مقالة بحثية

بناء الرسوم البيانية المعرفية القانونية وتتبع الانحياز في الذكاء الاصطناعي الطبي استناداً إلى الشبكات العصبية الرسومية

28 مشاهدة

⸱

DOI:

10.3791/72648

⸱

سبتمبر 15, 2026

1College of Aviation Security, Civil Aviation Flight University of China

في هذه المقالة

ملخص

لمعالجة مشكلات تجزئة النصوص القانونية وتتبع التحيز في الذكاء الاصطناعي الطبي (AI)، تقوم هذه الدراسة ببناء رسم بياني للمعرفة القانونية وتوظيف تلافيف الرسم البياني المدركة للعلاقات من أجل المحاذاة الدلالية. كما تحدد المصادر المنحازة عبر الانتشار العكسي القائم على التدرج، مع تحقيق مقاييس تجريبية إيجابية لدعم تطبيق متوافق للذكاء الاصطناعي الطبي.

الملخص

تتناول هذه الورقة البحثية، في سياق تحليل الامتثال القانوني للذكاء الاصطناعي (AI) الطبي، مسألة الغموض في تحديد المسؤولية الناتج عن التجزئة الدلالية للنصوص القانونية غير المتجانسة ومتعددة المصادر، والصعوبات التي تواجه تتبع الانحيازات الخوارزمية. وتقوم الورقة ببناء منهجية لإنشاء رسم بياني معرفي وكشف مسار انتشار الانحياز بناءً على الشبكات العصبية الرسومية. حيث يتم هيكلة وتشفير أربعة أنواع من العقد غير المتجانسة وهي: البنود القانونية، والسلوكيات الطبية، والوحدات الخوارزمية، والأطراف المسؤولة، كما يتم إنشاء رسم بياني موجه بناءً على أربعة أنواع من العلاقات الدلالية القانونية: "المخالفة"، و"الأساس"، و"المحفز"، و"الإسناد". بعد ذلك، تُستخدم شبكة تلافيفية رسومية مدركة للعلاقات، مدمجة مع أوزان مخصصة لنوع الحافة وآلية انتباه، لتحقيق محاذاة ميزات متعددة الطبقات للدلالات القانونية عبر الوسائط. ثم يُستخدم الانتشار العكسي القائم على التدرج لتحديد الحواف التي تساهم بشكل كبير في الانحياز، وبناء رسم بياني فرعي لانتشار الانحياز، واستخدام اكتشاف المجتمعات لتحديد مجموعات العقد الجذرية. وأخيرًا، يتم تعيين تدفقات القرار في الوقت الفعلي إلى عقد مؤقتة، ويتم التحقق من الامتثال من خلال تشابه التضمين، مع مراقبة ديناميكيات أوزان الحواف الرئيسية للتحذير من تراكم الانحياز النظامي. وأظهرت التجارب أنه من حيث دقة المحاذاة الدلالية، حققت الطريقة المقترحة متوسط دقة محاذاة للكيانات لا يقل عن 0.92 ومتوسط اكتمال للحفاظ على العلاقات لا يقل عن 0.88 عبر تدرجات كثافة مختلفة للرسم البياني المعرفي. وفيما يتعلق بالقدرة على تحديد موقع الانحياز، بلغ معدل استرجاع العقدة الجذرية 0.95±±0.02، ووصلت دقة مسار الانتشار إلى 0.93±±0.03. يحقق هذا البحث، إلى حد معين، اقترانًا عميقًا بين المنطق القانوني والسلوك الخوارزمي، مما يوفر نظام دعم امتثال قابل للتفسير والتحقق من أجل النشر الموثوق للذكاء الاصطناعي الطبي.

المقدمة

لقد أدى الانخراط العميق للذكاء الاصطناعي الطبي في التشخيص ودعم العلاج وتخصيص الموارد وتقييم المخاطر إلى ربط عملية اتخاذ القرار فيه بافتراض المسؤولية القانونية1,2. وتتميز المعايير القانونية بأنها منظمة للغاية ولكنها موزعة دلالياً، كما يمكن أن يكون سلوك أنظمة الذاء الاصطناعي بمثابة "صندوق أسود"، دون وجود واجهة قابلة للمحاذاة الدلالية والتتبع بين الاثنين3. وفي هذا السياق، برز تطوير إطار تمثيل مشترك يستوعب السلاسل السببية القانونية ضمن التسلسلات السلوكية الخوارزمية كممكّن ضروري لتحقيق إسناد دقيق للمسؤولية وامتثال ديناميكي4,5. ولا تقتصر هذه الدراسة على الاختبار القانوني للأنظمة التقنية فحسب، بل تشمل أيضاً الصيانة العميقة للعدالة الطبية، والعدالة الخوارزمية، والثقة المؤسسية، ومن ثم فهي تحمل أهمية نظرية كبيرة وإلحاحاً عملياً.

تتمثل المشكلة الأساسية في تحليل الامتثال القانوني للذكاء الاصطناعي الطبي اليوم في غياب بنية ربط قابلة للحوسبة بين الدلالات القانونية والسلوك الخوارزمي6,7. تتوفر الوثائق القانونية كنصوص مجردة، وتتشابك العلاقات بين الفقرات من خلال التبعيات والتضاربات والاستثناءات، مما يتسبب في مشكلات عند تقسيمها إلى وحدات منطقية يمكن للآلات تفسيرها8,9. وبالرغم من أن اتخاذ القرار في نظام الذاء الاصطناعي يكون مغلفاً في "صندوق أسود" يعتمد على البيانات، فإن أياً من تنوعات مخرجاته لا يمكن تتبعها وصولاً إلى انتهاكات محددة في الواجبات القانونية أو نقاط توزيع المسؤولية10,11. وهذا الانقطاع (على سبيل المثال، تحيز بيانات التدريب، أو عيوب تصميم النموذج، أو التفسير الدلالي للقواعد القانونية) لا يمكن عزله تجريبياً لتحديد مصدر التحيز أو لتوضيح الواجبات القانونية للمطورين أو الجهات الناشرة أو المستخدمين12,13. والأكثر إشكالية هو أن إجراءات الامتثال الحالية تتحقق فقط مما إذا كانت المخرجات النهائية تستوفي مواصفات ثابتة، دون النظر في مسار الانتشار أو تضخيم التحيز في شبكة التفاعلات بين "القانون والتكنولوجيا"14,15. وعندما يخضع الذكاء الاصطناعي الطبي لأحكام قانونية متعددة في آن واحد، وينتج النظام سلسلة من الأخطاء بسبب سوء تفسير بند واحد، فإن المناهج التقليدية لا تستطيع تتبع كيفية انتشار الخطأ عبر الأحكام الأخرى ذات الصلة وصولاً إلى تحديد المسؤولية16,17. بالإضافة إلى ذلك، هناك نقص في آلية ارتباط ديناميكية بين تدفق القرار في الوقت الفعلي ومخطط المعرفة القانونية الحالي، مما يؤدي إلى تأخير تقييم الامتثال أثناء تشغيل النظام، وبالتالي منع المراقبة الاستباقية لاتجاه تراكم التحيز18,19. تؤدي هذه المشكلات مجتمعة إلى عدم اليقين في تحديد المسؤولية، وضعف الإسناد، وتأخر التدخل التنظيمي، مما يعيق بشكل كبير النشر الموثوق لأنظمة الذكاء الاصطناعي عالية المخاطر في الرعاية الصحية وتطبيق المساءلة القانونية.

وقبل كل شيء، تدرس الأبحاث التقليدية النصوص القانونية في شكل هيكلي وتبني قواعد معرفية لمجالات محددة باستخدام الأنطولوجيات أو القواعد من أجل دعم الإجابة على أسئلة الامتثال أو الإخطارات بالمخاطر20,21. ورغم أن هذه النهج يمكنها التقاط تمثيلات لبعض المفاهيم القانونية، إلا أنها تميل إلى افتراض أن المنطق الداخلي للقانون متماسك واستاتيكي، مما يجعل من الصعب التعامل مع التناقضات بين الولايات القضائية، أو الاستثناءات، أو الصيغ الغامضة. وقد قدمت الأعمال اللاحقة تقنية معالجة اللغات الطبيعية، باستخدام نماذج لغوية مدربة مسبقاً لاستخراج الكيانات والعلاقات القانونية، مما أدى إلى تحسين نطاق تغطية استخراج المعرفة22,23، ولكنها لا تزال عند مستوى دلالي سطحي، وتفشل في إنشاء واجهة ربط بين السلوكيات القانونية والتقنية. وفيما يتعلق بحوكمة التحيز الخوارزمي، ركزت الأبحاث في الغالب على تصميم قيود العدالة24,25، وعادة ما تعتمد مؤشرات تقييمها على متغيرات ديموغرافية، مما يفتقر إلى المواءمة مع مبادئ الإسناد القانوني. بل إن بعض الدراسات حاولت ترميز القواعد القانونية كقيود ودمجها في تدريب النماذج26,27، ولكن نظراً لصلابة التعبير عن القواعد وخشونة حبيباته، يصعب تكييفها مع المواقف السريرية المعقدة. وبشكل عام، تعامل الأعمال الحالية الامتثال القانوني كمهمة تحقق خارجية بدلاً من كونه سمة حاسوبية جوهرية لبنية النظام. ويؤدي ذلك إلى عمل المنطق القانوني والمنطق الخوارزمي بالتوازي، مما يفشل في دعم الاستدلال المشترك والتدخل الديناميكي في مسارات انتشار التحيز.

في السنوات الأخيرة، تم إدخال الشبكات العصبية الرسومية تدريجياً في المجال الطبي نظراً لقدراتها الصريحة على نمذجة البنى 관계ية28,29. وتستخدم بعض الدراسات الرسوم غير المتجانسة لدمج السوابق القضائية، والنصوص القانونية، ومعلومات الأطراف، مما يدعم توصيات القضايا أو تنبؤات الأحكام من خلال تضمين العقد30,31، وهو ما يؤكد فعالية البنى الرسومية في التقاط الروابط القانونية. بينما تقوم أعمال أخرى بتجريد المكونات الخوارزمية كعقد رسومية، باستخدام الحواف لتمثيل تدفقات البيانات أو علاقات الاستدعاء لتتبع انتشار الخطأ32,33. وتثبت هذه الاستكشافات أن البنى الرسومية يمكن أن تكون بمثابة حامل مشترك للعناصر القانونية والتقنية. ومع ذلك، تعاني النماذج الرسومية الحالية عموماً من ثلاثة قيود: أولاً، تقتصر على نوع واحد من علاقات الحواف، مما يجعلها تفشل في التمييز بين الاختلافات المعيارية والسببية والإسنادية في الدلالات القانونية؛ ثانياً، تتجاهل عملية تجميع الميزات الأوزان الدلالية لأنواع الحواف، مما يؤدي إلى التعامل مع مسارات المنطق القانوني المختلفة بالتساوي؛ وثالثاً، تفتقر إلى آلية تتبع قابلة للتفاضل لانتشار الانحياز، مما يجعل من المستحيل تحديد الحواف ذات المساهمة العالية وإعادة بناء مسارات المسؤولية. تبني هذه الورقة شبكة عصبية تلافيفية رسومية مدركة للعلاقات تعالج مشكلة دمج التباين الدلالي من خلال تخصيص مصفوفة تحويل مخصصة لكل نوع من حواف الدلالات القانونية وإدخال آلية انتباه لضبط تدفق المعلومات عبر الأنواع ديناميكياً. علاوة على ذلك، ومن خلال الجمع بين الانتشار العكسي للتدرج واستخراج الرسوم الفرعية، تتيح هذه الشبكة انتقالاً قابلاً للتفسير من حكم الامتثال على المستوى الكلي إلى تتبع الانحياز على المستوى الجزئي، متجاوزة بذلك عنق الزجاجة في النماذج الرسومية التقليدية التي تدعم الاستدلال الساكن فقط.

بعيداً عن المجال الطبي، أظهرت التطورات الأخيرة في الطرق القائمة على الرسوم البيانية والطرق التطورية قابلية تطبيق واسعة في معالجة المعرفة المهيكلة. فعلى سبيل المثال، اقترح Xue et al. نهج البرمجة الجينية الهجينة متعددة الطبقات لبناء سمات التشابه التكيفي في مطابقة الأنطولوجيا، محققين محاذاة قوية عبر الرسوم البيانية المعرفية غير المتجانسة34. وقدم Cheng et al. مسحاً شاملاً لتطبيقات الشبكات العصبونية التلافيفية الرسومية في ترميم الصور، حيث قاموا بتصنيف طرق إزالة الضوضاء، والدقة الفائقة، وإزالة التشوش بشكل منهجي35. كما قدم Li et al. مسحاً دقيقاً حول التعلم العميق التطوري من منظور التعلم الآلي المؤتمت، مغطياً المبادئ والخوارزميات والتطبيقات والتحديات المفتوحة36. وطور Ma et al. إطار عمل للبحث عن البنية العصبونية الضبابية للتعرف على العيوب في ظل عدم اليقين، مما أثبت فعالية البحث التطوري في التعامل مع البيانات الغامضة37. وتسلط هذه الدراسات الضوء على إمكانات دمج التمثيلات ذات البنية الرسومية والتحسين التطوري لمهام اتخاذ القرار المعقدة.

يتمثل الهدف الأساسي لهذا البحث في تأسيس إطار عمل قابل للتفسير من البداية إلى النهاية لتحليل الامتثال القانوني للذكاء الاصطناعي الطبي، مع تقديم ابتكارات على ثلاثة مستويات. فعلى مستوى تمثيل المعرفة، يعد هذا البحث الأول من نوعه في نمذجة البنود القانونية، والممارسات الطبية، ووحدات الخوارزميات، والأطراف المسؤولة كأربعة أنواع من العقد غير المتجانسة. وبناءً على الممارسة القانونية، يستخلص البحث أربعة أنواع من العلاقات الموجهة وهي: "الانتهاك"، و"الأساس"، و"المحفز"، و"الإسناد"، مما يساهم في بناء رسم بياني معرفي موجه يتسم بالمنطق السببي القانوني، ويوفر أساساً دلالياً مهيكلاً لتحليل الامتثال. وفيما يتعلق بتتبع مصدر الانحياز، يقترح البحث طريقة لتقدير مساهمة الحواف بناءً على حساسية التدرج؛ حيث يقوم عبر الانتشار العكسي بتحديد مجموعة الحواف التي تزيد من انحياز المخرجات إلى أقصى حد، ثم يطبق خوارزمية اكتشاف المجتمعات لتجميع العقد ذات المساهمة العالية، محولاً بذلك "انحياز الصندوق الأسود" إلى "مجموعات مسؤولية الصندوق الأبيض"، وهو ما يجعل عملية الإسناد تستند إلى سلسلة أدلة قابلة للتشغيل. أما على مستوى المراقبة الديناميكية في الوقت الفعلي، فقد طوّر البحث آلية تضمين عقد القرار المؤقتة التي تقوم بmapping مخرجات الذاء الاصطناعي في الوقت الفعلي إلى مساحة الرسم البياني المعرفي. وبناءً على مقارنة تقارب التضمين، يتم قياس درجة الانحراف عن المعايير ومراقبة تغير وزن تلك الحواف التقنية القانونية الجوهرية، وذلك للتنبيه عند تراكم الانحياز النظامي. يعالج هذا النموذج كلاً من تشتت الدلالات ومعضلات إمكانية التتبع، ويحول الامتثال القانوني من مجرد تحقق لاحق إلى حوكمة مسبقة، مما يوفر مساراً تقنياً قابلاً للتوسع لشفافية المسؤولية في أنظمة الذكاء الاصطناعي عالية المخاطر.

البروتوكول

بناء شبكة عصبية بيانية لمعرفة الذكاء الاصطناعي الطبي القانوني

كما هو موضح في الشكل 1، يتكون الإطار المقترح من ثلاث وحدات رئيسية. تقوم طبقة الإدخال بدمج بيانات متعددة المصادر في رسم بياني غير متجانس من خلال ترميز الكيانات متعددة الوسائط ونمذجة الحواف الموجهة. ثم تقوم طبقة الشبكة العصبية الرسومية GCN التي تراعي العلاقات بإجراء محاذاة دلالية عبر الوسائط باستخدام أوزان وتركيز محددين حسب النوع، مما يُنتج تضمينات موحدة للعُقد. وأخيرًا، تدعم هذه التضمينات تتبع التحيز (من خلال الانتشار العكسي للتدرجات وكشف المجتمعات) والرصد الديناميكي للامتثال (من خلال رسم العقد في الوقت الفعلي وتتبع أوزان الحواف)، حيث توفر النتيجة أدلة تخصيص قابلة للتفسير وتنبيهات بالمخاطر للجهات التنظيمية.

مخطط بناء الرسم البياني المعرفي باستخدام نموذج GNN؛ يعرض تدفق البيانات من المدخلات إلى الواجهة التنظيمية.
الشكل 1: الرسم البياني المعرفي القانوني وبنية تتبع التحيز للذكاء الاصطناعي الطبي. يوضح هذا المخطط التدفق الكلي للعملية في الإطار المقترح. تقوم طبقة المدخلات بدمج بيانات غير متجانسة من مصادر متعددة (نصوص قانونية، إرشادات سريرية، تقارير تدقيق الخوارزميات)، والتي يتم ترميزها إلى أربع أنواع من الكيانات (بنود قانونية، سلوكيات طبية، وحدات خوارزمية، أطراف مسؤولة) وتُربط بأربع علاقات قانونية-دلالية موجهة (انتهاك، أساس، مشغل، نسب). تقوم الطبقة GCN الحساسة للعلاقات بإجراء محاذاة دلالية عبر الوسائط باستخدام أوزان وانتباه محددين حسب النوع. يستخدم وحدة تتبع التحيز الانتشار العكسي للتدرج لتحديد الحواف ذات المساهمة العالية، ثم يُطبّق كشف المجتمعات لتحديد مجموعات العقد الجذرية. يقوم جهاز المراقبة الديناميكي للامتثال بتعيين قرارات الوقت الفعلي إلى عقد مؤقتة، ويقيّم تشابه التضمينات بالنسبة للبنود القانونية، ويتتبع تطور أوزان الحواف للإنذار المبكر. وتشمل المخرجات أدلة تفسيرية على النسب وتنبيهات بالمخاطر. يرجى النقر هنا لعرض نسخة أكبر من هذا الشكل.

التشفير الهيكلي للرسوم البيانية غير المتجانسة للكيانات القانونية والعلاقات

يتم اشتقاق أربع كيانات أساسية بشكل متكرر من قوانين تنظيم الذكاء الاصطناعي الطبي، والمبادئ التوجيهية للممارسة السريرية، وتقارير تدقيق الخوارزميات، وهي: البنود القانونية، والإجراءات الطبية، ووحدات الخوارزمية، والكيانات المسؤولة. ويُقترح نموذج منفصل لتعلم التمثيلات المميزة لكل نوع من هذه الكيانات بحيث يكون قابلاً للتمييز الدلالي. تُنظم عُقد البنود القانونية لتشمل رقم البند القانوني، ويُستخدم هذا الرقم كمعرّف فريد (مُعرِّف) للبند القانوني. وفي الوقت نفسه، يُعرَّف مؤشر لقياس شدة العقوبة للإشارة إلى مستوى المسؤولية القانونية المرتبطة بالبند، وبالتالي يُنشأ متجه مميزات.

معادلة التضمين للشبكة العصبية؛ رسم تخطيطي؛ تمثيل موجز لعمليات المتجهات. （1）

‏ci هو رقم الإدخال، وEmb(·) يمثل خريطة التضمين ذات الأبعاد المنخفضة، و[·;·] يمثل عملية تضمين المتجهات. يحافظ هذا التمثيل على البنية الرسمية وشدة العقوبة في النص القانوني معًا، ويدعم الاستدلال عبر العبارات.

تُوحَّد عُقَد السلوكيات الطبية وتُرمَز بناءً على نظام تصنيف العمليات السريرية، باستخراج مستوى المخاطر الخاص بها rj ∈ {1,2,3} ومجموعة تسميات السيناريوهات القابلة للتطبيق sj ⊂ S، حيث تمثل S المجموعة الكاملة من فئات السيناريوهات المحددة مسبقًا. ويُستخدم الترميز المتعدد المُشغَّل (Multi-hot encoding) لمعالجة مجموعة التسميات، ثم تُدمج النتيجة مع التضمين الخاص بمستوى المخاطر لتكوين تمثيل أولي:

معادلة شبكة العصبونات البيانية، وتضمين العقدة، وصيغة الانتباه متعدد الرؤوس. （2）

تُضمن هذه الاستراتيجية وجود علاقات مسافة قابلة للقياس بين أنواع مختلفة من السلوكيات الطبية في الفضاء المتجهي، مما يدعم المقارنات عبر السيناريوهات. ويتم تنفيذ دالة تضمين النص Emb(·) باستخدام نموذج لغوي قانوني صيني مُدرَّب مسبقًا يُسمى Lawformer (تم تدريبه مسبقًا على مجموعة بيانات ضخمة من النصوص القانونية الصينية)، مع تثبيت البُعد الناتج عند 768.

استنادًا إلى الاعتماديات المنطقية والقيود القانونية بين الكيانات، يتم إنشاء أربعة أنواع من العلاقات الدلالية الموجهة: "انتهاك"، و"أساس"، و"مشغل"، و"نسبة"، وكل منها يقابل نمطًا سببيًا قانونيًا مختلفًا. ويُخصص لكل حافة eij ⊂ E نوع من التصنيف tij ⊂ T = {violate, base, trigger, attribute} من أجل نقل الرسائل اللاحقة بهدف إدراك العلاقة. ويتم إنشاء الحواف وفقًا بدقة لآلية مطابقة القواعد الخاصة بالنطاق: عندما يحيد السلوك الطبي عن الشروط القياسية، تُنشأ حافة "انتهاك" تشير من عقدة السلوك إلى البند القانوني ذي الصلة؛ وعندما يُعد البند القانوني الأساس التقني للامتثال لإجراء ما، تُنشأ حافة "أساس"؛ وإذا كان مخرج وحدة الخوارزمية هو الذي يُشغّل تنفيذ سلوك طبي محدد مباشرة، تُربط حافة "مشغل"؛ وتُنشأ علاقة نسب المسؤولية استنادًا إلى وثائق مسؤولية المؤسسة واستنتاجات التدقيق، مع إقامة حافة "نسبة" بين الطرف المسؤول وبين الانتهاك أو العيب في الخوارزمية.

بعد تهيئة جميع العقد، يتم تشكيل رسم بياني غير متجانس (V, E, H0)، حيث تمثل V مجموعة العقد، و E مجموعة الحواف الموجهة ذات التصنيفات النمطية، و H0 مصفوفة السمات الابتدائية. ولتعزيز القدرة التمييزية الدلالية لهيكل الرسم البياني، يتم تسوية سمات العقد:

معادلة تسوية البيانات؛ الصيغة: h̃ₖ⁽⁰⁾=hₖ⁽⁰⁾-μₖ/σₖ+ε، تُستخدم في المعالجة المسبقة للبيانات. （3）

‏μk وσk هما المتوسط والانحراف المعياري لميزة العقدة الـk في مجموعة التدريب، على التوالي، و∈ هو ثابت صغير يمنع القسمة على الصفر. ويضمن التطبيع مشاركة الميزات غير المتجانسة متعددة المصادر في عمليات الالتفاف البياني على مقياس موحد، مما يمنع تأثيرات الهيمنة العددية من التدخل في التعلم الدلالي. وينقل النموذج البياني المنظم الناتج بشكل كامل التوبولوجيا العلوية للعناصر الأربعة البعدية المتمثلة في القانون والسلوك والتكنولوجيا والمسؤولية في نظام الذكاء الاصطناعي الطبي، ويوفر أساساً بيانياً قابلاً للحساب لتحليل انتشار التحيزات اللاحقة.

تعزيز المحاذاة بالالتواء البياني للدلالات القانونية عبر النماذج

تُستخدم شبكة تلافُف بيانية مُدركة للعلاقات38,39، وهي امتداد لإطار شبكة التلافُف البيانية العلائقية (R-GCN)، لنشر السمات عبر طبقات متعددة من البيان الأولي غير المتجانس. في حين تُدخل R-GCN مصفوفات تحويل خاصة بكل علاقة بالنسبة للبيانات العلائقية العامة، فإن منهجنا يدمج إضافةً إلى ذلك آلية انتباه قابلة للتعلم لتثبيت أوزان ديناميكية لمساهمات الجيران، ويُعرِّف أربع أنواع محددة من العلاقات القانونية-الدلالية (الانتهاك، الأساس، التنشيط، النسب) المصممة خصيصًا لتحليل الامتثال للذكاء الاصطناعي الطبي. تعتمد عملية كل طبقة على تضبيط مستقل لعملية التحويل وفقًا للنوع الدلالي للحواف. بالنسبة لأي عقدة مستهدفة، يتم تجميع معلومات الجوار ودمجها حسب أنواع الحواف المتصلة. ويُزوَّد كل نوع من العلاقات بمصفوفة تحويل خطية مخصصة لتمييز السمات المنقولة عبر مسارات دلالية قانونية مختلفة40,41. فإذا كان الحافة بين عقدة البند القانوني وعقدة السلوك الطبي من نوع "أساس"، فإن عقدة البند القانوني، عند استلامها رسالة من عقدة سلوك طبي، تُطبِّق مصفوفة الأوزان المقابلة لرسم السمات فضائيًا. وبالمثل، عندما تُرسِل عقدة السلوك الطبي مخرجًا عبر وحدة مخطط تكامل الحواف "تنشيط" إلى وحدة الخوارزمية، فإن مصفوفة المعلمات المرتبطة بهذه العلاقة تُفعَّل وتُجري تحويل السمات. وهذا يُقلِّد سيولة أنواع مختلفة من المنطق القانوني، ويُحقِّق/يُبلِّغ طبقات منطقية مختلفة للحفاظ على الاستقلال الدلالي أثناء تدفق المعلومات دون ضوضاء عبر الأنماط.

معادلة شبكة العصبونات البيانية؛ تحديث تضمين العقدة؛ تمثيل الصيغة؛ الرموز الرياضية. （4）

يمثل mi(l) المعلومات الشاملة التي تم جمعها بواسطة العقدة i في الطبقة l، و Nil هي مجموعة الجيران التابعة لها ضمن العلاقة r، و Wr هي مصفوفة التحويل الخطية، و hj(l−1) هي تمثيل الدمج للعقدة المجاورة في الطبقة السابقة.

يتم تقديم آلية انتباه قابلة للتعلم أثناء تجميع الرسائل لضبط شدة التأثير الديناميكية للعُقد الجيران المختلفة على تحديث تمثيل العقدة المستهدفة42,43. ويتم إنشاء معامل الانتباه بناءً على عاملين مزدوجين هما: تشابه سمات العقدة والأهمية القانونية، دون الاعتماد على أوزان أولية ثابتة. بالنسبة لعُقد البنود القانونية، عند استقبال سمات السلوكيات الطبية المجاورة، يتم حساب درجة الانتباه بناءً على القيمة الكمية لشدة العقوبة المرتبطة بالسلوك الطبي المجاور؛ وعند دمج عقدة الوحدة الخوارزمية لمعلومات السلوك الطبي، فإنها تركز على الجيران ذوي مستويات المخاطر التشغيلية الأعلى. ويتم حساب وزن الانتباه بالطريقة التالية:

صيغة آلية الانتباه باستخدام دالة Leaky ReLU؛ معادلة شبكة عصبية توضح الحساب. （5）

‏αij هو معامل الانتباه للعقدة j تجاه العقدة i، وa هو متجه الانتباه القابل للتعلم. يتيح هذا النموذج التعرف التلقائي على المسارات المرتبطة عالية الخطورة أو عالية القيود أثناء التدريب من طرف إلى طرف، ويعطيها أولوية أعلى من حيث الانتباه. ويُحدد التضمين النهائي للعقدة المحدّث من خلال الرسائل المرجّحة والاتصالات المتبقية.

معادلة شبكة عصبية بيانية؛ تمثيل رمزي؛ دالة σ؛ وزن الاتصال؛ الاستخدام التعليمي. （6）

‏σ هي دالة التنشيط، ويُقلل التصميم المتبقي من مشكلة اختفاء التدرج في الانتشار العميق ويضمن الاستقرار في وجود تعارضات دلالية متعددة. بعد L = 3 طبقات تلافيف بيانية (كل منها بأبعاد كامنة تبلغ 256 وتنشيط ReLU)، يتم دمج المعلومات السياقية عبر الوسائط لجميع العقد بسلاسة، وتصبح التمثيلات الموحّدة ذات قدرة على التمييز الدلالي القانوني.

يُظهر الشكل 2 مخططين بديلين لتحليل الامتثال القانوني للذكاء الاصطناعي في مجال الرعاية الصحية، بهدف معالجة تصور أنواع العلاقات القانونية وطرق انتشار التحيز، مع الإشارة إلى مصادر التحيز المحتملة في هذا اتخاذ القرار. يعرض الشكل 2A تأثير مختلف العلاقات الدلالية القانونية، حيث تم ترميز أربع أنواع من العلاقات بألوان مختلفة، ويتم التمييز بين الحواف لكل نوع بلون مختلف. وتناظر سماكة الحافة وزن الانتباه الخاص بتلك العلاقة المحددة، أي مدى مساهمة هذه العلاقة في قرار الذكاء الاصطناعي. وتشير الحافة السميكة إلى علاقة قانونية رئيسية في القرار، وفي هذه الحالة تكون قد حفزت بشكل كافٍ نتيجة القضية. ويُقاس حجم العقدة بمدى مساهمتها في الانتهاكات: إذ تدل العقد الأكبر على علاقة أقوى بين السلوك والبنود القانونية المحددة، وبالتالي احتمالات خطر أعلى. ويوفر التصور أعلاه طبقة دلالية قانونية واضحة، تمكننا من تحديد المسارات القانونية الأقوى والأكثر خطورة في اتخاذ قرار الذكاء الاصطناعي. كما يشير الشكل 2B إلى المسارات ذات المساهمة العالية (في انتشار التحيز) مع التركيز على الحواف ذات المساهمات الكبيرة، والتي تكون مطبّعة ومصحوبة بخطوط منقطة (مثل B1-B3) في عملية اتخاذ القرار. ويمثل تضاعف عرض هذه الحواف أهميتها في نشر التحيز النظامي. وتُظهر الشكل 2 أي مجموعات من القواعد القانونية والسلوكيات التقنية تؤدي إلى هذا التأثير التضخيمي للتحيز. ولا يقتصر هذا التحليل على الكشف عن مسار انتشار التحيز، بل يسهّل أيضًا تحديد مصدر التحيز، والذي يمكن بناءً عليه إقامة تدقيق الامتثال وتحديد مسؤولية أداة الذكاء الاصطناعي.

أنواع العلاقات الحدية مع الانتباه ومسارات التحيز المميزة؛ نظرية المخططات، تحليل الشبكات.
الشكل 2: تحليل الامتثال القانوني وانتشار التحيز في الذكاء الاصطناعي للرعاية الصحية (مثال توضيحي). (أ) علاقات دلالية قانونية مُرمَّزة بالألوان: انتهاك (أحمر)، أساس (أزرق)، مشغل (أخضر)، نسب (برتقالي). يتناسب سمك الحافة مع وزن الانتباه، مما يدل على تأثير كل علاقة على قرار الذكاء الاصطناعي. ويتناسب حجم العقدة مع مساهمتها في الانتهاك، مما يبرز الكيانات المحفوفة بالمخاطر. (ب) مخطط فرعي لانتشار التحيز: تُعرض الحواف ذات المساهمة العالية بخط عريض ومتقطع (مثلاً، B1-B3)؛ وتشير الحواف ذات العرض المضاعف إلى تضخيم التحيز النظامي. يساعد هذا التمثيل البصري في تحديد المسارات القانونية السائدة، ومصادر التحيز، وتدقيق الامتثال. لا تنطبق مقاييس القياس أو أشرطة الخطأ لأن هذا تمثيل تخطيطي. يرجى النقر هنا لعرض نسخة أكبر من هذا الشكل.

آلية التراجع عن الرسم البياني الجزئي لمسار انتشار الانحياز

في هذه الدراسة، يُعرَّف "التحيّز" على أنه الانحراف المنهجي لمخرجات نظام الذكاء الاصطناعي عن القرار المتوقع سريريًا وقانونيًا، ويُقاس من خلال الفرق بين درجة المخاطر التي تنبأ بها النموذج والملصق المرجعي للامتثال. ويُكمَّن إشارة التحيّز كخسارة الانتروبيا المتقاطعة بين المخرجات النهائية للخوارزمية ومؤشر ثنائي للامتثال (1 للحالة الممتثلة، 0 للحالة غير الممتثلة)، ويُجمَع هذا المقياس على جميع حالات اتخاذ القرار ضمن الدفعة.

بعد تدريب الشبكة العصبية البيانية، تُستخدم قابليتها للاشتقاق لأداء تحليل الانتشار العكسي على إشارة التحيّز في الطبقة الناتجة. بدءًا من عقدة القرار الخوارزمية التي تكشف الشذوذ، يتم حساب مقدار التدرج لدالة الخسارة بالنسبة لكل حافة متصلة لقياس مساهمة كل حافة في تشكيل التحيّز. ويتم تنفيذ هذه العملية من خلال إطار عمل للاشتقاق التلقائي، مع التراجع خطوة بخطوة على طول الحواف الموجهة في البنية البيانية للحصول على قوة تأثير كل تحويل لمعلمة حافة على التغير في المخرجات النهائية. كلما زاد القيمة المطلقة للتدرج، زادت هيمنة العلاقة القانونية-التقنية التي تحملها تلك الحافة في انتشار التحيّز. ويُعرّف مساهمة الحافة على النحو التالي:

المعادلة الرياضية للتدرج، gij=∂Lbias/∂wi، ذات صلة بتحليل التحسين. （7）

‏Lbias هو دالة الخسارة القابلة للاشتقاق والمُعرّفة للسلوك المتحيز، و‏wi هو متجه أوزان الحافة المقابل لنوع الحافة. تعكس قيمة الميل التدرجي هذه مدى مشاركة علاقة دلالية محددة في التحيز الحالي في الارتباط. بعد تقييم جميع الحواف بهذه الطريقة، يتم تحديد عتبة ديناميكية τ لتصفية مجموعة الحواف عالية المساهمة Ehigh التي تفوق مساهمتها gij > τ، مشكلةً بذلك الرسم البياني الجزئي الأولي لانتشار التحيز Gbias = (Vbias, Ehigh). على وجه التحديد، تُحدد τ كالمئيني 85 لقيم الميل التدرجي المطلقة عبر جميع الحواف في كل دورة تدريب، مما يضمن الاحتفاظ فقط بأكثر 15% من الحواف تأثيراً لغرض بناء الرسم البياني الجزئي. يركز هذا الرسم البياني الجزئي على مسارات الاتصال الأساسية التي يحتمل أن تكون الدافعة الرئيسية للتحيز النظامي، ويقلص بذلك نطاق البحث ويعزز كفاءة تتبع المصدر.

داخل الرسم البياني الجزئي المُنشَأ للانحياز-الانتشار، يتم تنفيذ خوارزمية للكشف عن المجتمعات مُوجهة بالتجميع الطيفي لتحديد هياكل التجمعات العقدية المتماسكة بشدة. يستند هذا الإجراء إلى تحليل عوامل المصفوفة اللابلاسية المعيارية للرسم البياني الجزئي، حيث يتم رسم تضمينات العقد في فضاء طيفي ذي أبعاد منخفضة، وتطبيق إستراتيجية تجميع مُدركة للكثافة في هذا الفضاء، بهدف ضمان تجميع العقد ذات الأنواع المختلفة (مثل البنود القانونية ووحدات الخوارزميات) في نفس التجمع عندما تكون مرتبطة وظيفيًا بشكل وثيق. وتمثل كل مجتمع مُحدَّد وحدة تكرار وظيفية محتملة أو تجمعًا للمسؤوليات. وتُستقى نتائج تقسيم المجتمعات من خلال أهداف التحسين التالية:

معادلة التحسين ΣckLck/ckDck، تحليل الصيغة الرياضية. （8）

‏L=D−A هي مصفوفة لابلاس للرسم البياني الجزئي، وA هي مصفوفة التلاصق، وD هي مصفوفة الدرجة، وck هو المتجه الدلالي للمجتمع رقم k، وK هو العدد المحدد مسبقًا للمجتمعات. ويُحسِّن هذا المعيار الفرق الأدنى لتقاطعات المجتمعات، مما يضمن اتصالات داخلية متينة.

الآن، يتم إجراء تحليل مبني على التراكب الطبقي لكل مجتمع. إذا كان المجتمع يحتوي على عقد بنود قانونية وعقد وحدات خوارزمية، فإنه يُصنف باعتباره مصدرًا محتملًا للتحيّز. ولإختبار السببية، يُجرى اختبار تدخلي: حيث تُزال جميع الحواف في هذا الإقليم مؤقتًا من الرسم البياني، ثم يُنفَّذ نفس إجراء اتخاذ القرار مرة أخرى، ويتم ملاحظة الفروقات في قياسات التحيّز. ويُعرّف مقياس الصلاحية السببية على النحو التالي:

صيغة حساب دلتا، Δ=(B_orig-B_mask)/B_orig، معادلة للتحليل في الطريقة الإحصائية. (9)

Borig وBmask يمثلان قوة التحيز للنموذج الأصلي والتحيز بعد التعتيم، على التوالي. إذا كانت مقاييس الصلاحية السببية أعلى بكثير من العتبة المحددة مسبقًا، فهذا يدل على أن مجموعة العقد قد تم تحديدها باعتبارها مصدرًا قابلاً للتفسير للتحيز، مما سيساعد في التصحيح اللاحق للامتثال وتوزيع المسؤوليات عن الأخطاء.

التحقق الديناميكي من القيود القانونية

تُعرَض حالات اتخاذ القرار الفعلي في الزمن أثناء تشغيل نظام الذكاء الاصطناعي الطبي باعتبارها عقدًا عابرة ومُضمّنة في فضاء رسم بياني للمعرفة تم تعلمه مسبقًا. ويتم إنتاج متجه ميزة أولي من قِبل كل عقدة عن طريق قراءة سياق المدخلات، والسلوك الناتج، وحالة الخوارزمية. بعد ذلك، يُغذّى هذا المتجه إلى شبكة عصبية بيانية ذات معايير ثابتة لأداء انتشار أمامي بطبقة واحدة، مما يُنتج تضمينًا يتماشى مع الرسم البياني للمعرفة دون تعديل البنية الأصلية للرسم البياني. وبهذا الشكل، يُمكّن ذلك من مقارنة العقد العابرة وعقد البنود القانونية في فضاء دلالي مشترك.

ثم احسب تشابه الجيب التمام بين العقدة العابرة وكل عقدة من عقد البند القانوني:

معادلة التوازن الثابت Sij=hTemp^T hjlow/||hTemp||*||hjlow|| صيغة للتحليل العلمي. （10）

‏htemp هو تضمين العقدة المؤقتة، و‏hjlaw هو تضمين عقدة البند القانوني رقم j. تعكس قيمة التشابه درجة المطابقة الدلالية بين القرار الحالي وكل قيد قانوني بشكل افتراضي. يتم تحديد عتبة امتثال ديناميكية θ بناءً على توزيع التشابه للعينات التاريخية الممتثلة لضبط حد الحكم ضمن سيناريوهات تطبيق مختلفة. على وجه التحديد، θ = µ - 2σ، حيث يمثل µ وσ المتوسط والانحراف المعياري لتوزيع التشابه الجيبي المحسوب من مجموعة تحقق مكوّنة من 500 حالة قرار ممتثل معروفة.

إذا كان درجة التشابه الجيبي أقل من عتبة المطابقة الديناميكية، فإن القاعدة المقابلة للقانون تُعتبر منتهكة، مما يؤدي إلى تفعيل آلية تنبيه المطابقة. كما يتضمن الإشعار رقم البند القانوني الأدنى المطابق، وقيمة التشابه، واتجاه تحليل الانحراف، وهي معلومات ينبغي أن تكون كافية للمنظمين للتحرك فورًا. يوفّر هذا النهج خريطة تفسيرية من اتخاذ القرار المعتم إلى مجال الدلالات القانونية، ويسهّل التحقق من المطابقة في الوقت الفعلي.

يتم تتبع اتجاه التغير في الوزن للحواف الرئيسية المرتبطة بالتكنولوجيا القانونية خلال التشغيل المستمر في الرسم البياني الفرعي لانتشار التحيز. ويركز الاهتمام على الحواف التي تربط عقد وحدات الخوارزميات بعقد البنود القانونية، لأنها تمثل بشكل مباشر شدة استجابة السلوك التقني للوائح المحددة. يتم تسجيل معلمات مصفوفة التحويل لكل حافة مستهدفة أثناء الاستدلال، ويتم استخراج معيارها كمؤشر ديناميكي على تطور شدة الارتباط بين الاثنين. ويُعرَّف تسلسل شدة الحافة بما يلي:

مخطط معادلة معيار المصفوفة لتحليل التوازن الساكن؛ طريقة الجبر الخطي في الهندسة. （11）

يمثل wt معيار فروبينيوس لمصفوفة الأوزان المقابلة للعلاقة بين الحافة eij عند الزمن t، بينما تمثل Wkl(t) مصفوفة المعاملات المستخدمة فعليًا في النموذج عند ذلك الزمن. ويعكس هذا المؤشر عمق تعلم النموذج أو اعتماده على القيد القانوني.

يُجرى اختبار الرتابة باستخدام نافذة انزلاقية على التسلسل، ويُستخدم اختبار إشارة محسن لتحديد ما إذا كان هناك اتجاه تصاعدي كبير. إذا حققت الزيادات على مدى N خطوة زمنية متتالية شرط التفوق الموجب، فإن الحافة تُعتبر معنية بظاهرة تعزيز غير طبيعية. وبدمج إضافي لبيانات المساهمة التاريخية في التدرج، إذا تم تحديد الحافة على أنها مسار ذي تأثير كبير في الجولة السابقة من تحليل تتبع المصدر، تُبدأ عملية إنذار مبكر لتراكم التحيز النظامي.

وأخيرًا، يتم إنشاء تقرير لتتبع المصدر، يتضمن معلومات عن العقد الموجودة في كلا طرفي الحافة المستهدفة، ومنحنيات تغير الوزن، والإحصائيات الخاصة بتردد القرارات المرتبطة، والتوصيات المحتملة للنسبة المخصصة. ويُحقق هذا الأسلوب قفزة من الحكم الثابت القائم على الامتثال إلى التنبؤ الديناميكي بالمخاطر، مما يدعم التدخل الاستباقي في حالات الانحراف المؤسسي المحتملة.

البيانات والتصميم التجريبي

للتحقق من فعالية الإطار المقترح، قامت هذه الورقة ببناء مجموعة بيانات غير متجانسة متعددة المصادر تدمج لوائح حقيقية وبيانات محاكاة، وصَمَّمت تجارب ضبط صارمة. وتشمل مصادر البيانات اللوائح الوطنية للتنظيم في مجال الذكاء الاصطناعي الطبي، والإرشادات السريرية للعلاج، وتقارير تدقيق الخوارزميات المفتوحة المصدر، وسجلات القرارات الناتجة عن المحاكاة. وبعد المعالجة المسبقة، تم بناء رسم بياني معياري غير متجانس يحتوي على 285 عقدة (85 بندًا قانونيًا، و120 سلوكًا طبيًا، و42 وحدة خوارزمية، و38 كيانًا مسؤولًا) و1247 حافة موجهة، كما هو موضح في الشكل 3.

عدد العقد حسب نوع الكيان، هيستوغرام شدة العقوبة، تحليل مخطط دائري لمستوى المخاطر.
الشكل 3: توزيع وخصائص الأنواع المختلفة من الكيانات. (أ) مخطط شريطي يوضح عدد العقد لكل نوع من الكيانات: البنود القانونية (85)، السلوكيات الطبية (120)، وحدات الخوارزمية (42)، الأطراف المسؤولة (38). (ب) هيستوغرام لشدة العقوبة الخاصة بعُقد البنود القانونية، مصنفة إلى فئات منخفضة (0‑0.33)، متوسطة (0.34‑0.66)، وعالية (0.67‑1.0)؛ المحور الرأسي يمثل العدد. (ج) مخطط دائري لتوزيع مستويات المخاطر بين عُقد السلوكيات الطبية: منخفض (19%)، متوسط (43%)، عالي (38%). جميع القيم تمثل عدداً مطلقاً أو نسباً مئوية؛ ولا توجد أشرطة خطأ لأن هذه إحصائيات وصفية للمجموعة البيانات. يرجى النقر هنا لعرض نسخة أكبر من هذا الشكل.

الشكل 3 يوضح توزيع وخصائص عُقد الكيانات في الرسم البياني المعرفي غير المتجانس. الشكل 3A يعرض توزيع عدد أربع أنواع من عُقد الكيانات، حيث تكون عُقد "السلوك الطبي" هي الأكثر عددًا (120)، تليها عُقد "البنود القانونية" (85)، في حين أن عُقد "وحدات الخوارزميات" (42) وعُقد "الكيانات المسؤولة" (38) أقل نسبيًا. ويرجع ذلك إلى أن الرسم البياني تم تصميمه هيكليًا بناءً على السلوك والقواعد. الشكل 3B يعرض توزيع شدة العقوبات بالنسبة للعُقد التي تمثل بندًا قانونيًا فريدًا، حيث تقيس الشدة شدة المسؤولية القانونية. تشير البيانات إلى وجود عدد قليل نسبيًا من الأحكام ذات شدة عقوبة عالية، ومعظمها يقع في الفئة متوسطة إلى منخفضة الشدة، وهو ما يتماشى مع الواقع القائم بأن هناك عددًا قليلاً فقط من بنود المخالفات الشديدة في الأنظمة القانونية الواقعية. الشكل 3C يوضح توزيع مستوى المخاطر في عُقد السلوك الطبي، حيث تمثل السلوكيات متوسطة الخطورة النسبة الأكبر بنسبة 43%، في حين تمثل السلوكيات منخفضة الخطورة أقل نسبة بنسبة 19%، مما يكشف أن السيناريوهات الطبية تُدار عادةً، وتُخضع العمليات عالية الخطورة لقيود ارتباط أكثر صرامة في الرسم البياني. تبرر هذه الإحصائيات مجتمعةً نظام الترميز المستخدم في توضيح الكيانات أثناء بناء الرسم البياني المعرفي، لتوفير دعم ميزات للمحاذاة اللاحقة باستخدام الالتواء البياني.

تم تقسيم مجموعة البيانات بأكملها عشوائيًا إلى مجموعات تدريب (70%)، تحقق (10%)، واختبار (20%)، مع توزيع متكافئ حسب نوع العقدة وتوزيع العلاقات للحفاظ على البنية العامة للرسم البياني في كل تقسيم. واستُخدم نفس التقسيم باستمرار لجميع الطرق الأساسية لضمان مقارنة عادلة. وبالإضافة إلى هذا التقسيم الأساسي، فإن تدرجات الكثافة الثلاثة للرسم البياني المعرفي (مكثف، متوسط، كثيف) والإعدادات الثلاثة للتعقيد عبر الولايات القضائية (فردية، ثنائية، متعددة الأطراف) المذكورة أعلاه تُستخدم كأطر عملية مستقلة لتقييم الأداء، وتقيّم بشكل جماعي متانة الطريقة في ظل ظروف متفاوتة من اكتمال البيانات والتداخل التنظيمي. ولإنشاء تسميات حقيقية لتقييم تحديد موقع التحيز، اعتمدنا إستراتيجية من خطوتين: (1) الترميز بواسطة خبراء — قام ثلاثة خبراء في المجال القانوني والطبي بمراجعة سجلات القرارات بشكل مستقل وتحديد العقد الجذرية ومسارات الانتشار لكل انتهاك تسجيلي للامتثال، مع حل الخلافات بالتصويت الأغلبي؛ (2) الحقن المحاكي — من أجل إجراء اختبارات خاضعة للرقابة، تم إدخال إشارات تحيز اصطناعية في 20 مسار قرار تم اختيارها عشوائيًا من خلال إحداث تغييرات في أوزان الحواف في الرسم البياني المعرفي، مع التأكد من أن العقد المصدر الحقيقية والحواف المتأثرة معروفة مسبقًا.

بالنسبة لجميع الطرق الأساسية (TransE، ComplEx، شبكة GNN التفسيرية (GNN Explainer)، KG-BERT، وNode2Vec)، استخدمنا نفس تهيئة التدريب (مُحسِّن Adam، معدل التعلم 1 × 10−3، حجم الدفعة 64، 100 دورة تدريبية) ونفس تقسيمات البيانات كما فعلنا في طريقتنا لضمان مقارنة عادلة. بالنسبة لـ TransE وComplEx، تم تعيين بُعد التضمين إلى 256 مع هامش قدره 1.0؛ أما بالنسبة لـ KG-BERT، استخدمنا نموذج BERT-base المُدرَّب مسبقًا مع حجم دفعة قدره 16 والحد الأقصى لطول التسلسل 128؛ وبالنسبة لـ GNNExplainer، استخدمنا شبكة GCN مكونة من 3 طبقات مع نفس البُعد المخفي وهو 256؛ وبالنسبة لـ Node2Vec، تم تعيين طول المسار إلى 80، وعدد المسارات لكل عقدة إلى 10، وبُعد التضمين إلى 256.

لضمان مقارنة عادلة، قمنا بتعديل جميع الطرق الأساسية لتتناسب مع نفس مهام تحديد التحيز، وهي تحديد العقدة الجذرية وإعادة بناء مسار الانتشار. بالنسبة لـ TransE وComplEx وNode2Vec، التي ليست قابلة للتفسير بطبيعتها، قمنا بحساب تدرج خسارة التحيز بالنسبة لتضمين كل عقدة واستخدمنا مقدار التدرج كدرجة أهمية للعقدة؛ حيث تم اختيار العقد الجذرية بوضع عتبة لهذه الدرجات، وأعيد بناء مسارات الانتشار بالاحتفاظ بالحواف ذات المساهمات الأعلى في التدرج. بالنسبة لـ GNNExplainer، استخدمنا مباشرةً آليتي أهمية الحافة وقناع العقدة المدمجتين فيه للحصول على العقد الجذرية والرسوم البيانية الفرعية. بالنسبة لـ KG‑BERT، الذي يعمل على الثلاثيات، قمنا بتحويل كل حافة في الرسم البياني إلى ثلاثية نصية واستخدمنا أوزان الانتباه الخاصة بالنموذج على الكيانات لاستخلاص أهمية العقدة، تليها نفس الاستراتيجية القائمة على العتبة لإعادة بناء المسار. من خلال هذه التعديلات، يُنتج كل نموذج أساسي تنبؤات بالعقد الجذرية وتنبؤات بمسارات الانتشار، مما يمكّن من تقييم موحد لجميع الطرق.

يرتكز التقييم حول أربع قدرات أساسية: دقة المحاذاة الدلالية، والقدرة على تحديد تحيز الموقع، وكفاءة المساءلة، والتعميم عبر المجالات. كما يعرض ثلاث متغيرات ضبط مهمة، تحاكي التعقيد في العالم الحقيقي.

1) تدرج كثافة الرسم البياني المعرفي: لتقييم أداء الطريقة عند مستويات اكتمال مختلفة من المعلومات، يتم إنشاء مجموعتين فرعيتين من الرسم البياني الكامل الأساسي (الكثافة D = 1.0) بناءً على استراتيجية عشوائية لحذف الحواف على النحو التالي:

رسم بياني متناثر (D ~ 0.3): يتم الاحتفاظ عشوائيًا بـ 30% من الحواف، ما يُحاكي مرحلة بناء المعرفة المبكرة التي تفتقر إلى الكثير من المعلومات.

رسم بياني متوسط الكثافة (D ~ 0.6): يتم الاحتفاظ عشوائيًا بـ 60% من الحواف، ما يُحاكي سيناريو نموذجيًا لهيكل معرفي معروف جزئيًا.

الرسم البياني الكثيف (D = 1.0): باستخدام جميع الحواف البالغ عددها 1247، وهو ما يقابل حالة مثالية تمثل معرفة نسبيًا كاملة.

2) حالة تكرار قرارات الذكاء الاصطناعي الطبي: يتم ضبط ثلاث أحمال تدفق قرارات اصطناعية لاختبار الأداء الفعلي لمراقبة الامتثال الديناميكية:

تردد منخفض 10 هرتز: في المتوسط، يتم إنشاء 10 أحداث قرار في الثانية، مما يحاكي مراقبة أنظمة صغيرة النطاق أو مواقع منفردة.

متوسط التردد 50 هرتز: 50 حدث قرار في الثانية، ما يحاكي حمل نظام الذكاء الاصطناعي في المؤسسات الطبية الإقليمية أو المتوسطة الحجم.

التردد العالي 100 هرتز: 100 حدث قرار في الثانية تحاكي سيناريوهات الضغط المرتفع في التزامن للمخدمات الذكاء الاصطناعي التي يتم نشرها في مستشفى كبير أو منصة سحابية.

3) تدرج التعقيد بين الولايات القضائية: لاختبار قابلية نقل نمذجة القيود القانونية، تم إنشاء ثلاث مجموعات اختبار مبنية على التعقيد:

الولاية القضائية المفردة: تتكون حصريًا من القوانين واللوائح الصينية الحالية التي تنظم الذكاء الاصطناعي الطبي.

الولاية القضائية الثنائية: تدمج الأنظمة التنظيمية للصين والاتحاد الأوروبي، مع وجود حوالي 15% من القواعد المتعارضة والمتشابهة.

الولاية المتعددة الأطراف: بالبناء على النظامين الأولين، يتم دمج قواعد الخصوصية والأمان من قانون HIPAA الأمريكي (قانون قابلية نقل التأمين الصحي والمساءلة) بشكل إضافي، لإنشاء بيئة اختبار يتكامل فيها النظامان القانونيان للأنظمة القانونية الثلاثة، مما يزيد من معدل تعارض القواعد إلى حوالي 25٪.

تم استخدام المؤشرات الرئيسية التالية للتقييم الكمي:

1) دقة المحاذاة الدلالية: تقيس قدرة الرسم البياني على نمذجة العلاقات بين الكيانات القانونية والتقنية.

دقة محاذاة الكيان:

معادلة الدقة Acceq=|Ppred∩Pgold|/|Pgold| صيغة، طريقة قياس إحصائي. （12）

Ppred هو مجموعة أزواج الكيانات المتماثلة التي تنبأ بها النموذج، و Pgold هي مجموعة التماثلات القياسية التي قام بتوحيدها الخبراء.

الحفاظ على سلامة الحفاظ على العلاقات:

مخطط معادلة CompRel يوضح مقارنة قيم R في التحليل البياني والنصي. （13）

‏Rgraph هو المجموعة المستعادة من العلاقات في الرسم البياني، و‏Rtext هي مجموعة العلاقات الصريحة المستخلصة من النص القانوني الأصلي.

2) قدرة تحديد مكان التحيز: تقييم فعالية تتبع الأسباب الجذرية ومسارات انتشار التحيز.

معدل استدعاء العقدة الجذرية:

صيغة حساب الاستدعاء: Recall_root = |N_pred ∩ N_true|/|N_true|، معادلة رياضية. （14）

Npred هو مجموعة عقد المصدر المُتحيزة التي تم تحديدها بواسطة النموذج، وNtrue هي مجموعة عقد المصدر الحقيقية التي تم تسميتها من قبل الخبراء.

دقة مسار الانتشار:

صيغة دقة المسار، \( \text{Precision}_{\text{Path}} = \frac{|E_{\text{pred} \cap E_{\text{true}}}|}{|E_{\text{pred}}|} \). （15）

‏Epred هو مجموعة الحواف في الرسم البياني الفرعي لانتشار التحيز الذي يستنتجه النموذج، و‏Etrue هي مجموعة الحواف الحقيقية لانتشار التحيز.

3) كفاءة تتبع المساءلة: اختبر أداء النظام في سيناريوهات المراقبة الفورية.

متوسط زمن التتبع:

صيغة متوسط زمن الاستجابة، معادلة مجموع لتحليل الأداء، بحث تربوي، رمز رياضي （16）

يمثل M العدد الكلي للطلبات، و titrigger و tireport هما الطوابع الزمنية للطلب المُتحيّز رقم i وتكوين التقرير المصدر على التوالي.

مدى إنتاجية النظام:

معادلة الإنتاجية، N_processed/ΔT، صيغة كفاءة المعالجة في تحليل الأنظمة. （17）

Nprocessed يمثل عدد طلبات التتبع المتزامنة التي تمت معالجتها بنجاح ضمن النافذة الزمنية ΔT.

4) القدرة على التعميم عبر المجالات: التحقق من قابلية التكيف للطريقة مع أنظمة قانونية مختلفة.

تغطية الاختصاص:

صيغة حساب التغطية؛ coverage_jur=|C_encoded|/|C_input|؛ معادلة لتحليل البيانات. (18)

Cencoded يمثل عدد الجمل القضائية المختلفة التي تم تشفيرها بنجاح في الرسم البياني، و Cinput يمثل العدد الكلي للجمل المدخلة.

معدل اكتشاف تعارض القيود:

الاتزان الثابت: كشف_الصراع = |D_pred−D_gold|/|D_gold|؛ معادلة لتحليل التنبؤ. （19）

Dpred هو مجموعة التناقضات المنطقية القانونية التي تم اكتشافها بواسطة النموذج، وDgold هي مجموعة جميع أزواج التناقضات التي تم ترميزها بواسطة الخبراء.

أُجريت جميع التجارب باستخدام محطة عمل مزودة بمعالج متعدد النوى ووحدة معالجة رسومات؛ وتُقدَّم مواصفات الأجهزة بالكامل في جدول المواد.

يتم سرد المعلمات الفائقة الرئيسية لهذه الطريقة وقيمها في الجدول 1، وتشمل بنية النموذج وتكوين التدريب بالإضافة إلى العتبات المهمة مثل بُعد التضمين، وعدد الطبقات التلافيفية، ومعدل التعلم، وحجم الدفعة. تم ضبط جميع المعلمات بالنسبة لمجموعة التحقق من خلال البحث الشبكي، وقد تقارب النموذج المدرب بشكل مستقر، وحقق أفضل أداء. تم تحديد بعض العتبات بالاشتراك مع المعايير المتخصصة لاستيفاء متطلبات الموثوقية العالية في التحقق من امتثال الذكاء الاصطناعي الطبي.

المعلمةالقيمةالوصف
بعد التضمين128حجم بُعد السمة لتضمينات العقد
عدد طبقات الالتواء3عمق شبكة الالتواء البيانية المدركة للعلاقات
معدل التعلم0.001معدل التعلم الأولي لمُحسّن آدم
حجم الدفعة32عدد الشبكات الفرعية التي تُعالج في كل دفعة
معدل الإسقاط0.1احتمالية الإسقاط المطبقة على خصائص العقدة أثناء التدريب
عدد رؤوس الانتباه8عدد الرؤوس في آلية الانتباه متعددة الرؤوس
معامل تنظيم L25 × 10⁻⁴معامل تناقص الوزن للتنظيم البارامتري
عتبة التشابه0.75الحد الأدنى لتشابه التضمين للتحقق من الامتثال
عتبة المساهمة في التدرج0.01العتبة لاختيار الحواف ذات التأثير العالي في بناء الشبكة الفرعية المتحيزة
حجم نافذة المراقبة10الخطوات الزمنية المستخدمة لتتبع ديناميكيات أوزان الحواف

الجدول 1: إعدادات المعلمات الرئيسية. قائمة بأهم المعلمات الفائقة المستخدمة في التجارب: بُعد التضمين (256)، عدد طبقات GCN (3)، البُعد المخفي (256)، معدل التعلم (1 × 10−3)، حجم الدفعة (64)، بُعد متجه الانتباه، عتبة مساهمة الحافة (ال.Percentile 85 لمقادير التدرج)، عتبة المطابقة الديناميكية (µ‑2σ، حيث µ و σ مستمدة من مجموعة التحقق المكونة من 500 مثيل مطابق)، عدد المجتمعات K (يُحدد بواسطة التجميع الطيفي)، والمحسّن (Adam). تم اختيار هذه القيم باستخدام البحث الشبكي على مجموعة التحقق.

النتائج

التحقق من أداء تتبع أصل الانحياز في الرسم البياني المعرفي القانوني للذكاء الاصطناعي الطبي

أداء الالتفاف الرسومي المدرك للعلاقات

من خلال تدريب شبكة تلافيفية رسومية مدركة للعلاقات، تم حساب تشابهات التضمين بين البنود القانونية وعقد السلوك الطبي عبر مختلف الطبقات التلافيفية، وسُجل تأثير المحاذاة لكل طبقة. ثانياً، تم تحليل أوزان الانتباه المخصصة للعلاقات الدلالية القانونية الأربع بعد التدريب إحصائياً لقياس أهمية كل نوع من أنواع العلاقات في تجميع السمات. وأخيراً، تم تحليل نمط تلاشي تأثير العقد المجاورة مع المسافة؛ فمن خلال حساب مساهمات العقد ذات مسافات القفز المختلفة في تحديث سمات العقدة المركزية، تم قياس قوة انتشار التأثير، وتقييم النطاق الفعال لآلية تمرير الرسائل. اعتمدت عملية التقييم بأكملها على التحليل الكمي للمعلمات الداخلية للنموذج وحالات التنشيط لضمان موضوعية النتائج وقابليتها للتكرار.

يوضح الشكل 4 أداء الشبكات التلافيفية الرسومية المدركة للعلاقات في المحاذاة الدلالية القانونية عبر الوسائط. ويصور الشكل 4A اتجاه تشابه تضمين العقد مع زيادة عدد الطبقات التلافيفية، حيث يزداد تدريجياً من 0.12 في الطبقة 1 إلى 0.68 في الطبقة 4. ويعود هذا الميل التصاعدي إلى التعايش التدريجي بين فضاء البنود القانونية وفضاء السلوك الطبي على طول تمرير الرسائل متعدد الطبقات. إذ يمكن للطبقات التلافيفية العميقة تعلم الأنماط المعقدة للارتباطات الدلالية عبر الوسائط. وتستحوذ علاقة "الانتهاك" على أكبر وزن قدره 0.35 في الشكل 4B، الذي يوضح توزيع أوزان الانتباه لأربعة أنواع من العلاقات الدلالية القانونية. وهذا يتماشى مع المبادئ الأساسية لتحليل الامتثال القانوني، حيث يركز النموذج على الارتباطات المتعلقة بالانتهاكات لدعم الرقابة السليمة على المخاطر. ويظهر الشكل 4C نمط تراكم التأثير متعدد القفزات للعقد المجاورة. حيث تزداد قوة التأثير المقاسة بشكل مطرد من 0.15 عند قفزة واحدة إلى 0.92 عند 8 قفزات، مما يشير إلى أن تضمين العقدة المركزية يدمج تدريجياً معلومات هيكلية أوسع من العقد البعيدة. وتجسد هذه الزيادة غير المتوقعة في الواقع الاعتماد غير المباشر للعقد المركزية على العقد البعيدة. وعند النظر إلى العقد على مسافة قفزات أكبر، يمكن الحصول على معلومات هيكلية أكثر شمولية مع وجود المزيد من الضوضاء والمعلومات الزائدة. لذا، وفي التطبيقات العملية، يلزم تحقيق توازن بين حجم المجال الاستقبالي وجودة المعلومات. وقد أثبت تحويل البيانات بالكامل أن الآلية المدركة للعلاقات كانت فعالة في التعامل مع الربط بين النصوص القانونية غير المتجانسة والسلوكيات التقنية، وبأنه يمكن نمذجة الدلالات القانونية بدقة عن طريق تصميم الوسيط المتميز.

مخطط المحاذاة الدلالية عبر الأنماط؛ رسم بياني لتوزيع الانتباه؛ مخطط انتشار الرسائل
الشكل 4: أداء المحاذاة الدلالية عبر الأنماط للشبكة العصبية التلافيفية الرسومية المدركة للعلاقات.(A) تشابه تضمين العقد (تشابه جيب التمام) كدالة لعدد طبقات GCN (من 1 إلى 4)، مما يظهر زيادة في المحاذاة بين فضاءات السلوك القانوني والطبي. (B) توزيع أوزان الانتباه عبر أنواع العلاقات الأربعة (الانتهاك، والأساس، والمحفز، والإسناد)، حيث حصل الانتهاك على أعلى وزن (0.35). (C) قوة تأثير العقد المجاورة مقابل مسافة القفزة (من 1 إلى 8)، مما يحدد كمية تراكم المعلومات الهيكلية متعددة القفزات. جميع القيم هي متوسط 30 تشغيلاً مستقلاً؛ وكانت أشرطة الخطأ (غير موضحة من أجل الوضوح) ذات انحرافات معيارية أقل من 0.05 في جميع الحالات، والاتجاهات رتيبة. يرجى النقر هنا لعرض نسخة أكبر من هذا الشكل.

من أجل فهم عملية تحسين المعاملات وخصائص الأداء لمختلف أنواع العلاقات الدلالية القانونية في الشبكة العصبية التلافيفية الرسومية المدركة للعلاقات، تم حساب متوسط مقدار مصفوفة الأوزان لكل نوع من أنواع العلاقات عن طريق تحسين المعاملات، وتأكد تقارب تعلم المعاملات عن طريق الانتشار العكسي. ولتقييم جودة تجميع الميزات، استُخدم تشابه جيب التمام لتقييم اتساق تضمينات العقد عبر الأنواع المختلفة. كما حُسب معدل التقارب من خلال انخفاض دالة الخسارة في كل جولة تدريب، مما يضمن بقاء كل نوع من أنواع العلاقات مستقراً أثناء التدريب. وتم تقييم استقرار الانتباه عن طريق حساب الانحراف المعياري لأوزان الانتباه في مراحل التدريب المختلفة. ووحدت مقاييس الكفاءة الحسابية بناءً على عدد عمليات الفاصلة العائمة لضمان العدالة في المقارنة. وقد نُفذت جميع المقاييس 30 مرة على مجموعة الاختبار نفسها باستخدام بذور عشوائية مختلفة لضمان الدلالة الإحصائية. ولإجراء المقارنات الزوجية بين طريقتنا وكل نموذج مرجعي، أجرينا اختبارات t المقترنة بـ 29 درجة حرية.

يوضح الشكل 5 تأثيرات تحسين المعلمات وخصائص الأداء لمختلف العلاقات الدلالية القانونية في الشبكة العصبية التلافيفية الرسومية المدركة للعلاقات. يظهر الشكل 5A توزيع المقدار لمصفوفات الأوزان المخصصة لأنواع العلاقات الأربعة، حيث يمثل المحور الرأسي نوع العلاقة ويمثل المحور الأفقي قيم المقدار لمصفوفات المعلمات المتعلمة. تحقق علاقة "الانتهاك" (violation) أعلى قيمة مقدار تبلغ 0.78، مما يشير إلى أن هذا النوع الدلالي يهيمن على النموذج ويعكس تركيز تحليل الامتثال القانوني على تحديد الانتهاكات. يقارن الشكل 5B درجات جودة تجميع الميزات تحت أنواع العلاقات المختلفة، حيث يمثل المحور الرأسي نوع العلاقة ويمثل المحور الأفقي درجة تأثير التجميع. ويظهر ذلك أن علاقة "الانتهاك" تحقق أيضاً أفضل أداء في جودة دمج الميزات (0.89). يصور الشكل 5C أداء معدل التقارب لمختلف العلاقات، حيث يمثل المحور الرأسي نوع العلاقة ويمثل المحور الأفقي معدل خفض الخسارة لكل جولة تدريب. القيم، على الترتيب، لـ "الانتهاك" و "الأساسية" و "المحفزة" و "الإسناد" هي: 0.023 و 0.031 و 0.028 و 0.035. والنتيجة هي أن علاقة "الإسناد" تتقارب بشكل أبطأ، لكنها تظل مستقرة. يوضح الشكل 5D تباين أوزان الانتباه عبر ثلاث مراحل من التدريب. يمثل المحور y مرحلة التدريب (المبكرة، والمتوسطة، والمتأخرة)، ويمثل المحور x تباين أوزان الانتباه من اليسار إلى اليمين. الأرقام المقابلة هي 0.18 (المبكرة)، و 0.12 (المتوسطة)، و 0.08 (المتأخرة)، مما يشير إلى أن النموذج يعمل تدريجياً على تثبيت تركيزه على العلاقات البارزة أثناء التدريب. يظهر الشكل 5E المقايضة في الكفاءة الحسابية للعلاقات المختلفة. يتوافق المحور y مع نوع العلاقة بينما يتوافق المحور x مع وقت التنفيذ المعياري، والذي يُعرَّف بأنه استهلاك الموارد الحسابية لإكمال المهمة المحددة. الأرقام هي 0.42 (الانتهاك)، و 0.39 (الأساسية)، و 0.43 (المحفزة)، و 0.38 (الإسناد). التوزيع بين الفئات متوازن، مما يشير إلى أن الآلية المدركة للعلاقات تحقق تخصيصاً جيداً للموارد دون تدهور في الأداء.

مخططات شريطية لنماذج التعلم: كثافة المعلمات، تكامل الميزات، استقرار التدريب، تباين الانتباه، كفاءة الموارد.
الشكل 5: تحسين معلمات الالتفاف وتحليل أداء الرسم البياني المدرك للعلاقات. (A) المقدار (معيار فروبينيوس) لمصفوفات الأوزان المخصصة لكل نوع من أنواع العلاقات. (B) درجة جودة تجميع الميزات (اتساق تشابه جيب التمام) لكل نوع من أنواع العلاقات. (C) معدل التقارب (خفض الخسارة لكل حقبة تدريب) لكل نوع من أنواع العلاقات. (D) تباين أوزان الانتباه عبر مراحل التدريب المبكرة والمتوسطة والمتأخرة، مما يظهر الاستقرار. (E) وقت التنفيذ الموحد (التكلفة الحسابية النسبية) لكل نوع من أنواع العلاقات. جميع المقاييس هي متوسطات لـ 30 عملية تشغيل؛ وتمثل أشرطة الخطأ الانحراف المعياري (تظهر حيثما كانت مرئية). تظهر علاقة الانتهاك أعلى مقدار وأعلى جودة تجميع، بينما يتقارب الإسناد بشكل أبطأ ولكنه يظل مستقراً. يرجى النقر هنا لعرض نسخة أكبر من هذا الشكل.

دقة المحاذاة الدلالية

تُستخدم دقة محاذاة الكيانات وسلامة الحفاظ على العلاقات كمؤشرات أساسية. وتحت ظروف تدرج كثافة الرسم البياني للمعرفة (منخفضة/متوسطة/عالية)، تُقارن الطريقة المقترحة مع كل من TransE وComplEx وGNNExplainer وKG-BERT وNode2Vec. وقد تم تشغيل جميع الطرق 30 مرة، مع حساب المتوسط والانحراف المعياري للتخلص من تأثير العشوائية.

الشكل 6 يوضح مقارنة الأداء بين الطريقة المقترحة وعدة طرق مرجعية في ظل كثافات مختلفة لرسم المعرفة، وذلك من حيث دقة محاذاة الكيانات وسلامة الحفاظ على العلاقات، وهما مقياسان رئيسيان. في الأشكال 6A و 6بيمثل المحور الأفقي طرقاً مختلفة، بينما يمثل المحور الرأسي دقة محاذاة الكيانات وسلامة الحفاظ على العلاقات، على التوالي.

مخططات دقة محاذاة الكيانات واكتمال الحفاظ على العلاقات لكثافات الرسم البياني المعرفي.
الشكل 6: أداء المحاذاة الدلالية تحت كثافات رسم بياني مختلفة. (A) دقة محاذاة الكيانات (Eq. 12)، و(B) سلامة الحفاظ على العلاقات (Eq. 13)، مع مقارنة الطريقة المقترحة بكل من TransE و ComplEx و GNNExplainer و KG‑BERT و Node2Vec. تشير أطوال الأعمدة إلى القيم المتوسطة عبر 30 تشغيلاً؛ وتمثل أشرطة الخطأ الانحراف المعياري. تحقق الطريقة المقترحة دقة لا تقل عن 0.92 وسلامة لا تقل عن 0.88 عبر جميع الكثافات، متفوقة بذلك على جميع النماذج المرجعية. يرجى النقر هنا لعرض نسخة أكبر من هذا الشكل.

من منظور دقة محاذاة الكيانات، تؤدي الطريقة المقترحة أداءً ممتازاً في ظل ظروف كثافة مختلفة، حيث بلغ متوسط دقة محاذاة الكيانات ما لا يقل عن 0.92، وهي أعلى مستوياتها، لا سيما في الرسوم البيانية الكثيفة. يشير هذا إلى أن الشبكة العصبية التلافيفية للرسم البياني المدركة للعلاقات التي تم بناؤها يمكنها التقاط الارتباطات الدلالية بين العقد غير المتجانسة بشكل فعال، مما يحقق محاذاة فعالة للميزات عبر الوسائط من خلال أوزان محددة لنوع الحافة وآليات الانتباه. وفي المقابل، تؤدي الطرق التقليدية، وخاصة TransE و Node2Vec، أداءً أسوأ بسبب غياب النمذجة الصريحة للعلاقات الدلالية القانونية. كما تم التحقق من تفوق النهج المقترح من خلال نتائج سلامة الحفاظ على العلاقات، حيث بلغ متوسط سلامة الحفاظ على العلاقات ما لا يقل عن 0.88، مما يشير إلى قدرة النهج على إعادة بناء العلاقات الصريحة في النص القانوني الأصلي بشكل جيد عند كثافات رسم بياني مختلفة. ويعود هذا الأداء القوي إلى الترميز الهيكلي للرسم البياني غير المتجانس ومخطط تمرير الرسائل متعدد الطبقات، الذي يلتقط العلاقات المعقدة بين البنود القانونية والسلوكيات الطبية والوحدات الخوارزمية والوكلاء المسؤولين بشكل شامل. وبينما يظهر GNNExplainer و KG-BERT بعض قدرات النمذجة 관계ية، إلا أن كليهما يواجه قيوداً عند تطبيقهما على الدلالات المعيارية في القانون، حيث يقل أداؤهما عن أداء الطريقة المقترحة.

مقارنة قدرات تحديد موقع الانحياز

يتم إجراء تقييم تحديد موقع الانحياز عبر إطار تحقق تعاوني ثنائي الجودة يعتمد على استرجاع الحقائق لعقد السبب الجذري ودقة مسارات الانتشار، وهو ما يتعلق باكتمال تتبع المصدر ودقة المسار. تُنفذ جميع طرق المقارنة على نفس هيكل الرسم البياني المدخل باستخدام بروتوكول حقن محاكاة الانحياز نفسه وتعريف واجهة التقييم لضمان عدالة الاختبار. وتتكرر كل تجربة 30 مرة ببذور عشوائية مختلفة للتخفيف من التقلبات العشوائية. تُعرض النتائج في صورة المتوسط ±± الانحراف المعياري، وتُستخدم اختبارات t المقترنة لتحديد قيم p-values (مقارنة بالطريقة المذكورة في هذا البحث)، مما يضمن السلامة الإحصائية وقابلية المقارنة لاستنتاج التقييم. وتُشتق قيم p-values من اختبارات t المقترنة بـ 29 درجة حرية (بناءً على 30 تشغيلاً مستقلاً). تتراوح إحصائيات t للمقارنة بين طريقتنا وكل نموذج أساسي من 7.82 إلى 12.45، وهو ما يتوافق مع قيم p-values المذكورة.

يوضح الجدول 2 نتائج التقييم الكمي لقدرة تحديد موقع الانحياز لطرق مختلفة، وذلك باستخدام مؤشرين أساسيين للأداء، وهما استدعاء العقدة الجذرية ودقة مسار الانتشار. وفيما يتعلق باستدعاء العقدة الجذرية، فإن الطريقة المقترحة أفضل بكثير من جميع الطرق المرجعية، حيث حققت استدعاءً من المستوى الأعلى بنسبة 0.95 ±± 0.02، وهو أفضل بشكل ملحوظ من طريقة GNNExplainer التي جاءت في المرتبة الثانية (0.82 ±± 0.03) وأفضل بفارق كبير من الطرق الأخرى. ويُعزى هذا التفوق إلى آلية التكميم المدركة للتدرج المقترحة في هذا البحث، والتي يمكنها تتبع مسار انتشار إشارات الانحياز في الرسم البياني بدقة والتعرف بفعالية على العقد المصدرية ذات المساهمة العالية. وفي المقابل، فإن النهجين التقليديين TransE وNode2Vec، اللذين يفتقران إلى وسيلة لالتقاط الاختلافات الدلالية في أنواع الحواف وبالتالي لا يمكنهما التمييز بوضوح بين مسارات انتشار الانحياز والعلاقات العادية، حققا درجات استدعاء بلغت 0.75 ±± 0.04 و0.72 ±± 0.05 على التوالي. وبالرغم من أن KG-BERT يستخدم نموذج لغة مُدرباً مسبقاً، إلا أنه مقيد في تدفق المعلومات ضمن بنية الرسم البياني، حيث سجل درجة استدعاء بلغت 0.70 ±± 0.04.

الطريقةاسترجاع العقدة الجذريةالقيمة الاحتمالية p-value (استرجاع العقدة الجذرية)دقة مسار الانتشارالقيمة الاحتمالية p-value (دقة مسار الانتشار)
المقترحة0.95 ± 0.02-0.93 ± 0.03-
TransE0.75 ± 0.041.23 × 10⁻80.78 ± 0.052.45 × 10⁻7
ComplEx0.78 ± 0.038.91 × 10⁻90.81 ± 0.041.67 × 10⁻8
GNNExplainer0.82 ± 0.033.45 × 10⁻70.86 ± 0.049.21 × 10⁻9
KG-BERT0.70 ± 0.045.67 × 10⁻80.73 ± 0.054.32 × 10⁻8
Node2Vec0.72 ± 0.057.89 × 10⁻90.75 ± 0.061.54 × 10⁻7

الجدول 2: معدل استدعاء العقدة الجذرية ومعدل دقة مسار الانتشار. مقارنة الأداء لتحديد موقع الانحياز عبر جميع الطرق. يتم تقديم القيم كمتوسط ±± الانحراف المعياري على مدار 30 تشغيلاً مستقلاً. يظهر استدعاء العقدة الجذرية (Eq. 14) ودقة مسار الانتشار (Eq. 15). تحقق الطريقة المقترحة أعلى استدعاء (0.95 ±± 0.02) وأعلى دقة (0.93 ±± 0.03)، متفوقة بشكل ملحوظ على الخطوط المرجعية (اختبار t المزدوج، p < 0.001 لجميع المقارنات).

تعد هذه الطريقة أيضًا الأفضل من حيث دقة مسار الانتشار بقيمة 0.93 ±± 0.03، متفوقة بذلك على الطرق الأخرى. وهذا يثبت أن إجراء تتبع المخطط الفرعي العكسي الذي تقترحه يمكنه التخلص بنجاح من الحواف المشوشة وتحديد مسار انتشار الانحياز الحقيقي. ويؤكد تحليل القيمة الاحتمالية (p-value) وجود فروق ذات دلالة إحصائية في الأداء؛ حيث تظهر جميع الطرق المرجعية فروقًا ذات دلالة إحصائية عالية جدًا مقارنة بالطريقة المقترحة (p < 0.001)، مما يضمن متانة وفعالية الطريقة المقترحة في مشكلة تحديد موقع الانحياز. وقد يشير الأداء القوي نسبيًا لكل من ComplEx و GNNExplainer إلى أهمية هياكل العلاقات المعقدة وقابلية تفسير الشبكات العصبية الرسومية في اكتشاف الانحياز، إلا أنهما لا يضاهيان الحل المتكامل من البداية إلى النهاية المعروض في هذه الورقة.

تقييم كفاءة تتبع المسؤولية

يتم التقييم بناءً على الاستجابة في الوقت الفعلي لنظام تتبع المساءلة، مع اعتماد متوسط زمن انتقال التتبع وإنتاجية الطلبات المتزامنة كمؤشرين رئيسيين للكفاءة. وقد أُجريت التجارب عند ثلاثة ترددات لاتخاذ القرار بواسطة الذكاء الاصطناعي الطبي (تردد منخفض، وتردد متوسط، وتردد مرتفع). ولضمان مقارنة عادلة، تم تزويد جميع النهج بنفس تدفق المدخلات وتشغيل إجراء التتبع كاملاً.

الشكل 7 يقارن كفاءة تتبع المسؤولية بين طرق مختلفة عند ترددات مختلفة لاتخاذ القرار بواسطة الذكاء الاصطناعي الطبي. النتائج معروضة للطرق المذكورة من اليسار إلى اليمين: والخطوط مصنفة كقرارات ذكاء اصطناعي طبي منخفضة التردد، ومتوسطة التردد، وعالية التردد.

مقارنة متوسط زمن وصول التتبع والإنتاجية للخوارزميات؛ مخطط خريطة حرارية؛ تحليل البيانات.
الشكل 7: متوسط زمن وصول تتبع المصدر وإنتاجية معالجة الطلبات المتزامنة. (A) متوسط زمن وصول التتبع (ms) لكل طريقة؛ (B) الإنتاجية (requests/second) لكل طريقة. تربط الخطوط القيم المتوسطة عبر 30 تشغيلًا؛ وتمثل أشرطة الخطأ (في حال ظهورها) الانحراف المعياري. تحافظ الطريقة المقترحة على أدنى زمن وصول (42‑55 ms) وأعلى إنتاجية (190‑230 req/s) عبر جميع الترددات، مما يثبت أداءً فائقًا في الوقت الفعلي. يرجى النقر هنا لعرض نسخة أكبر من هذا الشكل.

بالنسبة لمتوسط زمن استجابة التتبع، فإن الطريقة المقترحة هي الأفضل في جميع ظروف التردد، علاوة على ذلك، فإن جميع الطرق الأخرى لديها زمن استجابة أعلى بكثير من طريقتنا. تتميز جميع الطرق بزمن استجابة للتتبع يزداد عموماً مع زيادة تردد اتخاذ القرار، ولكن النمو في طريقتنا يكون سلساً: 42 milliseconds في التردد المنخفض و 55 milliseconds في التردد العالي. وتستفيد هذه الأفضلية من كون هذه الطريقة تعتمد على شبكة عصبية تلافيفية بيانية واعية بالعلاقات (aware-relational graph convolutional network)، حيث تخصص مصفوفات أوزان مختلفة لأنواع مختلفة من العلاقات الدلالية القانونية لتجنب العبء الحسابي الناتج عن مشاركة المعاملات العامة تحت ظروف التزامن العالي في النهج التقليدية. وفي المقابل، فإن طريقتي TransE و ComplEx، القائمتين على تفكيك الموتّرات (tensor decomposition)، تتدهوران بشكل حاد عند الترددات العالية؛ إذ لا يمكنهما معالجة التحويل غير الخطي للتفاعل بعيد المدى بين العلاقات القانونية والتقنية بكفاءة، مما يؤدي إلى زيادة زمن الاستجابة. أما من حيث الوقت المستغرق لأزواج الطلبات، فإن طريقة هذه الورقة البحثية هي الأفضل أيضاً. ففي إعداد التردد المنخفض، تبلغ إنتاجيتها 230 requests/second، وهو ما يتفوق بمراحل على النهج الأخرى. ومع زيادة التردد، تنخفض الإنتاجية، ولكن مقدار الانخفاض يظل قابلاً للسيطرة حتى في سيناريو التردد العالي، حيث لا تزال الإنتاجية تصل إلى 190 requests/second. وتعود هذه المتانة إلى استراتيجية تضمين العقد المؤقتة وتصميم مسار انتشار التدرج الخلفي المتوازي في هذا النهج، مما يضمن دقة التتبع المجمّع مع معالجة الطلبات المجمّعة بكفاءة. أما النهج العامة، لكونها غير محسنة بشكل خاص، فيتدهور أداؤها بشكل كبير بمجرد مواجهة استعلامات متزامنة، مما يجعلها غير مناسبة للمراقبة في الوقت الفعلي.

التحقق من قدرة تعميم تغطية القيود القانونية عبر المجالات

تُجرى إجراءات التقييم من منظور القدرة العابرة للمجالات في نمذجة القيود القانونية، حيث يتم الاعتماد على مؤشرين للقياس الكمي هما التغطية الولائية ومعدل اكتشاف تعارض القيود. وقد صُممت ثلاثة أنواع من التعقيد العابر للولايات للتجربة، وهي: الولاية الواحدة، والولاية الثنائية، والولاية متعددة الأطراف. ولتجنب انحياز التقييم الناتج عن الاختلافات المعمارية، تم تكرار جميع الطرق المتنافسة 30 مرة، مع تسجيل النتائج المتوسطة لإجراء مقارنة عادلة لقدرة التعميم.

كما هو موضح في الجدول 3، يحقق هذا النهج باستمرار نتائج أفضل من جميع المراجع الأساسية عبر ثلاثة مستويات من تعقيد الولايات القضائية القانونية، كما أن تراجع الأداء يكون أكثر تدريجياً. فهو يوفر معدل اكتشاف للنزاعات يصل إلى 89% تقريباً مع تغطية قانونية بنسبة 94% في سيناريو الولاية القضائية القانونية الواحدة. وعند تعميمه على الولايات القضائية القانونية متعددة الأطراف، يظل قادراً على توفير تغطية بنسبة 87% مع معدل اكتشاف للنزاعات بنسبة 81%. وفي المقابل، تعاني طرق التضمين التقليدية (مثل TransE وNode2Vec) من انخفاض في التغطية إلى حوالي 60% في البيئات متعددة الأطراف، مع معدلات اكتشاف للنزاعات أقل بشكل عام، مما يشير إلى عدم ملاءمتها للتعامل مع التباين الدلالي عبر الولايات القضائية القانونية. ومع ذلك، يقدم KG-BERT وGNNExplainer بعض التحسن بفضل نماذج اللغة المدربة مسبقاً أو وحدات التفسير الإضافية، لكنهما لا يزالان يعانيان من تدهور حاد في الأداء في الحالات التي تتداخل فيها الولايات القضائية القانونية.

الطريقةإعداد الولاية القضائيةتغطية النطاق القانونيمعدل اكتشاف تعارض القيود
المقترحةأحادية0.94 ± 0.020.89 ± 0.03
ثنائية0.91 ± 0.030.85 ± 0.04
متعددة الأطراف0.87 ± 0.040.81 ± 0.05
TransEأحادية0.76 ± 0.050.52 ± 0.06
ثنائية0.68 ± 0.060.45 ± 0.07
متعددة الأطراف0.61 ± 0.070.38 ± 0.08
ComplExأحادية0.79 ± 0.040.55 ± 0.05
ثنائية0.72 ± 0.050.48 ± 0.06
متعددة الأطراف0.65 ± 0.060.41 ± 0.07
GNNExplainerأحادية0.82 ± 0.040.61 ± 0.05
ثنائية0.75 ± 0.050.54 ± 0.06
متعددة الأطراف0.68 ± 0.060.47 ± 0.07
KG-BERTأحادية0.80 ± 0.040.58 ± 0.05
ثنائية0.73 ± 0.050.51 ± 0.06
متعددة الأطراف0.66 ± 0.060.44 ± 0.07
Node2Vecأحادية0.74 ± 0.050.49 ± 0.06
ثنائية0.66 ± 0.060.42 ± 0.07
متعددة الأطراف0.59 ± 0.070.36 ± 0.08

الجدول 3: تغطية الولاية القضائية ومعدل اكتشاف تضارب القيود. نتائج التعميم عبر النطاقات في ظل ولايات قضائية قانونية أحادية وثنائية ومتعددة الأطراف. يتم عرض تغطية الولاية القضائية (المعادلة 18) ومعدل اكتشاف تضارب القيود (المعادلة 19) كمتوسط ± SD على مدى 30 تشغيلة. تحافظ الطريقة المقترحة على تغطية عالية (≥87%) واكتشاف عالٍ (≥81%) حتى في أكثر الإعدادات تعقيداً في الولاية القضائية متعددة الأطراف، بينما تتدهور الطرق المرجعية بشكل كبير.

ينشأ هذا التباين من عمليات النمذجة الأساسية المختلفة تماماً. تعتمد منهجيات تضمين الرسوم البيانية للمعرفة الحالية (مثل TransE وComplEx) على العلاقات الهندسية في فضاء متجهي ثابت للنمذجة، ولا تفرق أبداً بين الدلالات القانونية الثنائية مثل "الحظر" و"السماح"، مما يمنعها من التعامل مع التنظيمات الدقيقة للفعل الطبي ذاته في الأنظمة القانونية المختلفة. وعلى الرغم من أن KG-BERT يمكنه التقاط السياق النصي، إلا أنه يفتقر إلى قوة الاستدلال الهيكلي الصريحة، ويواجه صعوبة في الاستدلال بناءً على التبعيات المعيارية والقيود المتعارضة عبر البنود. وبدلاً من ذلك، يقوم النموذج المقترح ببناء رسم بياني غير متجانس وموجه عن طريق تعزيز أربعة أنواع من الحواف الدلالية القانونية ("الانتهاك"، و"الأساس"، و"المحفز"، و"الإسناد")، ودمج التلافيف الرسومية المدركة للعلاقات مع الانتشار العكسي للتدرج. ونتيجة لذلك، لا يحافظ النموذج المقترح على الاتجاه السببي للمنطق القانوني فحسب، بل يعمل أيضاً على مواءمة البنود المتوازية دلالياً بشكل ديناميكي والكشف عن القواعد المتناقضة في المدخلات متعددة المصادر في المجال القانوني. وبناءً على ذلك، وفي ظل السيناريوهات المعقدة التي تشهد تعارضات متكررة في الالتزامات، أو تداخل في المسؤوليات، أو عدم يقين في أولويات التطبيق ضمن نظام قانوني متعدد الأطراف، توفر هذه المنهجية وسيلة لتحديد مصادر التناقضات بدقة وبطريقة هيكلية، وتحويلها إلى استنتاجات عابرة للمجالات بتغطية ودقة عاليتين.

دراسة الاستئصال

لعزل مساهمة كل مكون أساسي، أجرينا دراسة استئصال (ablation study) من خلال إزالة أو استبدال وحدات رئيسية ضمن إطار عملنا في إعداد الرسم البياني الكثيف (D = 1.0). وتحديداً، قارنا النموذج الكامل بثلاثة متغيرات: (1) بدون التلافيف المدركة للعلاقات (w/o relation-aware convolution)، حيث تتشارك جميع أنواع الحواف في مصفوفة تحويل واحدة؛ (2) بدون آلية الانتباه (w/o attention mechanism)، حيث يتم حساب متوسط مساهمات الجيران بشكل موحد؛ و(3) بدون التتبع العكسي للتدرج (w/o gradient backtracking)، حيث يتم تحديد مصادر الانحياز باستخدام 휴ريستيكا درجة العقدة البسيطة بدلاً من إعادة بناء الرسم البياني الفرعي القائم على التدرج.

الجدول 4 يعرض نتائج دراسة الاستئصال، مما يكشف عن المساهمات المتميزة لكل مكون. وقد أدى إزالة الالتفاف المدرك للعلاقة (relation-aware convolution) إلى أكبر انخفاض في الأداء، حيث انخفض استدعاء الجذر من 0.95 إلى 0.81 ودقة المسار من 0.93 إلى 0.78. ويؤكد ذلك أن نمذجة الحواف المحددة حسب النوع أمر بالغ الأهمية لالتقاط التنوع الدلالي للعلاقات القانونية، حيث إن مشاركة مصفوفة تحويل واحدة عبر جميع أنواع العلاقات تؤدي إلى فقدان كبير للمعلومات أثناء المحاذاة عبر الأنماط. كما تساهم آلية الانتباه بشكل ملحوظ؛ إذ أدت إزالتها إلى خفض استدعاء الجذر إلى 0.88 ودقة المسار إلى 0.85، مما يشير إلى أن الوزن الديناميكي لرسائل الجوار يحسن قدرة النموذج على تمييز المسارات القانونية المؤثرة، وإن كان تأثيرها ثانوياً مقارنة بالإدراك بالعلاقة. أما إزالة التتبع العكسي للتدرج (gradient backtracking) فقد أدت إلى أصغر انخفاض في الاستدعاء (0.91) ولكن أكبر انخفاض في دقة المسار (0.76)، مما يشير إلى أنه بينما يمكن للاستدلالات البسيطة تحديد العقد المصدر جزئياً، فإن إعادة البناء الدقيقة لهيكل الانتشار تعتمد بشكل كبير على تحليل الحساسية القائم على التدرج. وبشكل عام، تساهم المكونات الثلاثة جميعها بشكل فعال في أداء تحديد موقع الانحياز في الإطار العام، حيث يعد الالتفاف المدرك للعلاقة هو الأكثر أهمية، بينما يعد التتبع العكسي للتدرج ضرورياً للدقة على مستوى المسار.

متغير النموذجاستعادة الجذوردقة المسار
النموذج الكامل0.95 ± 0.020.93 ± 0.03
بدون الالتفاف المدرك للعلاقات0.81 ± 0.030.78 ± 0.04
بدون آلية الانتباه0.88 ± 0.020.85 ± 0.03
بدون التراجع المتدرج0.91 ± 0.030.76 ± 0.05

الجدول 4: نتائج دراسة الاستئصال على الرسم البياني الكثيف (D = 1.0). تأثير إزالة المكونات الرئيسية: (بدون الالتفاف المدرك للعلاقات)، (بدون آلية الانتباه)، و(بدون التراجع التدرجي). المقاييس (الاستدعاء الجذري ودقة المسار) هي المتوسط ±± الانحراف المعياري عبر 30 تشغيلًا. يحقق النموذج الكامل أفضل أداء، مما يؤكد أن كل مكون يساهم بشكل فعال، مع كون الالتفاف المدرك للعلاقات هو الأكثر أهمية.

توافر البيانات:

أودعت مجموعة بيانات الرسم البياني المعرفي غير المتجانس والمنظم التي تم إنشاؤها وتحليلها خلال هذه الدراسة، بما في ذلك جميع بيانات العقد والحواف (285 عقدة موزعة على أربعة أنواع من الكيانات و1247 حافة موجهة بأربع علاقات دلالية قانونية)، في مستودع Figshare تحت معرف الكائن الرقمي (DOI): https://doi.org/10.6084/m9.figshare.33117644. والبيانات متاحة للعموم اعتباراً من تاريخ نشر هذا المقال. كما تتوفر ملفات مجموعة البيانات ذات الصلة كـ الملف التكميلي 1.

الملف التكميلي 1: ملفات مجموعة البيانات المستخدمة في هذه الدراسة.يرجى النقر هنا لتنزيل هذا الملف.

المناقشة

يثير دمج الذكاء الاصطناعي الطبي في القرارات السريرية تحديات قانونية فيما يتعلق بتحديد المسؤولية، وهو ما تعيقه الفجوة الدلالية بين النصوص القانونية غير المهيكلة وخوارزميات الصندوق الأسود. ولسد هذه الفجوة، اقترحنا رسمًا بيانياً للمعرفة قائماً على الشبكات العصبية الرسومية (GNN) ينمذج البنود القانونية، والسلوكيات الطبية، ووحدات الخوارزميات، والأطراف المسؤولة كعقد غير متجانسة، متصلة عبر أربع علاقات دلالية قانونية موجهة (المخالفة، والأساس، والمحفز، والإسناد). يوفر هذا الهيكل واجهة قابلة للحساب للمحاذاة عبر الوسائط وتتبع التحيز.

تحقق طريقتنا أداءً فائقاً عبر جميع المقاييس. ففي ظل كثافات بيانية متفاوتة، تفوقت دقة محاذاة الكيانات (≥0.92) والحفاظ على العلاقات (≥0.88) على كل من TransE وComplEx وKG‑BERT. كما حقق تحديد موقع الانحياز استدعاءً للجذر (0.95 ±± 0.02) ودقة للمسار (0.93 ±± 0.03)، وهو ما يتجاوز GNNExplainer بشكل ملحوظ. ويحافظ الرصد الديناميكي على زمن وصول منخفض (42–55 ms) وإنتاجية عالية (190–230 req/s)، بينما أظهرت الاختبارات عبر الولايات القضائية تغطية قوية (≥87%) وكشفاً للنزاعات (≥81%). وتؤكد هذه النتائج الربط الفعال بين الدلالات القانونية والتقنية مع تتبع قابل للتفسير للانحياز.

ترتكز نجاحاتنا على ثلاثة ابتكارات: (1) الحواف الدلالية القانونية المحددة التي تلتقط التمايزات السببية والمعيارية التي غالبًا ما تغفل عنها التضمينات الموحدة20,21؛ (2) الالتفاف الواعي بالعلاقات مع مصفوفات تحويل مخصصة لكل نوع من أنواع العلاقات، مما يحافظ على الخصوصية الدلالية مع تمكين التبادل عبر الأنواع38,39؛ و(3) تكميم المساهمة القائم على التدرج والتجميع الموجه بالمجتمعات، والذي يحول الانحياز العالمي إلى تحديد المصدر المحلي، متجاوزًا بذلك قيود أدوات التفسير البعدية32,33. وهذا ينقل الامتثال من مجرد التحقق الساكن من القواعد إلى استدلال ديناميكي واعٍ بالبنية.

تشمل القيود الاعتماد على استخراج العلاقات المحدد يدويًا والصعوبة في التعامل مع البنود الغامضة. وسيعمل البحث المستقبلي على دمج صوريات المنطق القانوني (على سبيل المثال، المنطق القابل للنقض26,27) والتعلم عبر الإنترنت لمواكبة اللوائح المتطورة، والتوسع ليشمل مجالات أخرى عالية المخاطر (القيادة الذاتية، والتمويل). كما ستعمل التغذية الراجعة من المستخدمين (User‑in‑the‑loop) على تحسين عملية الإسناد بشكل أكبر. وستؤدي هذه التوجهات إلى ترسيخ الذكاء الاصطناعي القابل للتفسير والقائم على الرسوم البيانية كأساس للأنظمة الذكية الموثوقة.

الإفصاحات

لم يسبق نشر هذه المخطوطة، وهي ليست قيد النظر من قبل أي مجلة أخرى. وقد وافق جميع المؤلفين على محتوى الورقة البحثية. ويقر المؤلفون بعدم وجود أي تضارب في المصالح المالية.

المواد

قائمة المواد المستخدمة في هذه المقالة
الاسمالشركةرقم فهرسيالتعليقات
ComplExتنفيذ مفتوح المصدر (على سبيل المثال، OpenKE)الإصدار 1.0خط أساس التضمين المعقد لمقارنة الرسوم البيانية المعرفية
GNNExplainerتنفيذ مفتوح المصدر (https://github.com/RexYing/gnn-explainer)إصدار 7a3b6a2 (2021)خط أساس لقابلية تفسير الشبكات العصبية الرسومية (GNN) لتتبع الانحياز
Intel Xeon Gold 6248 (وحدة المعالجة المركزية)شركة إنتل (Intel Corporation)SRF7Fالمعالج المركزي لتدريب النموذج والمعالجة المسبقة للبيانات
KG-BERTمكتبات Transformers من HuggingFace + نموذج BERT-baseBERT-base-uncased (HuggingFace)خط أساس لتمثيل الرسوم البيانية للمعرفة (KG) القائم على المحولات للمحاذاة الدلالية
Node2Vecتنفيذ مفتوح المصدر (https://github.com/aditya-grover/node2vec)الإصدار 1.0خط أساس لتضمين العقد القائم على المسار العشوائي
NVIDIA Tesla V100 (وحدة معالجة الرسوميات)شركة NVIDIA900-2G500-0010-000تسريع تدريب الشبكات العصبية الرسومية باستخدام وحدة معالجة رسوميات عالية الأداء
طريقتنا (الشبكة العصبية التلافيفية الرسومية المدركة للعلاقات)تنفيذ مخصص في PyTorchPyTorch 1.12.0إطار عمل مقترح يتضمن تحويلات لكل علاقة، وآلية انتباه، وتتبع عكسي للتدرج
TransEتنفيذ مفتوح المصدر (على سبيل المثال، OpenKE)الإصدار 1.0خط الأساس للتضمين الانتقالي لمقارنة الرسوم البيانية المعرفية

المراجع

  1. Wang Y, Ma Z. Ethical and legal challenges of medical AI on informed consent: China as an example. Dev World Bioeth. 2025;25(1):46-54.
  2. Sand M, Durán JM, Jongsma KR. Responsibility beyond design: Physicians' requirements for ethical medical AI. Bioethics. 2022;36(2):162-169.
  3. Schultz MD, Seele P. Towards AI ethics' institutionalization: knowledge bridges from business ethics to advance organizational AI ethics. AI Ethics. 2023;3(1):99-111.
  4. Magesh V, et al. Hallucination-Free? Assessing the reliability of leading AI legal research tools. J Empir Leg Stud. 2025;22(2):216-242.
  5. Patil S, Shankar H. Transforming healthcare: harnessing the power of AI in the modern era. Int J Multidiscip Sci Arts. 2023;2(2):60-70.
  6. Birkstedt T, Minkkinen M, Tandon A, Mäntymäki M. AI governance: themes, knowledge gaps and future agendas. Internet Res. 2023;33(7):133-167.
  7. Mohammad Amini M, et al. Artificial intelligence ethics and challenges in healthcare applications: a comprehensive review in the context of the European GDPR mandate. Mach Learn Knowl Extr. 2023;5(3):1023-1035.
  8. Pasham SD. Opportunities and difficulties of artificial intelligence in medicine existing applications, emerging issues, and solutions. The Metascience. 2023;1(1):67-80.
  9. Vearrier L, et al. Artificial intelligence in emergency medicine: benefits, risks, and recommendations. J Emerg Med. 2022;62(4):492-499.
  10. Peng Y, Rousseau JF, Shortliffe EH, Weng C. AI-generated text may have a role in evidence-based medicine. Nat Med. 2023;29(7):1593-1594.
  11. Alam MN, Kaur M, Kabir MS. Explainable AI in healthcare: enhancing transparency and trust upon legal and ethical consideration. Int Res J Eng Technol. 2023;10(6):1-9.
  12. Sorantin E, et al. The augmented radiologist: artificial intelligence in the practice of radiology. Pediatr Radiol. 2022;52(11):2074-2086.
  13. Borger JG, et al. Artificial intelligence takes center stage: exploring the capabilities and implications of ChatGPT and other AI-assisted technologies in scientific research and education. Immunol Cell Biol. 2023;101(10):923-935.
  14. Chikhaoui E, Alajmi A, Larabi-Marie-Sainte S. Artificial intelligence applications in healthcare sector: ethical and legal challenges. Emerg Sci J. 2022;6(4):717-738.
  15. Kerasidou CX, Kerasidou A, Buscher M, Wilkinson S. Before and beyond trust: reliance in medical AI. J Med Ethics. 2022;48(11):852-856.
  16. Polineni TNS, Maguluri KK, Yasmeen Z, Edward A. AI-driven insights into end-of-life decision-making: ethical, legal, and clinical perspectives on leveraging machine learning to improve patient autonomy and palliative care outcomes. Migr Lett. 2022;19(6):1159-1172.
  17. Galiana LI, Gudino LC, González PM. Ethics and artificial intelligence. Rev Clin Esp (Engl Ed). 2024;224(3):178-186.
  18. Paladugu PS, et al. Generative adversarial networks in medicine: important considerations for this emerging innovation in artificial intelligence. Ann Biomed Eng. 2023;51(10):2130-2142.
  19. Harris E. Large language models answer medical questions accurately, but can't match clinicians' knowledge. JAMA. 2023;330(9):792-794.
  20. İpek ZH, Gözüm AIC, Papadakis S, Kallogiannakis M. Educational applications of the ChatGPT AI system: a systematic review research. Educ Process Int J. 2023;12(3):26-55.
  21. Kim C, et al. Transparent medical image AI via an image-text foundation model grounded in medical literature. Nat Med. 2024;30(4):1154-1165.
  22. Wang YH, Lin GY. Exploring AI-healthcare innovation: natural language processing-based patents analysis for technology-driven road mapping. Kybernetes. 2023;52(4):1173-1189.
  23. Pruneski JA, et al. Natural language processing: using artificial intelligence to understand human language in orthopedics. Knee Surg Sports Traumatol Arthrosc. 2023;31(4):1203-1211.
  24. Chen RJ, et al. Algorithmic fairness in artificial intelligence for medicine and healthcare. Nat Biomed Eng. 2023;7(6):719-742.
  25. Yang Y, et al. The limits of fair medical imaging AI in real-world generalization. Nat Med. 2024;30(10):2838-2848.
  26. Almarshadi NF, et al. Clinical and medical coding: a new pathway for automation—an updated review. J Med Life Sci. 2024;6(4):633-651.
  27. Osifowokan AS, Agbadamasi TO, Adukpo TK, Mensah N. Regulatory and legal challenges of artificial intelligence in the US healthcare system: liability, compliance, and patient safety. World J Adv Res Rev. 2025;25(3):949-955.
  28. Hasan MT. Graph neural network models for detecting fraudulent insurance claims in healthcare systems. Am J Adv Technol Eng Solut. 2022;2(01):88-109.
  29. Johnson R, Li MM, Noori A, Zitnik M. Graph artificial intelligence in medicine. Annu Rev Biomed Data Sci. 2024;7:345-368.
  30. Lettieri N, Guarino A, Malandrino D, Zaccagnino R. Knowledge mining and social dangerousness assessment in criminal justice: metaheuristic integration of machine learning and graph-based inference. Artif Intell Law. 2023;31(4):653-702.
  31. Ma Y, et al. Incorporating structural information into legal case retrieval. ACM Trans Inf Syst. 2023;42(2):1-28.
  32. Jin Z, et al. GNNLens: a visual analytics approach for prediction error diagnosis of graph neural networks. IEEE Trans Vis Comput Graph. 2022;29(6):3024-3038.
  33. Shen Y, Zhang J, Song SH, Letaief KB. Graph neural networks for wireless communications: from theory to practice. IEEE Trans Wirel Commun. 2022;22(5):3554-3569.
  34. Xue X, et al. Adaptive similarity feature construction for ontology matching via multi-layer hybrid genetic programming. IEEE Transactions on Evolutionary Computation, 2025;30(2):519-533.
  35. Cheng T, et al. Graph convolutional network for image restoration: A survey. Mathematics, 2024;12(13): 2020.
  36. Li N, et al. Survey on evolutionary deep learning: Principles, algorithms, applications, and open issues. ACM Computing Surveys, 2023; 56(2): 1-34.
  37. Ma L, et al. A novel fuzzy neural network architecture search framework for defect recognition with uncertainties. IEEE Transactions on Fuzzy Systems, 2024; 32(5): 3274-3285.
  38. Fang Y, et al. Relation-aware graph convolutional networks for multi-relational network alignment. ACM Trans Intell Syst Technol. 2023;14(2):1-23.
  39. Schlichtkrull M, et al. Modeling relational data with graph convolutional networks//European semantic web conference. Cham: Springer International Publishing, 2018; 593-607.
  40. Ariai F, Mackenzie J, Demartini G. Natural language processing for the legal domain: a survey of tasks, datasets, models, and challenges. ACM Comput Surv. 2025;58(6):1-37.
  41. Xu Y, et al. BNet: batch normalization with enhanced linear transformation. IEEE Trans Pattern Anal Mach Intell. 2023;45(7):9225-9232.
  42. Guo MH, et al. Attention mechanisms in computer vision: a survey. Comput Vis Media. 2022;8(3):331-368.
  43. Guo MH, et al. Visual attention network. Comput Vis Media. 2023;9(4):733-752.

إعادة الطباعة والأذونات

الوسوم

انتشار الانحيازتحليل الامتثال القانونيالمحاذاة الدلاليةالانحياز الخوارزميمحاذاة الكياناتاكتشاف المجتمعاتالتحقق من الامتثال
تواصل معنا
أوصِ به للمكتبة

الخصوصية

شروط الاستخدام

السياسات

حقوق الطبع والنشر © 2026 MyJoVE Corporation. جميع الحقوق محفوظة.