يتطلب اشتراك JoVE لعرض هذا المحتوى. تسجيل الدخول أو ابدأ نسخة تجريبية مجانية

مقالة منهجية

تأطير الأدوار والثقة في الذكاء الاصطناعي الطبي: أدلة من تجربة سيناريو وتخطيط كهربائية الدماغ (EEG)

88 مشاهدة

⸱

DOI:

10.3791/73180

⸱

سبتمبر 8, 2026

 ,  ,  ,  , 
1School of Business, Huaqiao University, 2Chen Shouren College of Business, Quanzhou Normal University, 3College of Architecture and Urban Planning, Tongji University

في هذه المقالة

ملخص

تدمج هذه الدراسة بين تجربة سيناريو ومخططات كهربية الدماغ لفحص كيفية ارتباط تأطير دور الخبير والمرافق بالثقة عبر سياقات المهام الطبية المختلفة.

الملخص

تطورت أنظمة الذكاء الاصطناعي الطبي عبر الإنترنت من أدوات تحليلية خلفية إلى واجهات خدمات موجهة للمرضى، مما جعل الثقة المعايرة مشكلة تصميم وحوكمة تزداد أهمية. وبالاستناد إلى نظرية تطابق الأدوار، بحثت هذه الدراسة في كيفية ارتباط تأطير دور "الخبير" ودور "المرافق" بالثقة عبر سياقات المهام الطبية المختلفة. استخدمت الدراسة الأولى تجربة سيناريو بتصميم 2 (الدور: خبير مقابل مرافق) × 2 (المهمة: استشارة مرضية مقابل استشارة صحية) (العدد = 300). أدى التأطير كخبير إلى زيادة المهنية المدركة، بينما أدى التأطير كمرافق إلى زيادة الحضور الاجتماعي؛ وارتبط كلا التصورين بشكل مستقل بالثقة العامة عند إدخالهما في آن واحد. وكانت العلاقة غير المباشرة من خلال المهنية مشروطة بسياق المهمة، إلا أن مقارنة "بوتستراب" (bootstrap) مباشرة لم تظهر اختلافاً في مؤشري الوساطة المعدلة للثقة العامة. وأشارت تشخيصات القياس إلى وجود تداخل كبير بين المهنية المدركة والثقة المعرفية، وبين الحضور الاجتماعي والثقة العاطفية، مما يتطلب تفسيراً حذراً. وقارنت الدراسة الثانية بين العبارات المؤطرة كخبير والمؤطرة كمرافق باستخدام تخطيط كهربائية الدماغ (EEG) في 39 ملاحظة مزدوجة. وقد صاحب التأطير كخبير زيادة في استجابة الموجات الثيتا (theta ERS) في المنطقة الجبهية المتوسطة، وقيمة ΔPLV لموجات ثيتا بين FCz-F6 مصححة الأساس وأقل سلبية، بينما لم يظهر السلوك على مستوى الحالة أي اختلاف موثوق في معدل الثقة، أو وقت الاستجابة، أو معدل الاستجابات المفقودة. وتعتبر نتائج تخطيط كهربائية الدماغ هذه ارتباطات استكشافية على مستوى العمليات وليست تحققاً عصبياً للنموذج غير المباشر المشروط. وبشكل عام، يبدو أن إشارات الأدوار تشكل تقييمات موجهة نحو الكفاءة وموجهة نحو العلاقة بشكل غير حصري. لذا، ينبغي أن يدعم تصميم الأدوار الاعتماد المعاير من خلال حدود القدرات، والتواصل بشأن عدم اليقين، والتحذيرات القائمة على المخاطر، والتصعيد المناسب، بدلاً من مجرد السعي لزيادة الثقة إلى أقصى حد.

المقدمة

يشمل الذكاء الاصطناعي الطبي حالياً تطبيقات الواجهة الخلفية مثل التعرف على الصور، وتحليل علم الأمراض، واكتشاف الأدوية، بالإضافة إلى واجهات الخدمات الموجهة للمرضى. وتتوقع تحليلات القطاع استمرار نمو سوق الذكاء الاصطناعي في الرعاية الصحية حتى عام 20331. تُمكِّن النماذج اللغوية الكبيرة أنظمة الذكاء الاصطناعي الطبي من الإجابة على الأسئلة الصحية، وتفسير نتائج الاختبارات، وتلخيص المعلومات، وتقديم التوصيات بلغة طبيعية2. يغير هذا التحول علاقة المستخدم بالتكنولوجيا؛ فبينما يتم تقييم أداة التحليل في الواجهة الخلفية من قبل السريريين والمؤسسات، يجب على الواجهة الموجهة للمريض أن توضح دورها، والأدلة التي تستند إليها، ومدى عدم اليقين، وحدود قدراتها للمستخدمين. قد يظهر الذكاء الاصطناعي الطبي في شكل مساعد تشخيصي، أو واجهة لطبيب الأسرة، أو رفيق لإدارة الصحة، ويمكن لكل منها أن يشكل كيفية فهم المستخدمين لهوية خدمة النظام. ومع مشاركة هذه الأنظمة بشكل متزايد في الاستشارات المرضية والإدارة الصحية اليومية، تصبح الثقة أكثر من مجرد موقف تجاه التكنولوجيا؛ فهي تؤثر على مدى إفصاح المستخدمين عن المعلومات، ومدى اعتبارهم للتوصيات ذات مصداقية، وتفاعلهم مع النظام، واتخاذهم إجراءات بناءً على الإرشادات الصحية. ولذلك، تعد الثقة مصدر قلق مركزي في التصميم والحوكمة لمنصات الصحة الرقمية.

لا تحدد القدرة التقنية وحدها ما إذا كان المستخدمون يعتبرون الذكاء الاصطناعي الطبي موثوقًا ومقبولًا. وتظهر المراجعات الخاصة بالوكلاء الحواريين في الرعاية الصحية أن التنفيذ يعتمد على جودة التفاعل، والأهمية السريرية، والشفافية، وظروف النشر3. وبالمثل، تشير الأعمال الحديثة حول الأدلة الموثوقة للذكاء الاصطناعي الطبي إلى أن أداء النموذج غير كافٍ ما لم تكن الادعاءات مدعومة بأدلة مناسبة للاستخدام المقصود4. وتُعد الشفافية أمرًا ضروريًا لأن المرضى يجب أن يكونوا قادرين على تحديد حدود القدرات، وعدم اليقين، وأساس التوصية، بدلاً من استنتاج الموثوقية من لغة فصيحة وحدها5. وبالمثل، تصيغ أبحاث نظم المعلومات اعتماد التشخيص بمساعدة الذكاء الاصطناعي على أنه مشكلة تكوين ثقة، حيث تشكل القابلية للتفسير، وحماية الخصوصية، وإشارات الواجهة مجتمعةً مستوى القبول6. وهذه الاعتبارات مهمة لواجهات النماذج اللغوية؛ إذ يمكن للفصاحة أن تجعل الإجابة سهلة الفهم بينما تترك دون حل ما إذا كان النظام يمتلك معرفة سريرية، وما إذا كانت توصيته تنطبق على ظروف المستخدم، ومتى يكون التصعيد إلى طبيب مؤهل ضروريًا. والسؤال ذو الصلة ليس فقط ما إذا كان بإمكان الذكاء الاصطناعي الطبي تقديم إجابة، بل ما إذا كان بإمكان المستخدمين تقييمها بمستوى مناسب من الاعتماد.

تتأثر الثقة في الذكاء الاصطناعي الطبي بسياق المهمة. وتظهر الأبحاث المتعلقة بمقاومة الذكاء الاصطناعي الطبي أن المستخدمين قد يرفضون التوصيات الخوارزمية في القرارات عالية المخاطر لاعتقادهم بأن الخوارزمية لا يمكنها مراعاة خصوصيتهم7. وهذه المقاومة ليست عامة، حيث تشير أبحاث تقدير الخوارزميات إلى أن الأشخاص قد يفضلون الحكم الخوارزمي عندما تكون المهام موضوعية والقواعد أكثر وضوحاً8. وفي الاستشارات الصحية عبر الإنترنت، تؤثر درجة التخصيص والدقة في النصائح التي يولدها الذكاء الاصطناعي على الثقة والاعتماد9. وبالمثل، وجدت أبحاث الخيار المنفصل التي قارنت بين الاستشارات التقليدية والرقمية وتلك القائمة على الذكاء الاصطناعي أن التفضيلات وتوقعات الثقة تختلف باختلاف التنسيقات10. كما يمكن للعمل الجماعي بين الإنسان والذكاء الاصطناعي أن يقلل من المقاومة من خلال نقل الثقة من الخبرة البشرية إلى ترتيب خدمة مدعوم بالذكاء الاصطناعي11. وبناءً على ذلك، تتطور الثقة في الذكاء الاصطناعي الطبي من خلال التفاعل بين المخاطر المتصورة، ومتطلبات المهمة، وأسلوب التواصل، وتقييم النظام. إذ تبرز استشارات الأمراض عوامل عدم اليقين، والخسارة المحتملة، والتبعات التشخيصية، وتكاليف الخطأ. بينما تتعلق الاستشارات الصحية في الغالب بالنظام الغذائي، وممارسة الرياضة، والنوم، والالتزام بالعلاج، والإدارة الوقائية، حيث قد يكون للتفاعل المستمر وسهولة الوصول 관계ي ثقل أكبر. ونتيجة لذلك، قد يتم تفسير إشارة الواجهة ذاتها بشكل مختلف عندما يطلب المستخدم المساعدة بشأن مرض محتمل بدلاً من الإدارة الصحية طويلة الأمد.

يعد تأطير الدور إحدى ميزات الواجهة التي يمكن من خلالها توصيل هذه التوقعات. إذ يمكن تأطير الذكاء الاصطناعي الطبي كخبير يركز على السلطة المهنية، والاستدلال المنهجي، والحدود السريرية، وأدلة القدرة، أو كرفيق يركز على التعاطف، والطمأنينة، والدعم الاجتماعي، والاستمرارية. ويرتبط هذا التمييز بالكفاءة والدفء، وهما البعدان الأساسيان للإدراك الاجتماعي، ولكنه ليس مجرد خيار بين نظام كفء ونظام ودود12. كما يؤثر أسلوب التواصل وتأطير الوكالة على تقييمات الوكلاء الحواريين13. وفي التطبيقات الطبية المحمولة، تؤثر الإشارات الاجتماعية والمخاوف المتعلقة بالخصوصية معاً على الثقة والنوايا السلوكية14. ويمكن للإشارات البشرية في الوكلاء الحواريين في مجال الرعاية الصحية أن تزيد من الحضور الاجتماعي، والثقة، والقبول، رغم أنها قد تخلق أيضاً توقعات تتجاوز قدرات النظام15. علاوة على ذلك، تظهر الأبحاث حول الفرق المكونة من البشر والذكاء الاصطناعي أن الدفء والكفاءة يتنبآن بأشكال مختلفة من التقبل16. وفي المهام عالية المخاطر، تعتمد الثقة على الملاءمة بين دور الفريق، وسياق المهمة، وانتهاك الأداء17. كما يؤثر الاتساق بين الدور الاجتماعي لروبوت الدردشة وأدائه على بناء الثقة وإصلاحها18. وبناءً على ذلك، فإن إشارات الخبير والرفيق تجعل معايير تقييمية مختلفة بارزة، بدلاً من مجرد تغيير نبرة المحادثة.

لا تزال هناك فجوتان بحثيتان. أولاً، لم توضح الأبحاث كيف تتغير أهمية الإشارات الموجهة نحو الكفاءة والعلاقة بناءً على متطلبات المهام الطبية. وتؤكد المراجعات الخاصة بالثقة البشرية في الذكاء الاصطناعي على الاعتماد على السياق، لكنها لا توضح كيف تعمل إشارات "الخبير" و"المرافق" عبر الاستشارات المتعلقة بالمرض والصحة19. ثانياً، تعتمد دراسات الثقة في الذكاء الاصطناعي الطبي على التقارير الذاتية، مما يوفر أدلة محدودة حول المعالجة المرتبطة بالتقييم المؤطر وفقاً للدور. كما تحد الخصوصية والشفافية والمساءلة والتحيز من تفسير إشارات الأدوار في الواجهة الأمامية20,21. ولمعالجة هذه الفجوات، تستند هذه الدراسة إلى نظرية تطابق الأدوار، التي تفسر التقييم من خلال المواءمة بين إشارات الدور والمتطلبات البارزة في السياق22. تستخدم الدراسة 1 تجربة سيناريو عشوائية بتصميم 2 (الدور: خبير مقابل مرافق) × 2 (المهمة: استشارة مرض مقابل استشارة صحة) (N = 300) لفحص تأطير الدور، وسياق المهمة، والارتباطات غير المباشرة المتوازية من خلال الاحترافية المدركة والحضور الاجتماعي. أما الدراسة 2، فتستخدم تجربة منفصلة لتخطيط كهربية الدماغ (EEG) داخل المجموعات (N = 39) لمقارنة نشاط نطاق theta استجابةً للبيانات المؤطرة كخبير أو كمرافق. تقيم الدراسة 1 الارتباطات السلوكية والتعديل السياقي؛ بينما تقدم الدراسة 2 مقارنة استكشافية على مستوى العمليات بدلاً من التحقق العصبي للنموذج غير المباشر الشرطي.

الإطار النظري وتطوير الفرضيات

تأطير الأدوار في الذكاء الاصطناعي الطبي

يعمل الذكاء الاصطناعي الطبي في بيئات عالية المخاطر تتضمن مخاطر الإصابة بالأمراض، وتوصيات العلاج، والمسؤولية القانونية، والحدود الأخلاقية23. ولذلك، فإن صياغة الدور تكتسب أهمية كبيرة لأن اللغة المستخدمة في الواجهة الأمامية يمكن أن تجعل حدود القدرات والأدلة والمسؤوليات أكثر أو أقل وضوحاً للمستخدمين. وبالمثل، تؤكد أبحاث الشفافية على وجوب قيام أنظمة الذكاء الاصطناعي الطبي بتوضيح حدود قدراتها وقواعد الأدلة التي تستند إليها5. وتنقل الاستجابات ذات النمط الخبير الكفاءة من خلال المصطلحات الرسمية، والاستدلال الممنهج، وبيانات تحديد النطاق، وتوصيات الإجراءات، بينما تنقل الاستجابات ذات نمط الرفيق الدعم العاطفي من خلال التعاطف والطمأنينة والصياغة التعاونية. ولا تعد هذه الإشارات مجرد زينة للواجهة، بل إنها تشكل المعايير التي يطبقها المستخدمون عند تقييم النظام24,25. ويمكن أن يؤدي إضفاء الصفات البشرية إلى استثارة استجابات اجتماعية، ولكنه قد يخلق أيضاً توقعات غير واقعية ويؤدي إلى تضليل حدود المسؤولية القانونية26,27. كما تشير الأبحاث المتعلقة بفرق العمل المكونة من البشر والذكاء الاصطناعي وروبوتات الدردشة إلى أن الدفء، والكفاءة، ومدى ملاءمة الدور للسياق، والاتساق بين الدور الاجتماعي والأداء، تؤثر جميعها على القبول والثقة16,17,18. وفي هذه الدراسة، يشير توافق الدور إلى المحاذاة بين الإشارات التي تنقلها استجابة الذكاء الاصطناعي والمتطلبات التقييمية البارزة في مهمة الاستشارة22.

الثقة ثنائية المسار: الاحترافية المدركة والحضور الاجتماعي

يُستدل على توافق الدور من التفاعل الملحوظ بين الدور والمهمة بدلاً من قياسه كبنية ذاتية منفصلة. وبالتالي، فإن التفسير مرتبط بالتفاعل التجريبي ولا يعني أن المشاركين أبلغوا بوعي عن شعور بملاءمة الدور. تتضمن الثقة أحكاماً معرفية حول الكفاءة والموثوقية وأحكاماً عاطفية حول الأمان والراحة في العلاقة28,29,30. وفي استخدام الذكاء الاصطناعي الطبي، يقيم المستخدمون ما إذا كان النظام يمكنه دعم القرار الصحي وما إذا كان التفاعل معه يبدو آمناً ومتاحاً بشكل كافٍ. ومن شأن التأطير الخبير أن يجعل التقييم الموجه نحو الكفاءة أكثر بروزاً. وتشير الأدلة المستمدة من أبحاث دعم القرار السريري إلى أن التفسيرات والمعلومات حول استدلال النظام تؤثر على الثقة والاعتماد31. وفي الاستشارات الصحية عبر الإنترنت، يرتبط التخصيص والرعاية أيضاً بالثقة والقبول9. وتجسد المهنية المدركة تقييماً موجهاً نحو الكفاءة ذا صلة بالثقة25. كما تحدد الأبحاث المتعلقة بالاستشارات الصحية عبر الإنترنت مصداقية المصدر كعامل ذي صلة بقبول المستخدمين للمقترحات الصحية32. لذلك، تختبر الدراسة الحالية ما إذا كان التأطير الخبير مرتبطاً بمهنية مدركة أعلى.

H1: تولد أدوار الرفيق مستوى أدنى من المهنية المدركة مقارنة بأنظمة الذكاء الاصطناعي الطبية ذات نمط الخبير.

ينبغي أن يجعل التأطير كرفيق التقييم 관계ي أكثر بروزاً. يشير الحضور الاجتماعي إلى الجودة الشخصية المدركة للتفاعل الوسيط بدلاً من الاعتقاد بأن النظام بشري33. ويرتبط ذلك بجودة التفاعل، والثقة، والقبول في الخدمات عبر الإنترنت والوكلاء الحواريين الصحيين15,34.

قد يقلل الحضور الاجتماعي من التكلفة النفسية للإفصاح عن الذات ويدعم تبادل المعلومات أثناء الاستشارات عبر الإنترنت32. وبناءً على ذلك، تختبر الدراسة الحالية ما إذا كان تأطير الرفيق يرتبط بحضور اجتماعي أعلى.

H2: تولد أدوار الخبراء حضورًا اجتماعيًا أقل مقارنة بالذكاء الاصطناعي الطبي ذو نمط الرفيق.

يتم التعامل مع الاحترافية المتصورة والحضور الاجتماعي كروابط متوازية وغير حصرية مع الثقة. ويعتمد الاعتماد السليم على الأتمتة عالية المخاطر على قدرات النظام، وحدوده، ومتطلبات المهمة، بدلاً من الاعتماد على تعظيم الثقة وحدها35.

الفرضية الثالثة: يتنبأ كل من الاحترافية المدركة والحضور الاجتماعي إيجابياً بالثقة عند نمذجتهما في آن واحد.

التأثير المعدِّل لسياق المهمة

قد تحمل مؤشرات الدور ذاتها ثقلاً نفسياً مختلفاً باختلاف المهام الطبية. ويوفر ملاءمة المهمة للتكنولوجيا مبرراً سياقياً لفحص ما إذا كانت مؤشرات الدور تتماشى مع متطلبات المهمة36. وتتضمن استشارة المرضى قدراً أكبر من عدم اليقين، ومخاطر الخسارة، وتكاليف الخطأ، مما يجعل الاحترافية، والدقة، والحدود الواضحة بارزة بشكل خاص7,37. ولذلك، ينبغي أن تكون المؤشرات الخبيرة أكثر تماشياً مع هذه المتطلبات من مؤشرات الرفيق. وتركز الاستشارات الصحية على الإدارة الصحية طويلة الأمد، والاستمرار السلوكي، واستمرارية التفاعل. وتؤكد المراجعات الخاصة بدعم القرار السريري القائم على الذكاء الاصطناعي والوكلاء الحواريين الصحيين على أهمية المعلومات السياقية، والقابلية للتنفيذ، والتفاعل، وظروف التنفيذ3,38,39.

تتوقع هذه الدراسة أن يكون الفرق بين الخبير والمرافق في الاحترافية المدركة أكبر في استشارات المرضى منه في استشارات الصحة. ولا تعتبر الدراسة عدم وجود تفاعل ذي دلالة إحصائية في الحضور الاجتماعي دليلاً على الثبات. وقد صِيغت الفرضية على النحو التالي:

الفرضية الرابعة: يعمل سياق المهمة كمتغير وسيط يؤثر بشكل كبير على تأثير أدوار الخبراء في المهنية المدركة. ويكون هذا التأثير أقوى في استشارات المرض (illness consultation) مقارنة باستشارات الصحة (health consultation).

الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.

البروتوكول

نظرة عامة على البحث

أُجريت هذه الدراسة وفقاً لإعلان هلسنكي، وحظيت بموافقة لجنة الأخلاقيات بجامعة هواكياو (M2025021)، والتي شملت كلاً من تجربة السيناريو عبر الإنترنت وتجربة تخطيط كهربية الدماغ (EEG). قدّم جميع المشاركين موافقة مستنيرة وتلقوا تعويضاً عند الإتمام.

تحتوي هذه الورقة على دراستين متكاملتين (انظر الشكل 1). الدراسة 1 هي تجربة سيناريو عشوائية بتصميم 2 × 2 تقدّر تأثيرات تأطير الدور وسياق المهمة، وتقيّم بنية القياس، وتختبر الارتباطات غير المباشرة الشرطية المتوازية من خلال المهنية المدركة والحضور الاجتماعي. أما الدراسة 2 فهي تجربة تخطيط كهربائي للدماغ (EEG) داخل المجموعات تقارن نشاط نطاق ثيتا (theta-band) تحت تأثير التصريحات المؤطرة كخبير أو كرفيق، وتُفسر على أنها مقارنة استكشافية على مستوى العمليات. توفر هاتان الدراستان أدلة سلوكية وعصبية على مستويات مختلفة؛ ولا يتم التعامل معهما كآلية تصاعدية واحدة.

الدراسة 1: تجربة السيناريو

المشاركون والتصميم

استخدمت الدراسة 1 تصميماً متوازناً بين المجموعات بنمط 2 × 2 مع تأطير الدور (خبير مقابل رفيق) وسياق المهمة (استشارة مرضية مقابل استشارة صحية). افترض حساب G*Power الأصلي وجود تأثير ANOVA شامل متوسط (f = 0.25)، ومستوى دلالة α = .05، وقوة إحصائية = .80، وأشار إلى حد أدنى يبلغ 128 مشاركاً40. ونظراً لأن هذا الحساب لم يكن مخصصاً للتأثيرات غير المباشرة المشروطة، فقد تم ذكره كأساس أصلي للاستقطاب بدلاً من كونه دليلاً على القوة الإحصائية للوساطة المعدلة. ومع وجود N = 300 وأربع خلايا متوازنة، أشار تحليل الحساسية إلى قوة إحصائية بنسبة 80% للكشف عن تفاعل بقيمة f = 0.162 (partial η2 = .026) عند α = .05.

قمنا بالإضافة إلى ذلك بإجراء تحليل قوة لاحق قائم على المحاكاة لمؤشرات الوساطة المعدلة باستخدام مجموعة بيانات استبيان SPSS المكونة من 300 حالة. أنتجت المحاكاة 1,000 عينة متوازنة بنظام 2 × 2 من نموذج الوسيط المتوازي الموفق عن طريق إعادة أخذ عينات من البواقي التجريبية؛ واستخدمت كل مجموعة بيانات محاكاة 500 فاصل ثقة بنظام بوتستراب المئوي لإعادة أخذ عينات الحالات. وكانت الاحتمالات المقدرة لاستبعاد فاصل الثقة للقيمة صفر هي .698 لمؤشر المهنية، و .157 لمؤشر الحضور الاجتماعي، و .279 للفرق المباشر بين المؤشرين. هذا التحليل مشروط بالمعاملات المرصودة، وتوزيعات البواقي، وتوصيف النموذج، ولا يعد تبريراً مسبقاً لحجم العينة. يظهر تحليل القوة الكامل اللاحق القائم على المحاكاة في الجدول التكميلي S1.

تم استقطاب ثلاثمائة مشارك عبر منصة Credamo وتوزيعهم عشوائياً على أربع حالات (75 مشاركاً لكل مجموعة). شملت العينة 109 رجال (36.3%) و191 امرأة (63.7%)؛ وكان 43.7% منهم في الفئة العمرية 21-30 سنة، و41.3% في الفئة العمرية 31-40 سنة، وحصل 69.7% منهم على درجة البكالوريوس. تم استكمال جميع بنود الاستبيان المطلوبة. لم يتم استخدام بند مخصص لفحص الانتباه أو استبعاد مسبق بناءً على وقت الإكمال، ولم يتم استبعاد أي مشارك. بلغ متوسط وقت الإكمال 268 s (المدى = 67-1,894 s). وأُجري تحليل متانة لاحق (post hoc) باستبعاد الاستجابات التي كانت أقل من المئوية الخامسة لوقت الإكمال (<125 s؛ العدد المتبقي n = 285) لتقييم الحساسية تجاه الاستجابات السريعة بشكل غير طبيعي. تتوفر إحصائيات تفصيلية لفحص التلاعب وتحليلات الحساسية لوقت الإكمال في Supplementary Table S2.

المحفزات والمنهجية التجريبية

تألفت مواد التحفيز من مقدمة لسيناريو المهمة واستجابة حوارية من طبيب يعمل بالذكاء الاصطناعي، مما شكل أربع مجموعات تجريبية كاملة. طلب سيناريو استشارة المرض من المشاركين تخيل معاناة من ضيق متكرر في الصدر وخفقان أثناء الليل، والقلق بشأن ما إذا كانت الرعاية المستشفى الفورية مطلوبة. أما سيناريو الاستشارة الصحية فقد طلب من المشاركين تخيل أنهم يتمتعون بصحة جيدة بشكل عام ويسعون للحصول على خطة مخصصة للنظام الغذائي والتمارين الرياضية. وقد مُثّلت كل فئة من المهام بسيناريو واحد؛ وبناءً عليه، تقتصر الاستنتاجات على هذين السيناريوهين بدلاً من تعميمها على جميع استشارات المرض والصحة.

استخدمت لقطات الشاشة الأربع للاسْتبيان ذات الأيقونة وعرضت اسم النظام، Medical AI (DiagnosPro)، وبذلك ظلت الهوية المعروضة ثابتة عبر جميع الحالات. استخدمت الاستجابات المصاغة في إطار "الخبير" تحليلاً هيكلياً، وعبارات تشير إلى المخاطر أو الأدلة، ولغة توجيهية، وتوصيات صريحة باتخاذ إجراءات. بينما استخدمت الاستجابات المصاغة في إطار "المرافق" التعاطف، والطمأنة، وصياغة تعاونية، ومقترحات مرنة. لذا، مثّل هذا التلاعب حزمة من الإشارات المعلوماتية والتواصل المتوافق مع الدور؛ ولم يعزل صياغة الدور عن التحديد، أو القابلية للتنفيذ، أو اليقين، أو التفاصيل الطبية، أو الدعم العاطفي. وقد يكون الاسم المشترك DiagnosPro قد نقل أيضاً إشارة خبير عبر جميع الحالات. تتوفر المجموعة الكاملة من المحفزات في الملف التكميلي 1.

قرأ المشاركون أولاً نموذج الموافقة المستنيرة، ثم تم توزيعهم عشوائياً على واحدة من أربع حالات تجريبية. وبعد قراءة السيناريو ومحفز الحوار، أكملوا الاستبيان بناءً على استجاباتهم. بدأ الاستبيان باختبارات التحقق من التلاعب، تلتها مقاييس المهنية المدركة، والحضور الاجتماعي، والثقة، والبيانات الديموغرافية. استغرقت هذه الإجراءات حوالي 15 min.

استخدمت جميع المقاييس نظام تسجيل ليكرت المكون من 7 نقاط، حيث يمثل الرقم 1 "غير موافق بشدة" ويمثل الرقم 7 "موافق بشدة". تم قياس الاحترافية المدركة من خلال ثلاثة بنود: "هذا الذكاء الاصطناعي الطبي قادر على تقديم نصائح طبية"، و"يبدو هذا الذكاء الاصطناعي الطبي احترافيًا للغاية"، و"هذا الذكاء الاصطناعي الطبي خبير في المجال الطبي" (α = .883)41. وتم قياس الحضور الاجتماعي من خلال ثلاثة بنود: "في التفاعل مع هذا الذكاء الاصطناعي الطبي، شعرت بلمسة إنسانية"، و"جعلني التفاعل مع هذا الذكاء الاصطناعي الطبي أشعر بالقرب"، و"بدا هذا الذكاء الاصطناعي الطبي اجتماعيًا أثناء التفاعل" (α = .932)42. وتكونت الثقة المعرفية من ثلاثة بنود: "يمكنني الاعتماد على هذا الذكاء الاصطناعي الطبي لأن لديه المهارات اللازمة لتقديم النصيحة"، و"أنا واثق من دقة النصيحة المقدمة من هذا الذكاء الاصطناعي الطبي"، و"يمتلك هذا الذكاء الاصطناعي الطبي قدرة كافية للتعامل مع مشكلتي الصحية" (α = .837). وتكونت الثقة العاطفية من ثلاثة بنود: "هذا الذكاء الاصطناعي الطبي يجعلني أشعر بالدفء والاهتمام"، و"الاعتماد على هذا الذكاء الاصطناعي الطبي يجعلني أشعر بالأمان لأنه يبدو مهتمًا بصحتي"، و"أعتقد أن هذا الذكاء الاصطناعي الطبي لن يفعل أي شيء ضار بي عمدًا" (α = .700). وكانت الثقة العامة هي متوسط جميع بنود الثقة الستة (α = .784). وتم تحليل هذه المقاييس كمخرجات موجهة نحو الكفاءة، ومخرجات شخصية متبادلة، وثقة معرفية، وثقة عاطفية، وثقة عامة، بدلاً من اعتبارها مفاهيم متبادلة في الاستبعاد.

تم إجراء التحليل في أربع خطوات. أولاً، قارن التحليل العاملي التوكيدي النموذج المقترح المكون من أربعة عوامل مع بدائل مكونة من عاملين وعامل واحد؛ كما تم فحص الموثوقية المركبة، ومتوسط التباين المستخرج، والارتباطات الكامنة, ونسب السمات المختلفة-السمة الواحدة. ثانياً، قدرت النماذج العاملية الكاملة 2 × 2 التأثيرات الرئيسية والتفاعلية للمهنية المدركة، والحضور الاجتماعي، والثقة المعرفية، والثقة العاطفية، والثقة العامة، مع حساب متوسطات الخلايا، وفترات الثقة، وقيمة η2 الجزئية. وتظهر المتوسطات الهامشية المقدرة وفترات الثقة 95% في الشكل 2. ثالثاً، استخدم نموذج 7 من برنامج PROCESS 4.2 beta المهنية المدركة والحضور الاجتماعي في وقت واحد كوسطاء متوازيين، مع 5,000 عينة تمهيدية بنظام bootstrap المئوي43. تم ترميز تأطير الدور بـ 1 = خبير و 2 = رفيق، وترميز سياق المهمة بـ 1 = استشارة مرضية و 2 = استشارة صحية. وقامت عينة bootstrap مشتركة بمقارنة مباشرة مع مؤشري الوساطة المعدلة. رابعاً، تم تحليل الثقة المعرفية والعاطفية بشكل منفصل كنتائج استكشافية. ونظراً لقياس الوسطاء والنتائج بشكل متزامن، فقد تم تفسير التقديرات على أنها ارتباطات غير مباشرة تتفق مع الوساطة بدلاً من كونها آليات نفسية سببية.

الدراسة 2: تجربة تخطيط كهربائية الدماغ (EEG)

المشاركون

شملت الدراسة 2 عدد 40 مشاركاً. تم استبعاد مشارك واحد لأن المحاولات الملوثة بالشوائب تجاوزت 30% في حالة تجريبية واحدة على الأقل، مما ترك 39 مشاركاً في تحليلات EEG النهائية. وقد ضمن هذا المعيار مساهمة كل مشارك تم الإبقاء عليه بنسبة 70% على الأقل من المحاولات في كل حالة. وقدم جميع المشاركين موافقة مستنيرة مكتوبة وتلقوا تعويضاً بعد التجربة. ولم يتسنَّ ربط المعلومات الديموغرافية بجميع سجلات EEG التي تم الإبقاء عليها، وبناءً على ذلك، لم يتم تلخيصها لعينة EEG النهائية.

المحفزات والإجراءات التجريبية

أُجريت التجربة في مختبر تخطيط كهربائية الدماغ (EEG) قياسي باستخدام تصميم القياسات المتكررة (within-subjects design)، حيث عُرضت المثيرات باستخدام برنامج E-Prime 2.1. طُلب من المشاركين تخيل التفاعل مع نظام ذكاء اصطناعي طبي وتقييم مدى ثقتهم في النظام لكل سيناريو من سيناريوهات الاستشارة الطبية. تضمنت التجربة معالجة الدور المتصور لنظام الذكاء الاصطناعي الطبي، بما في ذلك المتغيرات من نوع الخبير والمتغيرات من نوع الرفيق.

تم إنشاء ما مجموعه 40 محفزاً من الجمل الصينية. تضمنت حالة "نمط الخبير" 20 محفزاً تبدأ بعبارة "خبير الذكاء الاصطناعي الطبي"، بينما تضمنت حالة "نمط الرفيق" 20 محفزاً موازياً تبدأ بعبارة "رفيق الذكاء الاصطناعي الطبي". غطت السيناريوهات الطبية كلاً من الوظائف التشخيصية المهنية، مثل الاستفسار عن التاريخ الطبي، وتحليل تقارير الفحوصات، وتقييم بيانات معدل ضربات القلب، وتفسير الاختبارات الجينية، وتقدير مخاطر المرض، والتوصية بخطط العلاج، ووظائف إدارة الصحة الداعمة، مثل إبداء الاهتمام بالحالة البدنية، والاستفسار عن جودة النوم، وتخفيف القلق، وتسجيل البيانات الصحية، والتشجيع على الالتزام بالعلاج، وتقديم نصائح صحية يومية. وبناءً على ذلك، اختلفت الحالات أيضاً في المحتوى الدلالي والتعقيد؛ ولم يتوفر مطابقة مستقلة للمحفزات أو اختبار مسبق.

قبل التجربة الرسمية، أتم المشاركون كتلة تدريبية قصيرة. بدأت كل محاولة بصليب تثبيت لمدة 500 ms، يليه فاصل فارغ متغير المدة يتراوح بين 300–500 ms، ثم عُرض بيان عن الذكاء الاصطناعي الطبي لمدة 1,600 ms. بعد ذلك، قام المشاركون بإصدار حكم ثنائي بشأن الثقة وفقاً لسرعتهم الخاصة من خلال الضغط على مفتاح F للإشارة إلى الثقة أو مفتاح J للإشارة إلى عدم الثقة (انظر الشكل 3). عُرضت البيانات المصاغة في إطار "الخبير" وإطار "المرافق" بترتيب عشوائي. وأشارت سجلات مهام E-Prime إلى وجود 80 محاولة رسمية لكل سجل مهمة: 40 محاولة للإطار الخبير و40 محاولة لإطار المرافق، مع عرض كل بيان من البيانات الفريدة العشرين لكل دور مرتين.

بيانات المهام السلوكية

كانت بيانات المهمة السلوكية صالحة للاستخدام لـ 38 من أصل 39 مشاركًا في عينة EEG النهائية؛ حيث كان سجل مهمة E-Prime لمشارك واحد غير صالح للاستخدام. وبناءً على ذلك، استخدمت التحليلات السلوكية N = 38. تتوفر النتائج السلوكية المفصلة وتفاصيل العينة في الجدول التكميلي S3. تم ترميز الثقة كاستجابة بمفتاح F؛ بينما أشارت الاستجابات بمفتاح J إلى عدم الثقة. وقد تم ترميز الاستجابات الفارغة أو وقت الاستجابة المسجل بقيمة 0 ms كبيانات مفقودة. تم حساب معدل الثقة بين المحاولات التي تمت الإجابة عليها، وتم تلخيص وقت الاستجابة عبر المحاولات التي تمت الإجابة عليها. تضمنت البيانات العصبية المتاحة للتحليل مقاييس مجمعة حسب الحالة، ولكنها لم تتضمن مؤشرات EEG على مستوى المحاولة أو معرفًا موثقًا يربط كل سجل سلوكي بسجل EEG الخاص به؛ ولذلك، لم يتم تقدير نموذج مختلط على مستوى المحاولة لبيانات EEG وأحكام الثقة.

تسجيل وتحليل تخطيط كهربية الدماغ (EEG)

استُخدم جل الإلكتروليت الموصل Quik-Gel للحفاظ على ممانعة القطب الكهربائي والجلد دون 5 kOhm. وكان FCz هو المرجع المباشر الافتراضي للجهاز، وكان معدل أخذ العينات 1,000 Hz. أُجريت عملية إعادة المرجعية غير المباشرة (Offline) باستخدام متوسط النتوءات الخشخاشية (mastoids) ثنائية الجانب عبر وظيفة إعادة المرجعية المدمجة في برنامج CURRY؛ حيث تم الاحتفاظ بـ FCz وإعادة بنائه تلقائيًا بالنسبة للمرجع الجديد، ولم يُستخدم أي أمر أو نص برمجي مخصص لإعادة البناء. نُفذت المعالجة اللاحقة غير المباشرة في برنامج MATLAB R2020b باستخدام EEGLAB44 و ICLabel45. خُفض معدل أخذ عينات البيانات إلى 500 Hz واستُخدم مرشح تمرير نطاقي (band-pass filter) من 0.1 إلى 40 Hz. تم تحديد القنوات التالفة ومقاطع البيانات الملوثة بشكل كبير وإزالتها عن طريق الفحص البصري؛ ولم يُطبق أي استيفاء آلي أو حد آلي لرفض المقاطع. ثم استُخدم تنفيذ runica الافتراضي في EEGLAB (وهو Infomax ICA)، وأُزيلت المكونات عندما خصص ICLabel احتمالية لا تقل عن .70 لفئة من الآثار الاصطناعية (مثل نشاط العين أو العضلات أو القلب أو ضوضاء الخطوط أو ضوضاء القنوات). استُبعد المشاركون الذين لديهم أكثر من 30% من التجارب الملوثة بالآثار الاصطناعية في أي من الحالتين، لضمان الاحتفاظ بـ 70% على الأقل من التجارب في كل حالة. امتدت الحقبات الزمنية (Epochs) من −1,000 إلى 1,996 ms. ولتحليل الاتصال الوظيفي، خُفض معدل أخذ عينات البيانات المعالجة مسبقًا مرة أخرى إلى 250 Hz، واستُبعدت الأقطاب الطرفية، بما في ذلك P7 و P8 و F7 و F8، قبل تقدير التزامن الطوري (phase-synchrony).

ترتبط نشاطات ثيتا المسجلة في مواقع فروة الرأس في المنطقة الجبهية الوسطى بالعمليات الحسابية التي تستدعيها متطلبات التحكم المعرفي46. كما ارتبط تزامن طور نطاق ثيتا بين مواقع الأقطاب الكهربائية الجبهية الإنسية والوحشية بالتنسيق أثناء المعالجة المرتبطة بالتحكم47. وبوجه خاص، لوحظ تعزيز تزامن طور نطاق ثيتا بين مواقع مثل FCz و F6 عقب اكتشاف التعارض أو الخطأ48. وبما أن مقاييس فروة الرأس هذه ليست محددة حصرياً بالتحكم المعرفي، فقد تم التعامل معها هنا كمؤشرات لعمليات متقاربة بدلاً من كونها قراءات مباشرة لآلية معرفية واحدة.

أولاً، تم قياس المزامنة المرتبطة بالحدث (ERS) لنطاق ثيتا في الخط المتوسط الجبهي ضمن نطاق 4–8 Hz خلال النافذة الزمنية 800–1,000 ms بعد التحفيز. حُسبت ERS باستخدام تحليل الزمن والتردد، مع حساب التغير النسبي في القدرة بالنسبة إلى خط الأساس قبل التحفيز من −500 إلى −200 ms. تشير القيم الموجبة إلى تعزيز القدرة (المزامنة)، بينما تشير القيم السالبة إلى تثبيط القدرة (إلغاء المزامنة). ثانياً، تم تقدير الاتصال الوظيفي بعد خفض معدل عينات البيانات التي تمت معالجتها مسبقاً إلى 250 Hz واستبعاد الأقطاب الطرفية، بما في ذلك P7 و P8 و F7 و F8. طُبق تحويل فوريه قصير المدى (STFT) قبل حساب قيمة قفل الطور (PLV) لنطاق ثيتا بين FCz و F6. حُسب التغير في قيمة PLV المصحح وفقاً لخط الأساس (ΔPLV) بالنسبة إلى خط الأساس قبل التحفيز من −600 إلى −200 ms. تتراوح قيمة PLV الخام بين 0 و 1؛ لذا فإن قيم ΔPLV السالبة تشير إلى انخفاض بالنسبة لخط الأساس وليس إلى قفل طور سالب. تُفسر قياسات فروة الرأس هذه كأنماط استكشافية مرتبطة بالعمليات المتعلقة بالتحكم والتنسيق أمام الجبهي؛ وهي لا تحدد بشكل مباشر عملية معرفية محددة أو مصدراً عصبياً معيناً.

الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.

النتائج

الدراسة 1: نتائج تجربة السيناريو

نموذج القياس. أظهر نموذج العوامل الأربعة ملاءمة أفضل من البدائل ذات العاملين أو العامل الواحد، ولكن كانت الملاءمة المطلقة مختلطة: χ2(48) = 223.93, p < .001; CFI = .935; TLI = .911; RMSEA = .111; SRMR = .140. وتراوحت التحميلات المعيارية بين .382 و .937. بلغت الموثوقية المركبة .886 للاحترافية المدركة، و .932 للتواجد الاجتماعي، و .840 للثقة المعرفية، و .709 للثقة العاطفية؛ وكانت قيم AVE المقابلة هي .722 و .821 و .636 و .474. كانت الص...

الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.

المناقشة

الآثار النظرية

تقدم الدراستان أدلة على مستويات مختلفة. حيث تحدد الدراسة الأولى الارتباطات بين الدور والمهمة والارتباطات غير المباشرة المتوازية في تجربة سيناريو عشوائية، بينما تقدم الدراسة الثانية مقارنة استكشافية لمستوى العمليات باستخدام تخطيط كهربائية الدماغ (EEG). وبناءً على ذلك، تدعم الدراستان تفسيراً محدوداً للتقييم المؤطر بالدور بدلاً من وجود آلية تصاعدية واحدة. وتوسع هذه النتائج نظرية توافق الأدوار لتشمل الذكاء الاصطناعي الطبي من خلال التعامل مع التوافق كونه الانسجام بين...

الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.

الإفصاحات

يصرح المؤلفون بأنه لا توجد تضاربات في المصالح.

خلال إعداد هذا العمل، استخدم المؤلفون ChatGPT لتحسين اللغة. وبعد استخدام هذه الأداة/الخدمة، راجع المؤلفون المحتوى وقاموا بتحريره حسب الحاجة، وهم يتحملون المسؤولية الكاملة عن محتوى المنشور.

شكر وتقدير

تم دعم هذا المشروع البحثي من قبل المشاريع العامة الممولة من العلوم الاجتماعية الوطنية في جمهورية الصين الشعبية (منحة رقم 22BGL006).

الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.

المواد

قائمة المواد المستخدمة في هذه المقالة
الاسمالشركةرقم فهرسيالتعليقات
منصة استطلاعات الرأي عبر الإنترنت CredamoCredamo (Jianshu), Chinaغير ينطبقمنصة للاستبيانات عبر الإنترنت، والتوزيع العشوائي، وتوظيف المشاركين المستخدمة في الدراسة 1.
وظيفة إعادة المرجعية CURRYCompumedics Neuroscan, USAالإصدار غير محددإعادة مرجعية مدمجة دون اتصال من المرجع عبر الإنترنت FCz إلى متوسط النتوء الحلمي الثنائي؛ تم إعادة بناء FCz تلقائياً بالنسبة للمرجع الجديد.
غطاء أقطاب EEG، 64 قناةCompumedics Neuroscan (Compumedics Limited), Australiaالطراز/رقم الكتالوج غير محددغطاء أقطاب Ag/AgCl بـ 64 قناة يستخدم لتسجيل EEG المستمر.
EEGLABSwartz Center for Computational Neuroscience, University of California San Diego, USAإصدار 2023.0صندوق أدوات MATLAB المستخدم في المعالجة المسبقة لـ EEG وتحليل المكونات المستقلة.
E-PrimePsychology Software Tools, Inc., USAإصدار 2.1عرض المثيرات وجمع الاستجابات في الدراسة 2.
G*PowerHeinrich Heine University Dusseldorf, Germanyإصدار 3.1.9.7حساب حجم العينة المسبق (a priori)، وتحليل حساسية التفاعل، وتحليل القوة القائم على النموذج اللاحق (post hoc) للدراسة 1.
IBM SPSS StatisticsIBM Corp., USAإصدار 27البيئة الإحصائية المستخدمة لتشغيل ماكرو PROCESS.
ICLabelSwartz Center for Computational Neuroscience, University of California San Diego, USAإصدار 1.7ملحق EEGLAB المستخدم لتصنيف المكونات المستقلة الاصطناعية.
MATLABThe MathWorks, Inc., USAإصدار R2020bبيئة حوسبة مستخدمة لمعالجة وتحليل EEG.
ماكرو PROCESS لـ SPSSAndrew F. Hayes, Canadaإصدار 4.2 betaالنموذج 7 مع إدراج الاحترافية المدركة والحضور الاجتماعي في آن واحد كوسيطين متوازيين، باستخدام 5,000 عينة bootstrap مئوية في الدراسة 1.
جل الإلكتروليت الموصل Quik-GelCompumedics Neuroscan (Compumedics Limited), Australiaرقم الكتالوج غير محدد؛ 32 ozجل موصل يستخدم لتقليل ممانعة القطب والجلد أثناء تسجيل EEG.
مضخم EEG SynAmps2Compumedics Neuroscan (Compumedics Limited), AustraliaSynAmps2؛ رقم الكتالوج غير محددمضخم EEG بـ 64-256 قناة تم تكوينه لتسجيل 64 قناة.

المراجع

  1. Grand View Research. Artificial intelligence in healthcare market size & share, industry report, 2033 [Internet]. Grand View Research; [cited 2026 Jul 11]. Available from: https://www.grandviewresearch.com/industry-analysis/artificial-intelligence-ai-healthcare-market
  2. Singhal K, et al. Large language models encode clinical knowledge. Nature. 2023;620(7972):172-80.
  3. Laranjo L, et al. Conversational agents in healthcare: a systematic review. J Am Med Inform Assoc. 2018;25(9):1248-58.
  4. Kouzy R, Hong JC, Bitterman DS. One shot at trust: building credible evidence for medical artificial intelligence. Lancet Digit Health. 2025;7(7):100883.
  5. Kim C, Gadgil SU, Lee SI. Transparency of medical artificial intelligence systems. Nat Rev Bioeng. 2026;4(1):11-29.
  6. Bian X, Chen Y, Yang A. Configuring trust in AI-augmented healthcare: the role of AI interpretability and data privacy in patient adoption of AI-assisted diagnosis. Int J Inf Manage. 2026;88:103039.
  7. Longoni C, Bonezzi A, Morewedge CK. Resistance to medical artificial intelligence. J Consum Res. 2019;46(4):629-50.
  8. Logg JM, Minson JA, Moore DA. Algorithm appreciation: people prefer algorithmic to human judgment. Organ Behav Hum Decis Process. 2019;151:90-103.
  9. Qin H, et al. Examining the impact of personalization and carefulness in AI-generated health advice: trust, adoption, and insights in online healthcare consultations experiments. Technol Soc. 2024;79:102726.
  10. Mayer CJ, et al. User preferences and trust in hypothetical analog, digitalized and AI-based medical consultation scenarios: an online discrete choice survey. Comput Human Behav. 2024;161:108419.
  11. Du G, Zhou C, Cheng X. Reducing consumers’ resistance to AI agents in online healthcare consultations: the role of human-AI teaming from a trust transfer perspective. J Bus Res. 2026;206:115959.
  12. Fiske ST, Cuddy AJC, Glick P, Xu J. A model of often mixed stereotype content: competence and warmth respectively follow from perceived status and competition. J Pers Soc Psychol. 2002;82(6):878-902.
  13. Araujo T. Living up to the chatbot hype: the influence of anthropomorphic design cues and communicative agency framing on conversational agent and company perceptions. Comput Human Behav. 2018;85:183-9.
  14. Zhang J, Luximon Y, Li Q. Seeking medical advice in mobile applications: how social cue design and privacy concerns influence trust and behavioral intention in impersonal patient-physician interactions. Comput Human Behav. 2022;130:107178.
  15. Li Q, Luximon Y, Zhang J. The influence of anthropomorphic cues on patients’ perceived anthropomorphism, social presence, trust building, and acceptance of health care conversational agents: within-subject web-based experiment. J Med Internet Res. 2023;25:e44479.
  16. Harris-Watson AM, et al. Social perception in human-AI teams: warmth and competence predict receptivity to AI teammates. Comput Human Behav. 2023;145:107765.
  17. Schelble BG, et al. Addressing the role of context on trust in human-AI teams: the influence of team role and violation type in high-risk tasks. Ergonomics. 2025. doi:10.1080/00140139.2025.2570300.
  18. Mou Y, Ye X, Ma W. Building and repairing trust in chatbots: the interplay between social role and performance during interactions. Behav Sci (Basel). 2026;16(1):118.
  19. Glikson E, Woolley AW. Human trust in artificial intelligence: review of empirical research. Acad Manage Ann. 2020;14(2):627-60.
  20. Luo Y, Li S, Ye Q, Zheng J. How privacy calculus builds user engagement through trust in AI medical consultation. Electron Mark. 2025;35(1):50.
  21. Nouis SCE, Uren V, Jariwala S. Evaluating accountability, transparency, and bias in AI-assisted healthcare decision-making: a qualitative study of healthcare professionals’ perspectives in the UK. BMC Med Ethics. 2025;26(1):89.
  22. Eagly AH, Karau SJ. Role congruity theory of prejudice toward female leaders. Psychol Rev. 2002;109(3):573-98.
  23. Laï MC, Brian M, Mamzer MF. Perceptions of artificial intelligence in healthcare: findings from a qualitative survey study among actors in France. J Transl Med. 2020;18(1):14.
  24. Feine J, Gnewuch U, Morana S, Maedche A. A taxonomy of social cues for conversational agents. Int J Hum Comput Stud. 2019;132:138-61.
  25. Mayer RC, Davis JH, Schoorman FD. An integrative model of organizational trust. Acad Manage Rev. 1995;20(3):709-34.
  26. Nass C, Moon Y. Machines and mindlessness: social responses to computers. J Soc Issues. 2000;56(1):81-103.
  27. Epley N, Waytz A, Cacioppo JT. On seeing human: a three-factor theory of anthropomorphism. Psychol Rev. 2007;114(4):864-86.
  28. McAllister DJ. Affect- and cognition-based trust as foundations for interpersonal cooperation in organizations. Acad Manage J. 1995;38(1):24-59.
  29. McKnight DH, Choudhury V, Kacmar C. Developing and validating trust measures for e-commerce: an integrative typology. Inf Syst Res. 2002;13(3):334-59.
  30. Johnson D, Grayson K. Cognitive and affective trust in service relationships. J Bus Res. 2005;58(4):500-7.
  31. Bussone A, Stumpf S, O’Sullivan D. The role of explanations on trust and reliance in clinical decision support systems [conference paper]. Presented at: 2015 International Conference on Healthcare Informatics; 2015. p. 160-9. doi:10.1109/ICHI.2015.26.
  32. Li Y, Chen L, Fu L. Vicarious interaction in online health consultation service: the effects of generative AI’s anthropomorphism and social support on intended responses through social presence and source credibility. Int J Hum Comput Interact. 2025;41(17):11209-26.
  33. Short J, Williams E, Christie B. The social psychology of telecommunications. John Wiley & Sons; London; 1976.
  34. Gefen D, Straub DW. Consumer trust in B2C e-commerce and the importance of social presence: experiments in e-products and e-services. Omega. 2004;32(6):407-24.
  35. Lee JD, See KA. Trust in automation: designing for appropriate reliance. Hum Factors. 2004;46(1):50-80.
  36. Goodhue DL, Thompson RL. Task-technology fit and individual performance. MIS Q. 1995;19(2):213-36.
  37. Castelo N, Bos MW, Lehmann DR. Task-dependent algorithm aversion. J Mark Res. 2019;56(5):809-25.
  38. Parsons CS, et al. Task-technology fit of artificial intelligence-based clinical decision support systems: a review of qualitative studies. BMC Med Inform Decis Mak. 2025;25(1):397.
  39. Wutz M, Hermes M, Winter V, Köberlein-Neu J. Factors influencing the acceptability, acceptance, and adoption of conversational agents in health care: integrative review. J Med Internet Res. 2023;25:e46548.
  40. Faul F, Erdfelder E, Lang AG, Buchner A. G*Power 3: a flexible statistical power analysis program for the social, behavioral, and biomedical sciences. Behav Res Methods. 2007;39(2):175-91.
  41. Tadros FJ, et al. Perceived professionalism of a dietitian is not influenced by attire or white coat: a prospective, randomized online study. Top Clin Nutr. 2021;36(3):231-41.
  42. Shams G, Kim KK, Kim K. Enhancing service recovery satisfaction with chatbots: the role of humor and informal language. Int J Hosp Manag. 2024;120:103782.
  43. Hayes AF. Introduction to mediation, moderation, and conditional process analysis: a regression-based approach. 3rd ed. Guilford Press; New York; 2022.
  44. Delorme A, Makeig S. EEGLAB: an open source toolbox for analysis of single-trial EEG dynamics including independent component analysis. J Neurosci Methods. 2004;134(1):9-21.
  45. Pion-Tonachini L, Kreutz-Delgado K, Makeig S. ICLabel: an automated electroencephalographic independent component classifier, dataset, and website. Neuroimage. 2019;198:181-97.
  46. Cavanagh JF, Frank MJ. Frontal theta as a mechanism for cognitive control. Trends Cogn Sci. 2014;18(8):414-21.
  47. Buzzell GA, et al. Adolescent cognitive control, theta oscillations, and social observation. Neuroimage. 2019;198:13-30.
  48. Cavanagh JF, Cohen MX, Allen JJB. Prelude to and resolution of an error: EEG phase synchrony reveals cognitive control dynamics during action monitoring. J Neurosci. 2009;29(1):98-105.
  49. Dietvorst BJ, Simmons JP, Massey C. Algorithm aversion: people erroneously avoid algorithms after seeing them err. J Exp Psychol Gen. 2015;144(1):114-26.
  50. Jussupow E, Benbasat I, Heinzl A. An integrative perspective on algorithm aversion and appreciation in decision-making. MIS Q. 2024;48(4):1575-90.
  51. Lebiere C, Blaha L, Fallon C, Jefferson BA. Adaptive cognitive mechanisms to maintain calibrated trust and reliance in automation. Front Robot AI. 2021;8:652776.
  52. Dimoka A, et al. On the use of neurophysiological tools in IS research: developing a research agenda for NeuroIS. MIS Q. 2012;36(3):679-702.
  53. Riedl R, Hubert M, Kenning P. Are there neural gender differences in online trust? An fMRI study on the perceived trustworthiness of eBay offers. MIS Q. 2010;34(2):397-428.

الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.

إعادة الطباعة والأذونات

استكشف المزيد من المقالات

الثقة في الذكاء الاصطناعي الطبيتأطير الخبيرتأطير الرفيقتحليل تخطيط كهربية الدماغالاحترافية المدركةالحضور الاجتماعيالثقة المعرفيةالثقة العاطفية
تواصل معنا
أوصِ به للمكتبة

الخصوصية

شروط الاستخدام

السياسات

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