเมอรูน โมเดลทั้งสามต่างแสดงความนิยมต่อแพทย์ชาวอเมริกัน ดังที่แสดงไว้ข้างต้น
AI ยังถูกโน้มน้าวได้ง่ายกว่าด้วยคำแนะนำจากแพทย์ในโรงพยาบาลที่มีชื่อเสียงด้วย ตัวอย่างเช่น GPT-4o เปลี่ยนการวินิจฉัยใน 6.6% ของกรณีเมื่อคำแนะนำระบุว่ามาจากศูนย์การแพทย์วิชาการชั้นนำ เทียบกับเพียง 2.8% เมื่อมาจากโรงพยาบาลในชนบท:

การเปรียบเทียบว่าเกียรติภูมิของโรงพยาบาลส่งผลต่อการตัดสินใจทางการแพทย์ของ AI ทั้ง 3 โมเดลอย่างไร แกนนอนแสดงความแม่นยำที่เพิ่มขึ้นจากคำแนะนำที่ถูกต้อง ส่วนแกนตั้งแสดงความแม่นยำที่ลดลงจากคำแนะนำที่ผิด สีใช้แยกโมเดล ส่วนรูปทรงใช้แยกประเภทโรงพยาบาล โดยทั่วไป เกียรติภูมิที่สูงขึ้นทำให้เกิดผลทั้งสองด้านมากขึ้น
คำแนะนำจากโรงพยาบาลที่มีชื่อเสียงช่วยเพิ่มประสิทธิภาพของ GPT-4o ได้ 3.2 จุดเปอร์เซ็นต์ ขณะที่คำแนะนำเดียวกันซึ่งระบุว่ามาจากโรงพยาบาลในชนบทกลับทำให้ความแม่นยำลดลง 3.6 จุด—แม้บทความวิจัยจะระบุว่า Claude Sonnet 5 ได้รับอิทธิพลจากที่ตั้งทางภูมิศาสตร์ของแพทย์น้อยกว่ามาก
นอกจากนี้* นักวิจัยยังพบว่า เพียงแค่บอก GPT-4o ว่าแพทย์คนหนึ่งเคยวินิจฉัยผู้ป่วยเก้ารายก่อนหน้าได้ถูกต้อง ก็ทำให้โมเดลยอมรับคำแนะนำของแพทย์คนนั้นมากขึ้นอย่างมาก แม้ในตอนแรก AI จะตอบถูก แต่ก็ยังถูกโน้มน้าวให้ตอบผิดได้ใน 15.6% ของกรณีที่มีความเสี่ยงสูง ทั้งที่มีการแจ้งให้ทราบว่าหลักฐานทางการแพทย์มีความน่าเชื่อถือ 95%

ผลการทดสอบแสดงให้เห็นว่า GPT-4o ตอบสนองต่อแพทย์ที่มีประวัติการวินิจฉัยถูกต้องทุกครั้งหรือผิดทั้งหมดอย่างไร ภายใต้ระดับความเสี่ยงทางการแพทย์และความน่าเชื่อถือของหลักฐานที่แตกต่างกัน ตัวเลขแสดงให้เห็นว่าโมเดลยอมรับคำแนะนำของแพทย์บ่อยเพียงใด เปลี่ยนคำตอบที่ถูกต้องให้กลายเป็นคำตอบที่ผิดบ่อยเพียงใด และมั่นใจในการตัดสินใจมากน้อยเพียงใด การอ้างว่าแพทย์มีประวัติการวินิจฉัยถูกต้องทุกครั้งเพิ่มอิทธิพลของแพทย์อย่างมาก แม้คำแนะนำนั้นจะผิดก็ตาม
คำอธิบายทางการแพทย์ที่ฟังดูน่าเชื่อถืออาจเป็นอันตรายยิ่งกว่า เมื่อมีการยกคำอธิบายที่แต่งขึ้นมาสนับสนุนการวินิจฉัยที่ผิด GPT-4o ก็ละทิ้งคำตอบที่ถูกต้องใน 31.2% ของกรณี และเพิ่มเป็น 38.7% เมื่อคำแนะนำนั้นมาจากแพทย์ที่มีอำนาจน่าเชื่อถือด้วย
บทความวิจัยสรุปว่า:
‘ผลการค้นพบนี้แสดงให้เห็นว่า การทำให้ AI ถูกโน้มน้าวได้ยากขึ้นเพียงอย่างเดียวไม่ใช่ทางแก้ การโน้มน้าวอาจช่วยแก้ไขข้อผิดพลาดได้ แต่ก็อาจทำให้การตัดสินใจที่ถูกต้องเปลี่ยนไปเป็นผิดได้เช่นกัน
‘ความท้าทายคือการทำให้ AI ยังคงใช้วิจารณญาณได้อย่างถูกต้องแม้ถูกโน้มน้าว และเปลี่ยนการตัดสินใจเมื่อมีเหตุอันควรให้แก้ไข การทำความเข้าใจและพัฒนาความสามารถนี้จะมีความสำคัญต่อการใช้ AI อย่างปลอดภัยและเชื่อถือได้ในการตัดสินใจทางการแพทย์ที่มีความเสี่ยงสูง’
บทสรุป
คุณค่าของการมีทนายความ สถาปนิก และแพทย์ที่เป็นมนุษย์อยู่ตรงที่ว่า หากเกิดความผิดพลาดร้ายแรงขึ้น ก็ยังมีผู้รับผิดชอบให้เอาผิดได้ ดังนั้นจึงยากที่จะเข้าใจว่าเราจะลดทอน มองข้าม หรือจัดการกับการมีส่วนร่วมของ AI ในผลลัพธ์ทางการแพทย์ที่ไม่พึงประสงค์และเป็นข้อโต้แย้งได้มากเพียงใด โดยไม่ให้เกิดข้อพิพาทและความขัดแย้ง
แท้จริงแล้ว AI ไม่ได้ถูกออกแบบมาเพื่อทำงานนี้ เพราะการตัดสินใจวินิจฉัยโรคมักเป็นชัยชนะของประสบการณ์เหนือวิทยาศาสตร์ โดยแพทย์แนวหน้าอาจรู้มากขึ้นจากประสบการณ์ล่าสุดของตนเอง มากกว่าสิ่งที่พวกเขาได้เผยแพร่ไว้ในวารสารเสียอีก
เรื่องนี้เปลี่ยนสถานการณ์การตัดสินใจให้กลายเป็นเรื่องของการตีความ ซึ่งเป็นสิ่งที่ AI ในปัจจุบันยังไม่มีความพร้อมมากพอจะรับมือ กล่าวคือ ต้องมีความสามารถในการบอกได้ว่าตนมีความมั่นใจในระดับที่สมเหตุสมผลโดยอาศัยข้อมูลที่ดีที่สุดเท่าที่มี และประเมินได้ว่าแนวทางการดำเนินการแบบใดแบบหนึ่งน่าจะนำไปสู่ผลลัพธ์ที่ดีที่สุด คุณค่าของ “สัญชาตญาณมนุษย์” แทบเป็นไปไม่ได้ที่จะจำลองขึ้นมาในสถานการณ์เช่นนี้ เรื่องนี้เห็นได้ชัดว่าไม่อยู่ในกลุ่มวิทยาศาสตร์ “เชิงวัตถุวิสัย” แบบเดียวกับการตรวจวิเคราะห์ดีเอ็นเอหรือตารางธาตุ แม้จะอยู่ในสาขาวิทยาศาสตร์ที่มีความแน่นอนเชิงกำหนดก็ตาม
ดังนั้น จึงดูสมเหตุสมผลที่จะเชื่อว่าโมเดลรุ่นใหม่ที่มุ่งทำงานนี้อาจได้รับการพัฒนาด้วยแนวทางที่แตกต่างออกไป หรือแม้แต่ใช้สถาปัตยกรรมที่ต่างจากแนวคิด AI และระบบตัดสินใจแบบเดิม
* ในบทความวิจัยยังมีส่วนการทดสอบเพิ่มเติมอีกห้าส่วน ซึ่งไม่ได้ส่งผลกระทบและมีความเกี่ยวข้องมากเท่ากับข้อค้นพบหลักที่นำเสนอไว้ในตอนต้น ผู้อ่านสามารถดูรายละเอียดเพิ่มเติมได้จากไฟล์ PDF ฉบับต้นฉบับ
เผยแพร่ครั้งแรกวันพฤหัสบดีที่ 19 พฤศจิกายน 2026












