فك شفرة الذكاء الاصطناعي: الكشف عن تأثير تعقيد الاستعلام على دقة المعلومات الصحية

كشفت دراسة رائدة أجراها باحثون من منظمة الكومنولث للبحوث العلمية والصناعية الأسترالية (CSIRO) وجامعة كوينزلاند (UQ) عن نتيجة بالغة الأهمية حول موثوقية الذكاء الاصطناعي، وتحديدًا نماذج اللغة الكبيرة (LLMs) مثل ChatGPT، في توليد المعلومات الصحية. ويُظهر هذا بوضوح مدى دقة التحديات التي قد تنشأ عند دمج التقنيات بشكل متزايد في نشر المعلومات الصحية.

بسّط من أجل الدقة 

أظهرت التجربة، التي خضعت فيها إجابات برنامج ChatGPT على 100 سؤال متعلق بالصحة من tracTREC للمعلومات الصحية المضللة، وجود فرق ملحوظ في دقة الإجابات تبعًا لصيغة الأسئلة. فعندما طُرحت على ChatGPT أسئلة بسيطة دون أدلة إضافية، أظهر البرنامج قدرة على الإجابة بدقة بنسبة 80% استنادًا إلى المعرفة الطبية الحالية. أما عندما كانت الأسئلة موجهة إما نحو اتجاه قائم على الأدلة يدعم السؤال أو يعارضه، فقد انخفضت قدرته على الإجابة بدقة إلى 63%.

لاحظت الدراسة أيضًا انخفاضًا ملحوظًا في دقة إجابات ChatGPT إلى 28% فقط عندما سُمح لها بالتعبير عن عدم اليقين. لذا، يُقترح أن هذه الأدلة المتحيزة، بغض النظر عن صحتها، تُدخل "تشويشًا" إلى النظام، وقدtracقدرته على تقديم إجابات سليمة. سيُشكل هذا السلوك من نماذج اللغة تهديدًا حقيقيًا لطريقة معالجة المعلومات المعقدة في الاستفسارات والمعلومات المضللة المتعلقة بالصحة في الذكاء الاصطناعي.

تحدي دمج الذكاء الاصطناعي مع المعلومات الصحية

تُستغل هذه القدرة لأنظمة إدارة التعلم الآلي وتقنيات البحث، كجزء من محركات البحث الرئيسية، بالاقتران مع عمليات توليد الاسترجاع المعزز (RAG)، وهي إحدى الخطوات المهمة في طريقة الوصول إلى المعلومات الصحية عبر الإنترنت. ومع ذلك، فقد دحض بحثٌ أجراه الدكتور بيفان كوبمان، كبير الباحثين في منظمة الكومنولث للبحوث العلمية والصناعية (CSIRO) والأستاذ المشارك في جامعة كوينزلاند، وغيدو زوكون من مركز كوينزلاند للصحة الرقمية، هذا التصور، وأظهر أن هناك فهمًا جزئيًا، إن وُجد، لكيفية تفاعل أنظمة إدارة التعلم الآلي مع مكون البحث، مما يؤثر على استرجاع البيانات غير المكتمل. 

لذا، يُعدّ هذا الأمر بالغ الأهمية مع الاستخدام المتقدم، بينما يُمكن الاستعانة بالمصادر الإلكترونية في حال وجود استفسارات متعلقة بالصحة. تُشير الدراسة إلى هذه الحاجة المُلحة لإجراء المزيد من البحوث التي من شأنها على الأقل سدّ الفجوة في فهم كيفية معالجة أنظمة إدارة التعلم الآلي للمعلومات الصحية واسترجاعها، لضمان موثوقية ودقة الاستجابة للجمهور.

الطريق إلى الأمام

وبالتالي، فإنّ النتيجة الواضحة هي الحاجة المُلحة إلى مزيد من البحث حول قدرات وقيود أنظمة التعلم الآلي في سياق المعلومات الصحية. لذا، اقترح الباحثون ضرورة توعية الجمهور بالمخاطر المحتملة لطلب المشورة الصحية من منصات الذكاء الاصطناعي، ووضع آليات لتحسين جودة ودقة المعلومات المُتاحة.

مع تطور المشهد التكنولوجي، تتطور أيضًا طرق وصولنا إلى المعلومات الصحية وتفسيرها. وهذا يُذكّرنا بقوة بأهمية البساطة والوضوح في أسئلة الذكاء الاصطناعي، وبخطر التضليل عند تقديم أدلة معقدة. لذا، يكمن الهدف في الاستخدام الأمثل للذكاء الاصطناعي؛ على سبيل المثال، لزيادة الوصول الأمثل إلى معلومات صحية موثوقة، مما يستلزم فهمًا أفضل للديناميكيات المعقدة القائمة بين قدرات معالجة الذكاء الاصطناعي والاستفسارات المتعلقة بالصحة.

ما توصلت إليه دراسة CSIRO وجامعة كوينزلاند يؤكد مجددًا أن دمج الذكاء الاصطناعي مع استرجاع المعلومات الصحية أمر بالغ التعقيد، وأن احتمالية الحصول على إجابات خاطئة عالية جدًا. مع تزايد الأدوار المحورية للذكاء الاصطناعي في حياتنا اليومية، وخاصة في مجال المعلومات الصحية، فقد آن الأوان لفهم حدود هذه الآلات والعمل على جعلها أكثر موثوقية. 

سيؤدي هذا بلا شك إلى تحسين إمكانية وصول المعلومات الصحية إلى كل فرد، إن لم يكن حمايتها من الاحتيال. ومع ذلك، ومع استمرار البحث والتطوير، تظل إمكانات الذكاء الاصطناعي في إحداث ثورة في مجال المعلومات الصحية هائلة، شريطة أن يتم تطبيقه بحذر ووعي والتزام بالدقة.