مقالة بحثية

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

0 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 رسومية لرسم بيان معرفي قانوني للذكاء الاصطناعي الطبي

كما هو موضح في الشكل 1، يتكون الإطار المقترح من ثلاث وحدات رئيسية. تعمل طبقة الإدخال على دمج البيانات متعددة المصادر في رسم بياني غير متجانس من خلال ترميز الكيانات متعدد الوسائط ونمذجة الحواف الموجهة. بعد ذلك، تقوم طبقة GCN المدركة للعلاقات بإجراء محاذاة دلالية عبر الوسائط من خلال أوزان وانتباه محددة للنوع، مما ينتج تضمينات عقد موحدة. وأخيرًا، تدعم هذه التضمينات تتبع الانحياز (عبر الانتشار العكسي للتدرج وكشف المجتمعات) والمراقبة الديناميكية للامتثال (عبر رسم خرائط العقد وتتبع أوزان الحواف في الوقت الفعلي)، بحيث توفر المخرجات أدلة إسناد قابلة للتفسير وتنبيهات بالمخاطر للمنظمين.

figure-protocol-1
الشكل 1: بنية رسم البياني المعرفي القانوني وتتبع الانحياز للذكاء الاصطناعي الطبي. يوضح هذا المخطط سير العمل العام للإطار المقترح. تقوم طبقة المدخلات بدمج بيانات غير متجانسة متعددة المصادر (النصوص القانونية، الإرشادات السريرية، تقارير تدقيق الخوارزميات)، والتي يتم ترميزها في أربعة أنواع من الكيانات (البنود القانونية، السلوكيات الطبية، وحدات الخوارزمية، الجهات المسؤولة) ويتم ربطها بأربع علاقات دلالية قانونية موجهة (الانتهاك، الأساس، المُحفز، الإسناد). تقوم طبقة GCN المدركة للعلاقات بإجراء محاذاة دلالية عبر الوسائط من خلال أوزان وانتباهات محددة لكل نوع. تستخدم وحدة تتبع الانحياز الانتشار العكسي للتدرج لتحديد الحواف ذات المساهمة العالية، ثم تطبق كشف المجتمعات لتحديد مجموعات العقد الجذرية. يقوم مراقب الامتثال الديناميكي برسم خرائط القرارات في الوقت الفعلي إلى عقد مؤقتة، ويقيم تشابه التضمين مقابل البنود القانونية، ويتتبع تطور وزن الحواف للإنذار المبكر. تشمل المخرجات أدلة إسناد قابلة للتفسير وتنبيهات المخاطر. يرجى النقر هنا لعرض نسخة أكبر من هذا الشكل.

التشفير البنيوي للرسوم البيانية غير المتجانسة للكيانات والعلاقات القانونية

يتم اشتقاق أربعة كيانات أساسية باستمرار من القوانين التنظيمية للذكاء الاصطناعي الطبي، وإرشادات الممارسة السريرية، وتقارير تدقيق الخوارزميات، وهي: البنود القانونية، والإجراءات الطبية، ووحدات الخوارزمية، والجهات المسؤولة. ويُقترح نموذج تعلم تمثيل ميزات منفصل لكل نوع من هذه الكيانات لضمان التمييز الدلالي بينها. كما يتم تنظيم عقد البنود القانونية بحيث تحتوي على رقم البند القانوني، والذي يُستخدم كمعرف فريد (ID) لهذا البند. وفي الوقت ذاته، يتم تحديد مؤشر كمي لشدة العقوبة للإشارة إلى مستوى المسؤولية القانونية المرتبطة بالبند، وبناءً على ذلك، يتم إنشاء متجه ميزات.

figure-protocol-2 （1）

ci هو رقم الإدخال، ويمثل Emb(·) تخطيط التضمين منخفض الأبعاد، بينما يمثل [·;·] عملية تسلسل المتجهات. يحافظ هذا التمثيل على كل من الهيكل الرسمي وشدة العقوبة في النص القانوني، مما يدعم الاستدلال عبر البيانات.

تُعد عقد السلوك الطبي موحدة ومرمزة بناءً على نظام تصنيف العمليات السريرية، حيث يتم استخراج مستوى المخاطرة الخاص بها rj ∈ {1,2,3} ومجموعة تسميات السيناريوهات القابلة للتطبيق sj ⊂ S، حيث تمثل S المجموعة الكاملة لفئات السيناريوهات المحددة مسبقاً. يُستخدم الترميز متعدد السخونة (Multi-hot encoding) لمعالجة مجموعة التسميات، ويتم دمجها مع تضمين مستوى المخاطرة لتكوين تمثيل أولي:

figure-protocol-3 （2）

تضمن هذه الاستراتيجية وجود علاقات مسافة قابلة للقياس لأنواع مختلفة من السلوكيات الطبية في فضاء المتجهات، مما يدعم المقارنات عبر السيناريوهات المختلفة. تم تنفيذ دالة تضمين النصوص Emb(·) باستخدام نموذج اللغة القانونية الصينية Lawformer المدرب مسبقاً (والذي تم تدريبه مسبقاً على مجموعة ضخمة من النصوص القانونية الصينية)، مع تثبيت بُعد المخرجات عند 768.

بناءً على التبعيات المنطقية والقيود القانونية بين الكيانات، تم تحديد أربعة أنواع من العلاقات الدلالية الموجهة: "المخالفة" (violation)، و"الأساس" (basis)، و"المحفز" (trigger)، و"الإسناد" (attribution)، حيث يتوافق كل منها مع أنماط سببية قانونية مختلفة. يتم تعيين نوع تسمية tij ⊂ T = {violate, base, trigger, attribute} لكل حافة eij ⊂ E من أجل نقل الرسائل اللاحق للوعي بالعلاقة. يتبع بناء الحواف بدقة آلية مطابقة قواعد المجال: فعندما ينحرف سلوك طبي عن المتطلبات المعيارية، يتم إنشاء حافة "مخالفة" تشير من عقدة السلوك إلى البند القانوني ذي الصلة؛ وعندما يكون البند القانوني بمثابة أساس الامتثال الفني لعملية ما، يتم إنشاء حافة "أساس"؛ وإذا كانت مخرجات وحدة الخوارزمية تحفز مباشرة تنفيذ سلوك طبي محدد، يتم توصيل حافة "محفز"؛ أما علاقة إسناد المسؤولية فتُحدد بناءً على وثائق مسؤولية المؤسسة واستنتاجات التدقيق، حيث يتم إنشاء حافة "إسناد" بين الطرف المسؤول والمخالفة أو العيب الخوارزمي.

بعد تهيئة جميع العقد، يتم تكوين رسم بياني غير متجانس (V, E, H0)، حيث تمثل V مجموعة العقد، وE مجموعة الحواف الموجهة ذات تسميات النوع، وH0 مصفوفة السمات الأولية. ولتعزيز القدرة التمييزية الدلالية لبنية الرسم البياني، يتم تطبيع سمات العقد:

figure-protocol-4 （3）

μk و σk هما المتوسط والانحراف المعياري لميزة العقدة رقم k في مجموعة التدريب على التوالي، و ∈ هو ثابت صغير لمنع القسمة على صفر. يضمن التقييس مشاركة الميزات غير المتجانسة متعددة المصادر في عمليات تلافيف الرسم البياني على مقياس موحد، مما يمنع تأثيرات الهيمنة الرقمية من التدخل في التعلم الدلالي. يحمل نموذج الرسم البياني الهيكلي الناتج بشكل كامل الطوبولوجيا 관계ية للعناصر رباعية الأبعاد للقانون والسلوك والتكنولوجيا والمسؤولية في نظام الذكاء الاصطناعي الطبي، مما يوفر أساس رسم بياني قابل للحساب لتحليل انتشار الانحياز اللاحق.

تعزيز محاذاة التلافيف الرسومية للدلالات القانونية عبر الوسائط

تُستخدم شبكة تلافيفية رسومية مدركة للعلاقات38,39، والتي توسع إطار عمل الشبكة التلافيفية الرسومية 관계ية (R-GCN)، لنشر الميزات عبر طبقات متعددة من الرسم البياني غير المتجانس الأولي. وبينما تقدم R-GCN مصفوفات تحويل لكل علاقة للبيانات 관계ية العامة، فإن نهجنا يدمج بشكل إضافي آلية انتباه قابلة للتعلم لوزن مساهمات الجيران ديناميكياً، ويحدد أربعة أنواع من العلاقات الدلالية القانونية المحددة (مخالفة، أساس، محفز، إسناد) المصممة لتحليل الامتثال للذكاء الاصطناعي الطبي. تقوم عملية كل طبقة بتحديد معاملات عملية التحويل بشكل مستقل بناءً على النوع الدلالي للحواف. وبالنسبة لأي عقدة مستهدفة، يتم تجميع معلومات جوارها وتجميعها حسب أنواع الحواف الرابطة. يتم تزويد كل نوع من العلاقات بمصفوفة تحويل خطية مخصصة لتمييز الميزات المنقولة عبر المسارات الدلالية القانونية المختلفة40,41. فإذا كانت الحافة بين عقدة البند القانوني وعقدة السلوك الطبي من نوع "أساس"، فعندما تتلقى عقدة البند القانوني رسالة من عقدة سلوك طبي، فإنها تطبق مصفوفة الأوزان المقابلة لرسم ميزات الجار مكانياً. وبنفس الطريقة، عندما ترسل عقدة سلوك طبي مخرجاً عبر عقدة وحدة مخطط تكامل الحواف "محفز" إلى وحدة خوارزمية، فإن مصفوفة المعاملات "المحفزة" المرتبطة بهذه العلاقة تقوم بإجراء تحويل الميزات. يحاكي هذا انسيابية الأنواع المختلفة من المنطق القانوني، مما يحقق/يُبلغ طبقات منطقية مختلفة للحفاظ على الاستقلال الدلالي أثناء تدفق المعلومات دون ضوضاء عبر الأنماط. ويتم تعريف التجميع على النحو التالي:

figure-protocol-5 （4）

يمثل mi(l) المعلومات الشاملة التي جمعتها العقدة i في الطبقة l، وNil هي مجموعة جيرانها بموجب العلاقة r، وWr هي مصفوفة التحويل الخطي، وhj(l−1) هو تمثيل التضمين للعقدة المجاورة في الطبقة السابقة.

تم تقديم آلية انتباه قابلة للتعلم أثناء تجميع الرسائل لضبط شدة تأثير العقد المجاورة المختلفة ديناميكياً على تحديث تمثيل العقدة المستهدفة42,43. ويتم توليد معامل الانتباه بناءً على عاملين مزدوجين هما تشابه سمات العقدة والأهمية القانونية، دون الاعتماد على أوزان مسبقة ثابتة. بالنسبة لعقد البنود القانونية، عند استقبال ميزات السلوك الطبي المجاورة، يتم حساب درجة الانتباه بناءً على القيمة الكمية لشدة العقوبة المرتبطة بالأخيرة؛ وعندما تقوم عقدة وحدة الخوارزمية بدمج معلومات السلوك الطبي، فإنها تركز على الجيران ذوي مستويات المخاطر التشغيلية الأعلى. ويتم حساب وزن الانتباه على النحو التالي:

figure-protocol-6 (5)

αij هو معامل الانتباه للعقدة j بالنسبة للعقدة i، و a هو متجه الانتباه القابل للتعلم. يسمح هذا النموذج بالتحديد التلقائي للمسارات المتصلة ذات المخاطر العالية أو القيود العالية أثناء التدريب الطرفي (end-to-end training)، مع تخصيص انتباه أعلى لها. ويتم تحديد تضمين العقدة المحدث النهائي من خلال الرسائل الموزونة والاتصالات المتبقية.

figure-protocol-7 （6）

σ هي دالة التنشيط، ويعمل التصميم المتبقي على التخفيف من مشكلة تلاشي التدرج في الانتشار العميق ويضمن الاستقرار في ظل وجود صراعات دلالية متعددة. وبناءً على ذلك، لـ = 3 طبقات تلافيف رسومية (كل منها ببعد خفي قدره 256 ووحدة تنشيط ReLU)، حيث تدمج تضمينات جميع العقد المعلومات السياقية عبر الوسائط بسلاسة وتصبح تمثيلات موحدة ذات قدرات تمييز دلالية قانونية.

يُظهر الشكل 2 مخططين بديلين لتحليل الامتثال القانوني للذكاء الاصطناعي في الرعاية الصحية، وذلك بهدف معالجة تصور أنواع العلاقات القانونية ومسارات انتشار الانحياز، مما يشير إلى المصادر المحتملة للانحياز في عملية اتخاذ القرار هذه. يعرض الشكل 2A تأثير العلاقات الدلالية القانونية المختلفة، حيث تم ترميز أربعة أنواع من العلاقات بالألوان، وتم تمييز الحواف لكل نوع بلون مختلف. وتتناسب سماكة الحافة مع وزن الانتباه لتلك العلاقة المحددة، أي مدى مساهمة هذه العلاقة في قرار الذاء الاصطناعي. وتشير الحافة السميكة أساساً إلى علاقة قانونية مهيمنة في القرار، وفي هذه الحالة كانت دافعاً كافياً لنتيجة القضية. ويُقاس حجم العقدة بمقدار مساهمتها في الانتهاكات؛ حيث تشير العقد الأكبر إلى علاقة أقوى بين السلوك وبنود قانونية محددة، وبالتالي تزداد المخاطر المحتملة. ويوفر هذا التصور طبقة دلالية قانونية واضحة، مما يمكننا من تحديد المسارات القانونية الأقوى والأكثر خطورة في اتخاذ قرار الذكاء الاصطناعي. كما يشير الشكل 2B إلى المسارات ذات المساهمة العالية (في انتشار الانحياز) مع التركيز على الحواف ذات المساهمات العالية، والتي تظهر بخطوط عريضة ومصاحبة لخطوط متقطعة (مثل B1-B3) في عملية اتخاذ القرار. ويمثل مضاعفة عرض هذه الحواف أهميتها في نشر الانحياز المنهجي. ويوضح الشكل 2 مجموعات القواعد القانونية والسلوكيات التقنية التي تؤدي إلى تأثير التضخيم هذا بالنسبة للانحياز. ولا يكشف هذا التحليل عن مسار انتشار الانحياز فحسب، بل يسهل أيضاً تحديد مصدر الانحياز، والذي بناءً عليه يمكن تحديد تدقيق الامتثال ومسؤولية أداة الذكاء الاصطناعي.

figure-protocol-8
الشكل 2: تحليل الامتثال القانوني وانتشار الانحياز في الذكاء الاصطناعي للرعاية الصحية (مثال توضيحي). (A) العلاقات الدلالية القانونية المرمزة بالألوان: الانتهاك (باللون الأحمر)، والأساس (باللون الأزرق)، والمحفز (باللون الأخضر)، والإسناد (باللون البرتقالي). يتناسب سمك الحافة مع وزن الانتباه، مما يشير إلى تأثير كل علاقة على قرار الذكاء الاصطناعي. يتناسب حجم العقدة مع مساهمتها في الانتهاك، مما يسلط الضوء على الكيانات ذات المخاطر العالية. (B) مخطط فرعي لانتشار الانحياز: تظهر الحواف ذات المساهمة العالية بخطوط عريضة ومتقطعة (على سبيل المثال B1‑B3)؛ وتشير الحواف مزدوجة العرض إلى تضخيم الانحياز النظامي. يدعم هذا التصوير المرئي تحديد المسارات القانونية المهيمنة، ومصادر الانحياز، وتدقيق الامتثال. لا تنطبق مقاييس القياس أو أشرطة الخطأ لأن هذا رسم توضيحي تخطيطي. يرجى النقر هنا لعرض نسخة أكبر من هذا الشكل.

آلية تتبع المسار الفرعي لمسار انتشار الانحياز

في هذه الدراسة، يُعرَّف "الانحياز" بأنه الانحراف المنهجي لمخرجات نظام الذكاء الاصطناعي عن القرار المتوقع سريرياً وقانونياً، ويُقاس من خلال التفاوت بين درجة المخاطر التي توقعها النموذج وتصنيف الامتثال الفعلي (ground-truth). وتُحدد كمية إشارة الانحياز كخسارة الإنتروبيا المتقاطعة (cross-entropy loss) بين المخرجات النهائية للخوارزمية ومؤشر ثنائي للامتثال (1 للامتثال، و0 لعدم الامتثال)، مجمعة عبر جميع حالات اتخاذ القرار في الدفعة الواحدة.

بعد تدريب الشبكة العصبية الرسومية، تُستخدم قابليتها للتفاضل لإجراء تحليل الانتشار العكسي على إشارة الانحياز في طبقة المخرجات. وبدءاً من عقدة قرار الخوارزمية التي تكشف عن الشذوذ، يتم حساب مقدار تدرج دالة الخسارة بالنسبة لكل حافة متصلة لتقدير مساهمة كل حافة في تكوين الانحياز. يتم تنفيذ هذه العملية من خلال إطار عمل للتفاضل التلقائي، حيث يتم التتبع العكسي طبقة تلو الأخرى على طول الحواف الموجهة في بنية الرسم البياني للحصول على قوة تأثير تحويل معاملات كل حافة على التغيير النهائي في المخرجات. وكلما ارتفعت القيمة المطلقة للتدرج، كانت العلاقة القانونية-التقنية التي تحملها تلك الحافة أكثر هيمنة في انتشار الانحياز. وتُحدد مساهمة الحافة كما يلي:

figure-protocol-9 （7）

Lbias هي خسارة قابلة للتفاضل مُعرّفة للسلوك المنحاز، و wi هو متجه وزن الإدخال المقابل لنوع الحافة. وتعكس قيمة هذا التدرج درجة مشاركة علاقة دلالية محددة في انحياز الارتباط الحالي. بعد تقييم جميع الحواف بهذه الطريقة، يتم تعيين عتبة ديناميكية τ لتصفية مجموعة الحواف ذات المساهمة العالية Ehigh التي تتجاوز مساهمتها gij > τ، مما يشكل الرسم البياني الفرعي الأولي لانتشار الانحياز Gbias = (Vbias, Ehigh). وتحديداً، يتم تحديد τ كالمئوية 85 لقيم التدرج المطلقة عبر جميع الحواف في كل حقبة تدريب، مما يضمن الاحتفاظ بأعلى 15% فقط من الحواف الأكثر تأثيراً لبناء الرسم البياني الفرعي. ويركز هذا الرسم البياني الفرعي على مسارات الاتصال الرئيسية الأكثر احتمالاً في دفع الانحياز المنهجي، مما يقلص مساحة البحث ويحسن كفاءة تتبع المصدر.

في نطاق الرسم البياني الفرعي لانتشار الانحياز الذي تم بناؤه، يتم تنفيذ خوارزمية للكشف عن المجتمعات بتوجيه من التجميع الطيفي لتحديد هياكل مجموعات العقد ذات الاصطفاف العالي. تعتمد هذه العملية على تحليل مصفوفة لابلاس المعيارية للرسم البياني الفرعي، حيث يتم تعيين تضمينات العقد إلى فضاء طيفي منخفض الأبعاد وتطبيق استراتيجية تجميع مراعية للكثافة في هذا الفضاء لضمان تجميع العقد من أنواع مختلفة (مثل البنود القانونية ووحدات الخوارزميات) في نفس المجموعة عندما تكون مرتبطة وظيفياً بشكل وثيق. تمثل كل مجموعة تم تحديدها حلقة وظيفية محتملة أو وحدة تجميع مسؤوليات. وتعتمد نتائج تقسيم المجتمعات على أهداف التحسين التالية:

figure-protocol-10 (8)

L=D−A هي مصفوفة لابلاتسيان للرسم البياني الفرعي، وA هي مصفوفة المجاورة، وD هي مصفوفة الدرجة، وck هو متجه المؤشر للمجتمع رقم k، وK هو العدد المحدد مسبقاً للمجتمعات. يعمل هذا المعيار على تعظيم الحد الأدنى لفرق القطع بين المجتمعات، مما يضمن وجود اتصالات داخلية وثيقة.

الآن، يتم إجراء تحليل قائم على المركبات عبر الطبقات لكل مجتمع. إذا كان المجتمع يحتوي على عقد لبنود قانونية وعقد لوحدات خوارزمية، يتم تصنيفه كمصدر محتمل للانحياز. ولاختبار سببِيَّتِه، يتم إجراء اختبار تداخلي: تُزال جميع الحواف في هذه المنطقة مؤقتًا من الرسم البياني، ثم تُنفذ عملية اتخاذ القرار نفسها مرة أخرى، وتُلاحظ الفروق في قياسات الانحياز. ويتم تعريف مقياس الصلاحية السببية كما يلي:

figure-protocol-11 (9)

يمثل Borig و Bmask قوة الانحياز للنموذج الأصلي والانحياز بعد القناع، على التوالي. وإذا كان مقياس الصلاحية السببية أعلى بكثير من العتبة المحددة مسبقًا، فإن ذلك يعني أنه تم تحديد عنقود العقد كمصدر قابل للتفسير للانحياز، وهو ما سيوجه عملية تصحيح الامتثال وتعيين الخطأ لاحقًا.

التحقق الديناميكي من الامتثال للقيود القانونية

تُقدَّم حالات اتخاذ القرار في الوقت الفعلي التي تظهر أثناء تشغيل نظام ذكاء اصطناعي طبي كعُقد عابرة ومدمجة في فضاء رسم بياني معرفي مُتعلّم. وتنتج كل عقدة متجه سمات أولي من خلال قراءة سياق المدخلات، وسلوك المخرجات، وحالة الخوارزمية. بعد ذلك، يتم تغذية هذا المتجه في شبكة عصبية رسومية ذات معاملات مجمدة لإجراء انتشار أمامي بطبقة واحدة، مما ينتج عنه تضمين متوافق مع الرسم البياني المعرفي دون تغيير بنية الرسم البياني الأصلية. وبهذه الطريقة، يتيح ذلك مقارنة العُقد العابرة وعُقد البنود القانونية في فضاء دلالي مشترك.

بعد ذلك، احسب تشابه جيب التمام (cosine similarity) بين العقدة العابرة وكل عقدة من عقد البنود القانونية:

figure-protocol-12 （10）

htemp هو تمثيل العقدة المؤقتة، و hjlaw هو تمثيل عقدة البند القانوني رقم j. وتعكس قيمة التشابه عملياً درجة التطابق الدلالي بين القرار الحالي وكل قيد قانوني. كما يتم تعيين عتبة امتثال ديناميكية θ بناءً على توزيع التشابه لعينات الامتثال التاريخية لتكييف حدود الحكم في ظل سيناريوهات التطبيق المختلفة. وتحديداً، θ = µ - 2σ، حيث تمثل µ و σ المتوسط والانحراف المعياري لتوزيع تشابه جيب التمام (cosine similarity) المحسوب من مجموعة تحقق مكونة من 500 حالة قرار ممتثلة معروفة.

إذا انخفضت درجة تشابه جيب التمام (cosine similarity) عن عتبة الامتثال الديناميكية، تُعتبر القاعدة القانونية المقابلة منتهكة، مما يؤدي إلى تفعيل آلية التنبيه بالامتثال. ويتضمن الإشعار أيضاً رقم البند القانوني الذي حقق أدنى تطابق، وقيمة التشابه، واتجاه تحليل التباعد، وهو ما ينبغي أن يكون كافياً لتمكين الجهات التنظيمية من اتخاذ إجراءات فورية. يوفر هذا النهج تخريطاً قابلاً للتفسير من عملية اتخاذ القرار الغامضة إلى فضاء الدلالات القانونية، ويسهل عملية التحقق من الامتثال بشكل فوري.

خلال التشغيل المستمر، يتم تتبع اتجاه تغير الوزن لحواف الربط الرئيسية بين التكنولوجيا والقانون في الرسم البياني الفرعي لانتشار الانحياز. يتم التركيز على الحواف التي تربط عقد وحدات الخوارزميات وعقد البنود القانونية، لأنها تمثل بشكل مباشر قوة استجابة السلوك التقني للوائح محددة. يتم تسجيل معاملات مصفوفة التحويل لكل حافة مستهدفة أثناء عملية الاستدلال، ويتم استخراج معيارها كمؤشر ديناميكي لتطور قوة الارتباط بينهما. ويتم تعريف تسلسل قوة الحافة على النحو التالي:

figure-protocol-13 （11）

wt يمثل معيار فروبينيوس (Frobenius norm) لمصفوفة الأوزان المقابلة للعلاقة بين الحافة eij عند الطابع الزمني t، بينما Wkl(t) هي مصفوفة المعلمات المستخدمة فعلياً في النموذج في ذلك الوقت. ويعكس هذا المؤشر عمق تعلم النموذج أو اعتماده على القيد القانوني.

يتم إجراء اختبار الرتابة بالنافذة المنزلقة على التسلسل، ويُستخدم اختبار إشارة مُحسّن لتحديد ما إذا كان هناك اتجاه تصاعدي ملحوظ. إذا استوفت الزيادات على مدى N من الخطوات الزمنية المتتالية شرط الهيمنة الإيجابية، فإن الحافة تُعتبر مظهرةً لظاهرة تعزيز غير طبيعية. ومن خلال الدمج الإضافي لبيانات مساهمة التدرج التاريخية، إذا تم تحديد الحافة كمسار عالي التأثير في الجولة السابقة من تحليل تتبع المصدر، يتم تفعيل عملية إنذار مبكر لتراكم الانحياز النظامي.

وأخيراً، يتم إنشاء تقرير تتبع المصدر، يتضمن معلومات عن العقد عند كلا طرفي الحافة المستهدفة، ومنحنيات تغير الوزن، وإحصائيات حول تكرار القرارات ذات الصلة، وتوصيات الإسناد المحتملة. تحقق هذه الآلية نقلة نوعية من الحكم على الامتثال الساكن إلى التنبؤ الديناميكي بالمخاطر، مما يدعم التدخل الاستباقي في الانحرافات المؤسسية المحتملة.

البيانات والتصميم التجريبي

للتحقق من فعالية الإطار المقترح، تقوم هذه الورقة ببناء مجموعة بيانات غير متجانسة متعددة المصادر تدمج بين اللوائح التنظيمية الحقيقية وبيانات المحاكاة، كما تصمم تجارب ضبط صارمة. وتشمل مصادر البيانات اللوائح التنظيمية الوطنية للذكاء الاصطناعي الطبي، وإرشادات العلاج السريري، وتقارير تدقيق الخوارزميات مفتوحة المصدر، وسجلات قرارات المحاكاة. وبعد المعالجة المسبقة، تم بناء رسم بياني معرفي غير متجانس مرجعي يحتوي على 285 عقدة (85 بنداً قانونياً، و120 سلوكاً طبياً، و42 وحدة خوارزمية، و38 جهة مسؤولة) و1247 حافة موجهة، كما هو موضح في الشكل 3.

figure-protocol-14
الشكل 3توزيع وخصائص أنواع الكيانات غير المتجانسة. (A(مخطط بياني شريطي يوضح عدد العقد لكل نوع من الكيانات: البنود القانونية (85)، والسلوكيات الطبية (120)، ونماذج الخوارزميات (42)، والجهات المسؤولة (38). (B(أ) مدرج تكراري لشدة العقوبة لعقد بنود قانونية، مصنفة إلى فئات منخفضة (0-0.33)، ومتوسطة (0.34-0.66)، وعالية (0.67-1.0)؛ ويمثل المحور الرأسي العدد. (كربون) مخطط دائري لتوزيع مستويات المخاطر بين عقد السلوك الطبي: منخفضة (19%)، متوسطة (43%)، عالية (38%). جميع القيم هي أعداد مطلقة أو نسب مئوية؛ ولم يتم عرض أشرطة الخطأ لأن هذه إحصاءات وصفية لمجموعة البيانات. يرجى النقر هنا لعرض نسخة أكبر من هذا الشكل.

الشكل 3 يوضح توزيع وخصائص عقد الكيانات في الرسم البياني المعرفي غير المتجانس. يظهر الشكل 3A توزيع أعداد أربعة أنواع من عقد الكيانات، حيث كانت عقد "السلوك الطبي" هي الأكثر عدداً (120)، تليها "البنود القانونية" (85)، بينما كانت "وحدات الخوارزميات" (42) و"الكيانات المسؤولة" (38) أقل عدداً نسبياً. ويرجع ذلك إلى أن الرسم البياني مصمم هيكلياً بناءً على السلوك والقواعد. ويعرض الشكل 3B توزيع شدة العقوبة للعقد التي تمثل بنداً قانونياً فريداً، حيث تقيس الشدة مدى جسامة المسؤولية القانونية. وتشير البيانات إلى وجود عدد قليل نسبياً من الأحكام ذات شدة العقوبة العالية، بينما يقع معظمها في نطاق الشدة المتوسطة إلى المنخفضة، وهو ما يتفق مع واقع وجود عدد قليل فقط من بنود الانتهاكات الجسيمة في الأنظمة القانونية الواقعية. ويوضح الشكل 3C توزيع مستوى المخاطر في عقد السلوك الطبي، حيث شكلت سلوكيات المخاطر المتوسطة النسبة الأكبر 43% بينما شكلت سلوكيات المخاطر المنخفضة النسبة الأقل 19%، مما يكشف أن السيناريوهات الطبية تدار بشكل طبيعي، وأن العمليات عالية المخاطر تخضع لقيود ارتباط أكثر صرامة في الرسم البياني. وتبرر هذه الإحصائيات مجتمعة مخطط ترميز إزالة غموض الكيانات المعتمد في بناء الرسم البياني المعرفي لتوفير دعم الميزات لمحاذاة التلافيف الرسومية اللاحقة.

تم تقسيم مجموعة البيانات بأكملها عشوائيًا إلى مجموعات تدريب (70%)، وتحقق (10%)، واختبار (20%)، مع التقسيم الطبقي حسب نوع العقدة وتوزيع العلاقات للحفاظ على البنية العامة للرسم البياني في كل قسم. وقد استُخدم نفس التقسيم بشكل متسق لجميع الطرق المرجعية لضمان إجراء مقارنة عادلة. وبالإضافة إلى هذا التقسيم الأساسي، تعمل تدرجات كثافة الرسم البياني المعرفي الثلاثة (منخفضة، متوسطة، عالية) وإعدادات التعقيد الثلاثة عبر الولايات القضائية (أحادية، ثنائية، متعددة الأطراف) الموصوفة أعلاه كبيئات اختبار عملية مستقلة، تقيّم مجتمعة متانة الطريقة في ظل ظروف تباين اكتمال البيانات وتداخل اللوائح التنظيمية. ولإنشاء تسميات الحقيقة الأرضية لتقييم تحديد موقع التحيز، اعتمدنا استراتيجية مكونة من خطوتين: (1) التعليق التوضيحي من قبل الخبراء—حيث قام ثلاثة خبراء قانونيين وطبيين بمراجعة سجلات القرار بشكل مستقل وتحديد عقد السبب الجذري ومسارات الانتشار لكل انتهاك امتثال مسجل، مع حل الخلافات عن طريق تصويت الأغلبية؛ (2) الحقن المحاكي—من أجل الاختبار المنضبط، قمنا بحقن إشارات تحيز اصطناعيًا في 20 مسار قرار مختارة عشوائيًا من خلال تغيير أوزان الحواف في الرسم البياني المعرفي، مما يضمن معرفة عقد المصدر الحقيقية والحواف المتأثرة مسبقًا.

بالنسبة لجميع الطرق المرجعية (TransE و ComplEx و Graph Neural Networks (GNN) Explainer و KG-BERT و Node2Vec)، استخدمنا نفس تكوين التدريب (مُحسن Adam، ومعدل تعلم 1 × 10−3، وحجم دفعة 64، و100 حقبة تدريبية) ونفس تقسيمات البيانات المستخدمة في طريقتنا لضمان إجراء مقارنة عادلة. وبالنسبة لـ TransE و ComplEx، تم ضبط بُعد التضمين على 256 بهامش قدره 1.0؛ وبالنسبة لـ KG-BERT، استخدمنا نموذج BERT-base المسبق التدريب بحجم دفعة 16 وأقصى طول للتسلسل 128؛ وبالنسبة لـ GNNExplainer، استخدمنا شبكة GCN مكونة من 3 طبقات بنفس البعد الخفي 256؛ أما بالنسبة لـ Node2Vec، فقد ضبطنا طول المسار على 80، وعدد المسارات لكل عقدة على 10، وبُعد التضمين على 256.

لضمان إجراء مقارنة عادلة، قمنا بتكييف جميع الطرق المرجعية مع نفس مهام تحديد موقع الانحياز، وهي تحديد العقدة الجذرية وإعادة بناء مسار الانتشار. بالنسبة لطرق TransE و ComplEx و Node2Vec، التي لا تعتبر قابلة للتفسير بطبيعتها، قمنا بحساب تدرج خسارة الانحياز بالنسبة لتضمين كل عقدة واستخدمنا مقدار التدرج كدرجة لأهمية العقدة؛ حيث تم اختيار العقد الجذرية من خلال وضع حد عتبي لهذه الدرجات، كما تمت إعادة بناء مسارات الانتشار عن طريق الاحتفاظ بالحواف ذات أعلى مساهمات في التدرج. أما بالنسبة لـ GNNExplainer، فقد استخدمنا مباشرة آليات تحديد أهمية الحواف وأقنعة العقد المدمجة فيه للحصول على كل من العقد الجذرية والرسوم البيانية الفرعية. وبالنسبة 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، متبوعًا بنفس استراتيجية الحد العتبي لإعادة بناء المسار. ومن خلال هذه التعديلات، تنتج كل طريقة مرجعية تنبؤات العقد الجذرية وتنبؤات مسار الانتشار، مما يتيح تقييمًا موحدًا عبر جميع الطرق.

يرتكز التقييم على أربع قدرات أساسية: دقة المحاذاة الدلالية، والقدرة على تحديد موقع التحيز، وكفاءة المساءلة، والتعميم عبر المجالات المختلفة. كما يعرض ثلاثة متغيرات ضابطة مهمة، تحاكي التعقيد الموجود في العالم الحقيقي.

1) تدرج كثافة الرسم البياني للمعرفة: لتقييم أداء الطريقة عند مستويات مختلفة من اكتمال المعلومات، تم إنشاء مجموعتين فرعيتين من الرسم البياني الكامل المرجعي (الكثافة D = 1.0) بناءً على استراتيجية استبعاد عشوائية للحواف على النحو التالي:

رسم بياني متناثر (د (~ 0.3): يتم الاحتفاظ بـ 30% من الحواف عشوائياً، لمحاكاة مرحلة بناء المعرفة المبكرة مع فقدان كم كبير من المعلومات.

رسم بياني متوسط الكثافة (D ~ 0.6): يتم الاحتفاظ بـ 60% من الحواف عشوائياً، مما يحاكي سيناريو نموذجي لبنية معرفية معروفة جزئياً.

الرسم البياني الكثيف (D = 1.0): باستخدام جميع الحواف البالغ عددها 1247 حافة، وهو ما يمثل السيناريو الأفضل في حالة المعرفة الكاملة نسبيًا.

2) حالة تردد اتخاذ القرار في الذكاء الاصطناعي الطبي: تم تعيين ثلاثة أحمال لتدفق القرارات الاصطناعية لاختبار أداء المراقبة الديناميكية للامتثال في الوقت الفعلي:

تردد منخفض 10 Hz: يتم توليد 10 أحداث قرار في الثانية في المتوسط، مما يحاكي مراقبة الأنظمة صغيرة النطاق أو الأنظمة ذات الموقع الواحد.

تردد متوسط 50 Hz: 50 حدث قرار في الثانية لمحاكاة حمل نظام الذكاء الاصطناعي في المؤسسات الطبية الإقليمية أو متوسطة الحجم.

تردد عالٍ 100 Hz: تحاكي 100 حدث اتخاذ قرار في الثانية سيناريوهات ضغط التزامن العالي لخدمات الذكاء الاصطناعي التي يتم نشرها في مستشفى كبير أو منصة سحابية.

3) تدرج التعقيد عبر الولايات القضائية: لاختبار إمكانية نقل نمذجة القيود القانونية، تم إنشاء ثلاث مجموعات اختبار قائمة على التعقيد:

ولاية قضائية واحدة: تتكون حصرياً من القوانين واللوائح الصينية الحالية التي تحكم الذكاء الاصطناعي الطبي.

الاختصاص القضائي الثنائي: يدمج الأنظمة التنظيمية لكل من الصين والاتحاد الأوروبي، مع وجود تضارب وتداخل في حوالي 15% من القواعد.

الاختصاص القضائي متعدد الأطراف: بناءً على النظامين الأول والثاني، يعمل هذا النظام على دمج قواعد الخصوصية والأمن من قانون HIPAA (قانون مساءلة ونقل التأمين الصحي) الأمريكي، مما يخلق بيئة اختبار تتشابك فيها الأنظمة القانونية للأنظمة الثلاثة، وهو ما يرفع معدل تعارض القواعد إلى حوالي 25%.

استُخدمت المؤشرات الرئيسية التالية للتقييم الكمي:

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

دقة محاذاة الكيانات:

figure-protocol-15 （12）

Ppred هي مجموعة أزواج الكيانات المحاذية التي توقعها النموذج، وPgold هي مجموعة المحاذات الذهبية التي وضعها الخبراء.

نزاهة الحفاظ على العلاقات:

figure-protocol-16 （13）

Rgraph هي المجموعة المعاد بناؤها من العلاقات في الرسم البياني، و Rtext هي مجموعة العلاقات الصريحة المستخرجة من النص القانوني الأصلي.

2) القدرة على تحديد موضع الانحياز: تقييم فعالية تتبع الأسباب الجذرية ومسارات انتشار الانحياز.

معدل استدعاء العقدة الجذرية:

figure-protocol-17 （14）

Npred هي مجموعة عقد مصدر الانحياز التي حددها النموذج، و Ntrue هي مجموعة عقد المصدر الحقيقية التي حددها الخبراء.

دقة مسار الانتشار:

figure-protocol-18 （15）

Epred هي مجموعة الحواف في الرسم البياني الفرعي لانتشار الانحياز الذي استنتجه النموذج، وEtrue هي مجموعة حواف انتشار الانحياز الحقيقية.

3) كفاءة تتبع المساءلة: اختبار أداء النظام في سيناريوهات المراقبة في الوقت الفعلي.

متوسط زمن وصول التتبع:

figure-protocol-19 （16）

تمثل M العدد الإجمالي للطلبات، بينما يمثل titrigger و tireport الطوابع الزمنية لمحفز الانحياز رقم i وإنشاء التقرير المصدر، على التوالي.

إنتاجية النظام:

figure-protocol-20 （17）

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

4) قدرة التعميم عبر النطاقات: التحقق من مدى قابلية الطريقة للتكيف مع الأنظمة القانونية المختلفة.

التغطية القضائية:

figure-protocol-21 (18)

تمثل Cencoded عدد البنود القضائية المختلفة التي تم تشفيرها بنجاح في الرسم البياني، بينما تمثل Cinput إجمالي عدد بنود الإدخال.

معدل الكشف عن تعارض القيود:

figure-protocol-22 （19）

Dpred هي مجموعة تناقضات المنطق القانوني التي اكتشفها النموذج، و Dgold هي مجموعة كافة أزواج التناقضات التي قام الخبراء بتدوينها.

أجريت جميع التجارب باستخدام محطة عمل مجهزة بمعالج متعدد النوى ووحدة معالجة رسوميات؛ وتتوفر مواصفات الأجهزة الكاملة في جدول المواد.

تُدرج المعلمات الفائقة الرئيسية لهذا النهج وقيمها في الجدول 1، وهي تشمل بنية النموذج وتكوين التدريب بالإضافة إلى العتبات الحاسمة، مثل بُعد التضمين، وعدد الطبقات الالتفافية، ومعدل التعلم، وحجم الدفعة. وقد تم ضبط جميع المعلمات بالنسبة لمجموعة التحقق من خلال البحث الشبكي، وقد تقارب النموذج المدرب بشكل مستقر، وكان الأداء في أفضل حالاته. كما تم وضع بعض العتبات بالتزامن مع معايير المجال لتلبية متطلبات الموثوقية العالية في التحقق من الامتثال للذكاء الاصطناعي الطبي.

المعلمةالقيمةالوصف
بعد التضمين128حجم بعد الميزات لتضمينات العقد
عدد طبقات الالتفاف3عمق شبكة الالتفاف الرسومية المدركة للعلاقات
معدل التعلم0.001معدل التعلم الأولي لمحسن Adam
حجم الدفعة32عدد الرسوم البيانية الفرعية التي تتم معالجتها في كل دفعة
معدل الإسقاط0.1احتمالية الإسقاط المطبقة على ميزات العقد أثناء التدريب
عدد رؤوس الانتباه8عدد الرؤوس في آلية الانتباه متعددة الرؤوس
معامل تسوية L25 × 10⁻⁴معامل اضمحلال الوزن لتسوية المعلمات
عتبة التشابه0.75الحد الأدنى لتشابه التضمين للتحقق من الامتثال
عتبة مساهمة التدرج0.01العتبة المستخدمة لاختيار الحواف ذات التأثير العالي في بناء الرسم البياني الفرعي للانحياز
حجم نافذة المراقبة10الخطوات الزمنية المستخدمة لتتبع ديناميكيات وزن الحواف

الجدول 1: إعدادات المعاملات الرئيسية. قائمة بالمعاملات الفائقة الرئيسية المستخدمة في التجارب: بُعد التضمين (256)، عدد طبقات GCN (3)، البُعد الخفي (256)، معدل التعلم (1 × 10−3)، حجم الدفعة (64)، بُعد متجه الانتباه، عتبة مساهمة الحافة (المئين 85 لمقادير التدرج)، عتبة الامتثال الديناميكية (µ‑2σ، حيث µ و σ من مجموعة التحقق المكونة من 500 حالة ممتثلة)، عدد المجتمعات K (تم تحديده بواسطة التجميع الطيفي)، والمحسن (Adam). تم اختيار هذه القيم عبر البحث الشبكي على مجموعة التحقق.

النتائج

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

أداء التلافيف الرسومية المدركة للعلاقات

من خلال تدريب شبكة تلافيفية رسومية مدركة للعلاقات، تم حساب تشابهات التضمين بين البنود القانونية وعقد السلوك الطبي عبر الطبقات التلافيفية المختلفة، وسُجل تأثير المحاذاة لكل طبقة. ثانياً، تم إجراء تحليل إحصائي لأوزان الانتباه المخصصة للعلاقات الدلالية القانونية الأربع بعد التدريب لتقدير أهمية كل نوع من أنواع العلاقات في تجميع الميزات. وأخيراً، تم تحليل نمط اضمحلال تأثير العقد المجاورة مع المسافة. ومن خلال حساب مساهمات العقد ذات مسافات القفز المختلفة في تحديث ميزات العقدة المركزية، تم تقدير قوة انتشار التأثير وتقييم النطاق الفعال لآلية تمرير الرسائل. استندت عملية التقييم بأكملها إلى التحليل الكمي للمعلمات الداخلية للنموذج وحالات التنشيط لضمان موضوعية النتائج وقابلية تكرارها.

يوضح الشكل 4 أداء الشبكات العصبية 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 الاتجاه التصاعدي إلى التعايش التدريجي بين فضاء البند القانوني وفضاء السلوك الطبي على طول عملية تمرير الرسائل متعددة الطبقات. ويمكن للطبقات التلافيفية العميقة تعلم الأنماط المعقدة للارتباطات الدلالية عبر الوسائط. وتتلقى علاقة "الانتهاك" أكبر وزن قدره 0.35 في الشكل 4B، والذي 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 التحكم السليم في المخاطر. ويظهر الشكل 4C نمط تراكم تأثير القفزات المتعددة للعقد المجاورة. وتزداد 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. وتلتقط هذه الزيادة غير المتوقعة في الواقع الاعتماد غير المباشر للعقد المركزية على العقد البعيدة. فعندما يتم عرض العقد من مسافة قفزات أكبر، يمكنها الحصول على معلومات هيكلية أكثر شمولية مع مزيد من الضوضاء والمعلومات الزائدة. لذا، في التطبيقات العملية، يلزم تحقيق توازن بين حجم الحقل الاستقبالي وجودة المعلومات. وقد أثبتت عملية تحويل البيانات بأكملها أن آلية الإدراك للعلاقات كانت فعالة في التعامل مع الربط بين النصوص القانونية غير المتجانسة والسلوكيات التقنية، وأنه يمكن نمذجة الدلالات القانونية بدقة عن طريق تصميم الوسيط المتميز.

figure-results-1
الشكل 4أداء المحاذاة الدلالية عبر الوسائط لشبكة التلافيف الرسومية المدركة للعلاقات.(A(تشابه تضمين العقد (تشابه جيب التمام) كدالة لعدد طبقات شبكة التلافيف الرسومية GCN (من 1 إلى 4)، مما يوضح زيادة التوافق بين مساحات السلوك القانوني والطبي. (Bتوزيع وزن الانتباه عبر أنواع العلاقات الأربعة (الانتهاك، والأساس، والمحفز، والإسناد)، حيث حصل الانتهاك على أعلى وزن (0.35).سي) قوة تأثير العقد المجاورة مقابل مسافة القفزات (من 1 إلى 8)، وذلك لقياس كيفية تراكم المعلومات البنيوية متعددة القفزات. جميع القيم تم حساب متوسطها عبر 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 لأنواع مختلفة من 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، وتم التأكد من 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 ضمن بقاء كل نوع من أنواع العلاقات مستقراً أثناء التدريب. وقُيم استقرار الانتباه عن طريق حساب الانحراف المعياري لأوزان الانتباه في مراحل تدريب مختلفة. وتم توحيد مقاييس الكفاءة الحسابية بناءً على عدد عمليات الفاصلة العائمة لضمان العدالة في المقارنة. أُجريت جميع المقاييس 30 مرة على مجموعة الاختبار نفسها باستخدام بذور عشوائية مختلفة لضمان الدلالة الإحصائية. وبالنسبة للمقارنات الزوجية بين طريقتنا وكل خط أساس، أجرينا اختبارات t المزدوجة بـ 29 درجة حرية.

يوضح الشكل 5 تأثيرات تحسين المعلمات وخصائص الأداء لمختلف العلاقات الدلالية القانونية في الشبكة 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" 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 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، للانتهاك، والقاعدة، والمحفز، والإسناد هي: 0.023 و0.031 و0.028 و0.035. والنتيجة هي أن علاقة "الإسناد" تتقارب بشكل أبطأ، ولكنها تظل مستقرة. يوضح الشكل 5D تباين أوزان الانتباه عبر ثلاث مراحل من التدريب. يمثل المحور الصادي مرحلة التدريب (المبكرة، والمتوسطة، والمتأخرة)، ويمثل المحور السيني تباين أوزان الانتباه من اليسار إلى اليمين. الأرقام المقابلة هي 0.18 (مبكرة) و0.12 (متوسطة) و0.08 (متأخرة)، مما يشير إلى أن النموذج يثبت تركيزه تدريجياً على العلاقات البارزة أثناء التدريب. يوضح الشكل 5E المقايضة في الكفاءة الحسابية للعلاقات المختلفة. يتوافق المحور الصادي مع نوع العلاقة بينما يتوافق المحور السيني مع وقت التنفيذ الموحد، والذي يُعرَّف بأنه استخدام الموارد الحسابية لإكمال المهمة المحددة. الأرقام هي 0.42 (الانتهاك)، و0.39 (القاعدة)، و0.43 (المحفز)، و0.38 (الإسناد). التوزيع بين الفئات متوازن، مما يشير إلى أن آلية الإدراك بالعلاقات تؤدي تخصيصاً جيداً للموارد دون تقليل الأداء.

figure-results-2
الشكل 5: تحسين معلمات الالتفاف وتحليل أداء الرسم البياني المدرك للعلاقات. (أ) المقدار (معيار Frobenius) لمصفوفات الأوزان المخصصة لكل نوع من أنواع العلاقات. (ب) درجة جودة تجميع الميزات (اتساق التشابه الجيبي) لكل نوع من أنواع العلاقات. (ج) معدل التقارب (انخفاض الخسارة لكل حقبة تدريب) لكل نوع من أنواع العلاقات. (د) تباين أوزان الانتباه عبر مراحل التدريب المبكرة والمتوسطة والمتأخرة، مما يوضح الاستقرار. (هـ) وقت التنفيذ المعياري (التكلفة الحسابية النسبية) لكل نوع من أنواع العلاقات. جميع المقاييس تمثل المتوسطات عبر 30 تشغيلة؛ وتمثل أشرطة الخطأ الانحراف المعياري (تظهر حيثما كانت مرئية). تظهر علاقة الانتهاك (violation) أعلى مقدار وأعلى جودة تجميع، بينما يتقارب الإسناد (attribution) 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. في ظل ظروف تدرج كثافة مخطط المعرفة (منخفضة/متوسطة/كثيفة)، يتم مقارنة الطريقة المقترحة مع كل من TransE وComplEx وGNNExplainer وKG-BERT وNode2Vec. وقد نُفذت جميع الطرق 30 مرة، وحُسب المتوسط والانحراف المعياري لإزالة تأثير العشوائية.

الشكل 6 يوضح مقارنة الأداء للطريقة المقترحة مع عدة طرق مرجعية تحت كثافات مختلفة لرسم المعرفة، وذلك من حيث دقة محاذاة الكيانات وسلامة الحفاظ على العلاقات، وهما مقياسان أساسيان. وفي الأشكال 6A و 6بيمثل المحور الأفقي طرقاً مختلفة، بينما يمثل المحور الرأسي دقة محاذاة الكيانات وسلامة الحفاظ على العلاقات، على التوالي.

figure-results-3
الشكل 6أداء المحاذاة الدلالية في ظل كثافات مختلفة للرسوم البيانية. (A) دقة محاذاة الكيانات (المعادلة 12)، و(Bالحفاظ على سلامة العلاقة (المعادلة 13)، مع مقارنة الطريقة المقترحة بكل من TransE وComplEx وGNNExplainer وKG‑BERT وNode2Vec. وتشير ارتفاعات الأعمدة إلى القيم المتوسطة عبر 30 عملية تشغيل، بينما تمثل أشرطة الخطأ الانحراف المعياري. وقد حققت الطريقة المقترحة دقة لا تقل عن 0.92 وسلامة لا تقل عن 0.88 عبر جميع الكثافات، متفوقةً بذلك على جميع النماذج المرجعية. يرجى النقر هنا لعرض نسخة أكبر من هذا الشكل.

من منظور دقة محاذاة الكيانات، يؤدي المنهج المقترح أداءً ممتازاً تحت ظروف كثافة مختلفة، حيث لم تقل متوسط دقة محاذاة الكيانات عن 0.92، لتصل إلى أعلى مستوى، خاصة في الرسوم البيانية الكثيفة. وهذا يشير إلى أن الشبكة العصبية التلافيفية للرسوم البيانية المدركة للعلاقات التي تم بناؤها يمكنها التقاط الارتباطات الدلالية بين العقد غير المتجانسة بفعالية، مما يحقق محاذاة فعالة للميزات عبر الوسائط من خلال أوزان محددة لنوع الحافة وآليات الانتباه. وعلى النقيض من ذلك، فإن الطرق التقليدية، وخاصة TransE وNode2Vec، تؤدي أداءً أسوأ بسبب غياب النمذجة الصريحة للعلاقات الدلالية القانونية. كما تم التحقق من تفوق المنهج المقترح من خلال نتائج سلامة الحفاظ على العلاقات، حيث لم يقل متوسط سلامة الحفاظ على العلاقات عن 0.88، مما يشير إلى أن المنهج يمكنه إعادة بناء العلاقات الصريحة في النص القانوني الأصلي بشكل جيد عند كثافات رسوم بيانية مختلفة. ويعود هذا الأداء القوي إلى ترميز هيكل الرسوم البيانية غير المتجانسة ومخطط تمرير الرسائل متعدد الطبقات، الذي يلتقط العلاقات المعقدة بين البنود القانونية، والسلوكيات الطبية، والوحدات الخوارزمية، والوكلاء الخاضعين للمساءلة بشكل شامل. وبينما يظهر GNNExplainer وKG-BERT بعض قدرات نمذجة العلاقات، إلا أن كليهما يواجه قيوداً عند تطبيقهما على الدلالات المعيارية في القانون، حيث يظل أداؤهما أقل من أداء المنهج المقترح.

مقارنة قدرات تحديد موقع الانحياز

يتم إجراء تقييم تحديد موقع الانحياز عبر إطار تحقق تعاوني ثنائي الجودة يعتمد على استدعاء الحقائق لعقد الأسباب الجذرية ودقة مسارات الانتشار، وهو ما يتعلق باكتمال تتبع المصدر ودقة المسار. تُنفذ جميع طرق المقارنة على نفس بنية الرسم البياني المدخلة باستخدام بروتوكول حقن محاكاة الانحياز نفسه وتعريف واجهة التقييم لضمان عدالة الاختبار. وتتكرر كل تجربة 30 مرة باستخدام بذور عشوائية مختلفة للتخفيف من التقلبات العشوائية. تُعرض النتائج كمتوسط ±± انحراف معياري، وتُستخدم اختبارات t المقترنة لتحديد قيم p (مقابل الطريقة المذكورة في هذه الورقة)، مما يضمن السلامة الإحصائية وقابلية المقارنة لاستنتاج التقييم. تُشتق قيم p من اختبارات t المقترنة مع 29 درجة حرية (بناءً على 30 تشغيلاً مستقلاً). وتتراوح إحصائيات t للمقارنة بين طريقتنا وكل خط أساس من 7.82 إلى 12.45، وهو ما يتوافق مع قيم p المذكورة.

يوضح الجدول 2 نتائج التقييم الكمي لقدرة تحديد موقع الانحياز (bias localization) لمجموعة من الطرق المختلفة، وذلك باستخدام مؤشرين أساسيين للأداء، وهما استرجاع العقدة الجذرية (root node recall) ودقة مسار الانتشار. وفيما يتعلق باسترجاع العقدة الجذرية، تفوقت الطريقة المقترحة بشكل ملحوظ على جميع الطرق المرجعية، حيث حققت مستوى استرجاع أعلى بلغ 0.95 ±± 0.02، وهو أفضل بكثير من طريقة GNNExplainer التي جاءت في المرتبة الثانية (0.82 ±± 0.03)، وأعلى بكثير من الطرق الأخرى. ويُعزى هذا التفوق إلى آلية التكميم المدركة للتدرج (gradient-aware quantification mechanism) المقترحة في هذا البحث، والتي يمكنها تتبع مسار انتشار إشارات الانحياز في الرسم البياني بدقة والتعرف بفعالية على العقد المصدر ذات المساهمة العالية. وفي المقابل، حققت النهوج الكلاسيكية TransE وNode2Vec، التي تفتقر إلى وسيلة لالتقاط الاختلافات الدلالية في أنواع الحواف وبالتالي تعجز عن التمييز بوضوح بين مسارات انتشار الانحياز والعلاقات العادية، درجات استرجاع بلغت 0.75 ±± 0.04 و0.72 ±± 0.05 على التوالي. وعلى الرغم من أن KG-BERT يستخدم نموذجاً لغوياً مدرباً مسبقاً، إلا أنه ظل مقيداً في تدفق المعلومات ضمن بنية الرسم البياني، حيث سجل درجة استرجاع بلغت 0.70 ±± 0.04.

الطريقةاستدعاء العقدة الجذريةالقيمة الاحتمالية (استدعاء العقدة الجذرية)دقة مسار الانتشارالقيمة الاحتمالية (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 ±± انحراف معياري على مدى 30 تشغيلاً مستقلاً. يظهر استدعاء العقدة الجذرية (المعادلة 14) ودقة مسار الانتشار (المعادلة 15). تحقق الطريقة المقترحة أعلى معدل استدعاء (0.95 ±± 0.02) وأعلى دقة (0.93 ±± 0.03)، متفوقة بشكل ملحوظ على الطرق المرجعية (اختبار t المزدوج، p < 0.001 لجميع المقارنات).

تعد هذه الطريقة أيضاً الأفضل من حيث دقة مسار الانتشار بقيمة 0.93 ±± 0.03، متفوقة بذلك على الطرق الأخرى. وهذا يثبت أن إجراء تتبع المسار العكسي للرسم البياني الفرعي الذي تقترحه هذه الطريقة يمكنه القضاء بنجاح على الحواف المشوشة وتحديد مسار انتشار الانحياز الحقيقي. كما يؤكد تحليل القيمة الاحتمالية (p-value) وجود فروق ذات دلالة إحصائية في الأداء؛ حيث تظهر جميع الطرق المرجعية فروقاً جوهرية للغاية مقارنة بالطريقة المقترحة (p < 0.001)، مما يضمن متانة وفعالية الطريقة المقترحة في مشكلة تحديد موقع الانحياز. وقد يشير الأداء القوي نسبياً 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 المقدم في هذه الورقة البحثية.

تقييم كفاءة تتبع المسؤولية

يتم إجراء التقييم على الاستجابة في الوقت الفعلي لنظام تتبع المساءلة، مع اتخاذ متوسط زمن وصول التتبع وإنتاجية الطلبات المتزامنة كمؤشرين رئيسيين للكفاءة. أُجريت التجارب عند ثلاثة ترددات لصنع القرار بالذكاء الاصطناعي الطبي (تردد منخفض، وتردد متوسط، وتردد مرتفع). ولضمان مقارنة عادلة، تمت تغذية جميع المنهجيات بنفس تدفق المدخلات وتشغيل إجراء التتبع بالكامل.

الشكل 7 يقارن كفاءة تتبع المسؤولية بين طرق مختلفة عند ترددات مختلفة لصنع القرار بواسطة الذكاء الاصطناعي الطبي. النتائج تخص الطرق المذكورة من اليسار إلى اليمين: وقد تم تصنيف الخطوط على أنها قرارات ذكاء اصطناعي طبي ذات تردد منخفض، وتردد متوسط، وتردد عالٍ.

figure-results-4
الشكل 7: متوسط زمن انتقال تتبع المصدر وإنتاجية معالجة الطلبات المتزامنة. (A) متوسط زمن انتقال التتبع (ms) لكل طريقة؛ (B) الإنتاجية (requests/second) لكل طريقة. تربط الخطوط بين القيم المتوسطة لـ 30 تشغيلاً؛ وتمثل أشرطة الخطأ (في حال ظهورها) الانحراف المعياري. تحافظ الطريقة المقترحة على أدنى زمن انتقال (42‑55 ms) وأعلى إنتاجية (190‑230 req/s) عبر جميع الترددات، مما يثبت أداءً فائقاً في الوقت الفعلي. يرجى النقر هنا لعرض نسخة أكبر من هذا الشكل.

بالنسبة لمتوسط زمن استجابة التتبع، فإن الطريقة المقترحة هي الأفضل تحت جميع ظروف التردد، علاوة على ذلك، تظهر جميع الطرق الأخرى زمن استجابة أعلى بكثير من طريقتنا. تمتلك جميع الطرق زمن 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. وتعود هذه الأفضلية إلى حقيقة أن هذه الطريقة تعتمد على شبكة عصبية تلافيفية بيانية ذات علاقات مدركة، والتي تخصص مصفوفات أوزان مختلفة لأنواع مختلفة من العلاقات الدلالية القانونية لتجنب العبء الحسابي الناتج عن مشاركة المعلمات العامة تحت ظروف التزامن العالي في النهج الكلاسيكي. وفي المقابل، فإن طريقتي TransE و ComplEx، القائمتين على تحليل التنسور، تتدهوران بشكل حاد عند الترددات العالية؛ حيث لا يمكنهما معالجة التحويل غير الخطي للتفاعلات طويلة المدى بين العلاقات القانونية التقنية بكفاءة، مما يؤدي إلى زيادة زمن الاستجابة. ومن حيث الوقت المستغرق لأزواج الطلبات، فإن طريقة هذا البحث هي الأفضل أيضاً؛ ففي إعدادات التردد المنخفض، تصل إنتاجيتها إلى 230 requests/second، وهو ما يتفوق بمراحل على النهج الأخرى. ومع زيادة التردد، تنخفض الإنتاجية، ولكن مقدار الانخفاض يظل قابلاً للتحكم حتى في سيناريو التردد العالي، حيث لا تزال الإنتاجية تصل إلى 190 requests/second. وتُعزى هذه المتانة إلى استراتيجية تضمين العقد المؤقتة وتصميم مسار التوازي للنشر العكسي للمنحدر في هذا النهج، مما يضمن دقة التتبع للدفعات مع معالجة الطلبات في دفعات بكفاءة. أما النهج العامة، لكونها غير محسنة بشكل خاص، فإن أداءها يتدهور بشكل ملحوظ عند مواجهة استعلامات متزامنة، مما يجعلها غير مناسبة للمراقبة في الوقت الفعلي.

التحقق من قدرة تعميم التغطية للقيود القانونية عبر المجالات المختلفة

تُجرى عملية التقييم من منظور القدرة العابرة للمجالات في نمذجة القيود القانونية، حيث يتم استخدام مؤشرين للقياس الكمي هما التغطية القضائية ومعدل اكتشاف تعارض القيود. تم تصميم ثلاثة أنواع من التعقيد العابر للولايات القضائية للتجربة، وهي: الولاية القضائية الأحادية، والولاية القضائية الثنائية، والولاية القضائية المتعددة. وبغرض إزالة تحيز التقييم الناتج عن الاختلاف في البنية الهيكلية، تم تكرار جميع الطرق المتنافسة 30 مرة وتقديم النتائج المتوسطة لإجراء مقارنة عادلة للقدرة على التعميم.

كما هو موضح في Table 3، يحقق هذا النهج باستمرار نتائج أفضل من جميع المجموعات المرجعية عبر ثلاثة مستويات من تعقيدات الولايات القضائية القانونية، كما أن تدهور 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 و Node2Vec) من انخفاض في التغطية إلى حوالي 60% في البيئات متعددة الأطراف، مع انخفاض عام في معدلات اكتشاف النزاعات أيضاً، مما يشير إلى عدم ملاءمتها للتعامل مع التباين الدلالي عبر الولايات القضائية القانونية. ومع ذلك، يُظهر كل من KG-BERT و GNNExplainer 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
المقترحةفردية0.94 ± 0.020.89 ± 0.03
ثنائية0.91 ± 0.030.85 ± 0.04
متعددة الأطراف0.87 ± 0.040.81 ± 0.05
TransEفردية0.76 ± 0.050.52 ± 0.06
ثنائية0.68 ± 0.060.45 ± 0.07
متعددة الأطراف0.61 ± 0.070.38 ± 0.08
ComplExفردية0.79 ± 0.040.55 ± 0.05
ثنائية0.72 ± 0.050.48 ± 0.06
متعددة الأطراف0.65 ± 0.060.41 ± 0.07
GNNExplainerفردية0.82 ± 0.040.61 ± 0.05
ثنائية0.75 ± 0.050.54 ± 0.06
متعددة الأطراف0.68 ± 0.060.47 ± 0.07
KG-BERTفردية0.80 ± 0.040.58 ± 0.05
ثنائية0.73 ± 0.050.51 ± 0.06
متعددة الأطراف0.66 ± 0.060.44 ± 0.07
Node2Vecفردية0.74 ± 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 تعارض القيود. نتائج التعميم عبر النطاقات تحت ولايات قضائية قانونية أحادية وثنائية ومتعددة الأطراف. يتم عرض تغطية الولاية القضائية (المعادلة 18) ومعدل اكتشاف تعارض القيود (المعادلة 19) كمتوسط ±± الانحراف المعياري (SD) على مدى 30 تشغيلاً. تحافظ الطريقة المقترحة على تغطية عالية (≥87%) واكتشاف عالٍ (≥81%) حتى في أكثر الإعدادات تعقيداً متعددة الأطراف، بينما تتدهور أداء الطرق المرجعية بشكل كبير.

ينشأ هذا التفاوت من عمليات النمذجة الأساسية المختلفة تمامًا. إذ تعتمد مناهج تضمين الرسوم البيانية للمعرفة الحالية (على سبيل المثال، TransE و ComplEx) على العلاقات الهندسية في فضاء متجهي ثابت للنمذجة، ولا تفرق أبدًا بين الدلالات القانونية الثنائية مثل "الحظر" و"السماح"، مما يمنعها من التعامل مع اللوائح الدقيقة للفعل الطبي ذاته في الأنظمة القانونية المختلفة. وبالرغم من أن KG-BERT يمكنه التقاط السياق النصي، إلا أنه يفتقر إلى قوة الاستدلال الهيكلي الصريح، ويواجه صعوبة في الاستدلال بالاعتمادات المعيارية والقيود المتعارضة عبر البنود. بدلاً من ذلك، يقوم النموذج المقترح ببناء رسم بياني غير متجانس وموجه من خلال تعزيز أربعة أنواع من الحواف الدلالية القانونية ("الانتهاك"، و"القاعدة"، و"المحفز"، و"الإسناد")، ويدمج الالتفاف الرسومي المدرك للعلاقات مع الانتشار العكسي للتدرج. ونتيجة لذلك، لا يحافظ النموذج المقترح على الاتجاهية السببية للمنطق القانوني فحسب، بل يقوم أيضًا بمحاذاة البنود المتوازية دلاليًا بشكل ديناميكي وكشف القواعد المتناقضة في المدخلات متعددة المصادر في المجال القانوني. ولذلك، في السيناريوهات المعقدة التي تكثر فيها تعارضات الالتزامات، أو تداخل المسؤوليات، أو الأولويات غير المؤكدة للتطبيق ضمن نظام قانوني متعدد الأطراف، توفر هذه المنهجية وسيلة لتحديد مصادر التناقضات بدقة وبطريقة مهيكلة، وترجمتها إلى استنتاجات عابرة للمجالات بتغطية ودقة عاليتين.

دراسة الاستئصال

لعزل مساهمة كل مكون أساسي، أجرينا دراسة استئصال من خلال إزالة أو استبدال الوحدات الرئيسية ضمن إطار عملنا في إعداد الرسم البياني الكثيف (D = 1.0). وتحديداً، قارنا النموذج الكامل بثلاثة متغيرات: (1) بدون التلافيف المدركة للعلاقات، حيث تتشارك جميع أنواع الحواف في مصفوفة تحويل واحدة؛ (2) بدون آلية الانتباه، حيث يتم حساب متوسط مساهمات الجيران بشكل موحد؛ و(3) بدون تتبع التدرج العكسي، حيث يتم تحديد مصادر الانحياز باستخدام 휴ريستيك بسيطة لدرجة العقدة بدلاً من إعادة بناء الرسم البياني الفرعي القائمة على التدرج.

الجدول 4 يعرض نتائج دراسة الاستئصال، والتي تكشف عن الإسهامات المتميزة لكل مكون. تسبب إزالة الالتفاف المدرك للعلاقات (relation‑aware convolution) في أكبر انخفاض في الأداء، حيث انخفض استدعاء الجذر (root recall) من 0.95 إلى 0.81 ودقة المسار (path precision) من 0.93 إلى 0.78. ويؤكد هذا أن نمذجة الحواف المحددة للنوع أمر بالغ الأهمية لالتقاط التنوع الدلالي للعلاقات القانونية، حيث يؤدي مشاركة مصفوفة تحويل واحدة عبر جميع أنواع العلاقات إلى فقدان كبير في المعلومات أثناء المحاذاة عبر الوسائط. كما يساهم ميكانزم الانتباه (attention mechanism) بشكل ملحوظ؛ إذ يؤدي إزالته 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، رغم أن تأثيره يأتي في المرتبة الثانية بعد الإدراك بالعلاقات. أما إزالة التتبع العكسي للتدرج (gradient backtracking) فقد أدت إلى أقل انخفاض في الاستدعاء (0.91) ولكن أكبر انخفاض في دقة المسار (0.76)، مما يشير إلى أنه بينما يمكن للاستدلالات البسيطة تحديد العقد المصدر جزئيًا، فإن إعادة البناء الدقيقة لبنية الانتشار تعتمد بشكل كبير على تحليل الحساسية القائم على التدرج. وبشكل عام، تساهم جميع المكونات الثلاثة بشكل فعال في أداء تحديد موقع التحيز في الإطار المقترح، حيث يعد الالتفاف المدرك للعلاقات الأكثر أهمية، بينما يعد التتبع العكسي للتدرج لا غنى عنه لتحقيق الدقة على مستوى المسار.

متغير النموذجاستدعاء الجذردقة 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 تتبع التدرج العكسي). المقاييس (استدعاء الجذر ودقة المسار) هي المتوسط ±± الانحراف المعياري عبر 30 تشغيلة. يحقق النموذج الكامل أفضل أداء، مما يؤكد أن كل مكون يساهم بشكل ملموس، مع كون الالتفاف المدرك للعلاقات هو الأكثر أهمية.

توافر البيانات:

تم إيداع مجموعة بيانات الرسم البياني المعرفي غير المتجانس والمنظم التي تم إنشاؤها وتحليلها خلال هذه الدراسة، بما في ذلك جميع بيانات العقد والحواف (285 عقدة عبر أربعة أنواع من الكيانات و 1,247 حافة موجهة بأربع علاقات دلالية قانونية)، في مستودع Figshare تحت المعرف الرقمي DOI: https://doi.org/10.6084/m9.figshare.33117644. والبيانات متاحة للعموم اعتباراً من تاريخ نشر هذا المقال. كما تتوفر ملفات مجموعة البيانات المقابلة كـ الملف التكميلي 1.

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

تواصل معنا
أوصِ به للمكتبة

الخصوصية

شروط الاستخدام

السياسات

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