הרשמה ל-JoVE נדרשת לצפייה בתוכן זה. התחברו או התחילו בגרסת ניסיון בחינם.

מאמר שיטה

מסגור תפקידים ואמון בבינה מלאכותית רפואית: ראיות מניסוי תרחישים ומ-EEG

88 צפיות

⸱

DOI:

10.3791/73180

⸱

8 בספטמבר 2026

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

במאמר זה

סיכום

מחקר זה משלב ניסוי תרחישים ובדיקות EEG כדי לבחון כיצד מסגור של תפקידי מומחה ומלווה קשור לאמון בהקשרים שונים של משימות רפואיות.

תקציר

בינה מלאכותית רפואית מקוונת התפתחה מכלים אנליטיים של צד-שרת לממשקי שירות הפונים למטופלים, מה שהופך את נושא האמון המכויל (calibrated trust) לבעיה חשובה יותר ויותר של עיצוב וממשל. בהתבסס על תיאוריית התאמת התפקידים (role congruity theory), מחקר זה בחן כיצד מסגור של תפקיד מומחה לעומת תפקיד מלווה קשור לאמון בהקשרי משימות רפואיות שונות. במחקר 1 נעשה שימוש בניסוי תרחישים של 2 (תפקיד: מומחה לעומת מלווה) × 2 (משימה: ייעוץ למחלה לעומת ייעוץ בריאותי) (N = 300). מסגור כמומחה הגביר את המקצועיות הנתפסת, בעוד שמסגור כמלווה הגביר את הנוכחות החברתית; שתי התפיסות היו קשורות באופן עצמאי לאמון הכללי כאשר הן הוזנו בו-זמנית. הקשר העקיף דרך המקצועיות הותנה על ידי הקשר המשימה, אך השוואת bootstrap ישירה לא הראתה ששני מדדי התיווך הממותן (moderated-mediation) היו שונים עבור האמון הכללי. דיאגנוסטיקה של המדידות הצביעה על חפיפה משמעותית בין מקצועיות נתפסת לאמון קוגניטיבי, ובין נוכחות חברתית לאמון רגשי, מה שדורש פרשנות זהירה. מחקר 2 השווה בין הצהרות הממוסגרות כמומחה וכמלווה באמצעות EEG ב-39 תצפיות זוגיות. מסגור כמומחה לווה ב-ERS תטא פרונטלי-מרכזי גבוה יותר וב-ΔPLV תטא FCz-F6 פחות שלילי מתוקנן לבסיס, בעוד שההתנהגות ברמת התנאי לא הראתה הבדל מהימן בשיעור האמון, בזמן התגובה או בשיעור התגובות החסרות. ממצאי EEG אלו הם מתאמים חקרים ברמת התהליך ולא תיקוף עצבי של המודל העקיף המותנה. באופן כללי, נראה כי רמזי תפקיד מעצבים הערכות שאינן בלעדיות, המכוונות למסוגלות ומכוונות למערכת היחסים. עיצוב התפקיד צריך לתמוך בהסתמכות מכוילת באמצעות הגדרת גבולות יכולת, תקשור של אי-ודאות, אזהרות מבוססות סיכון והסלמה נאותה, במקום פשוט למקסם את האמון.

מבוא

בינה מלאכותית (AI) רפואית מקיפה כיום יישומים של צד-שרת (back-end) כגון זיהוי תמונות, ניתוח פתולוגי וגילוי תרופות, וכן ממשקי שירות הפונים למטופל. ניתוחים תעשייתיים צופים צמיחה מתמשכת של שוק ה-AI בתחום הבריאות עד שנת 20331. מודלי שפה גדולים מאפשרים למערכות AI רפואיות לענות על שאלות בריאותיות, לפרש תוצאות בדיקות, לסכם מידע ולספק המלצות בשפה טבעית2. שינוי זה משנה את מערכת היחסים של המשתמש עם הטכנולוגיה. כלי אנליטי של צד-שרת מוערך על ידי קלינאים וארגונים, בעוד שממשק הפונה למטופל חייב לתקשר למשתמשים את תפקידו, את הראיות, את מידת האי-ודאות ואת מגבלותיו. AI רפואית עשויה להופיע כעוזר אבחנתי, כממשק של רופא משפחה או כליווי לניהול הבריאות, וכל אחד מאלה יכול לעצב את האופן שבו המשתמשים תופסים את זהות השירות של המערכת. ככל שמערכות אלו משתתפות יותר בייעוץ למחלות ובניהול בריאות יומיומי, האמון הופך ליותר מאשר גישה כללית כלפי טכנולוגיה. הוא משפיע על השאלה האם משתמשים יחשפו מידע, האם יראו בהמלצות אמינות, האם יקימו אינטראקציה עם המערכת והאם יפעלו על פי הנחיות בריאותיות. לפיכך, אמון הוא שיקול מרכזי בתכנון ובממשל של פלטפורמות בריאות דיגיטליות.

יכולת טכנית לבדה אינה קובעת אם משתמשים יראו בבינה מלאכותית (AI) רפואית כמcredible ומקובלת. סקירות של סוכנים שיחתיים בתחום הבריאות מראות כי ההטמעה תלויה באיכות האינטראקציה, ברלוונטיות הקלינית, בשקיפות ובתנאי הפריסה3. עבודות אחרונות בנושא ראיות אמינות לבינה מלאכותית רפואית טוענות באופן דומה כי ביצועי המודל אינם מספיקים, אלא אם כן הטענות נתמכות בראיות המתאימות לשימוש המיועד4. שקיפות היא חיונית משום שמטופלים חייבים להיות מסוגלים לזהות את גבולות היכולת, את אי-הוודאות ואת הבסיס להמלצה, במקום להסיק מהימנות רק משפה רהוטה5. מחקר במערכות מידע ממסגר באופן דומה את האימוץ של אבחון מסייע-AI כבעיה של תצורת אמון, שבה יכולת הפרשנות, הגנת הפרטיות ורמזי הממשק מעצבים יחד את הקבלה6. שיקולים אלו חשובים עבור ממשקים של מודלי שפה. רהיטות יכולה להפוך תשובה לקלה להבנה, בעוד שהיא מותירה ללא מענה את השאלה האם למערכת יש ידע קליני, האם ההמלצה שלה רלוונטית לנסיבות המשתמש, ומתי נדרשת העברה לקלינאי מוסמך. השאלה הרלוונטית אינה רק האם בינה מלאכותית רפואית יכולה לספק תשובה, אלא האם משתמשים יכולים להעריך אותה ברמת הסתמכות הולמת.

האמון בבינה מלאכותית (AI) רפואית רגיש להקשר של המשימה. מחקרים על התנגדות ל-AI רפואית מראים כי משתמשים עשויים לדחות המלצות אלגוריתמיות בהחלטות בעלות סיכון גבוה, בשל אמונתם שאלגוריתם אינו יכול להתחשב בייחודיותם7. ההתנגדות אינה אוניברסלית. מחקרים על הערכת אלגוריתמים (Algorithm-appreciation) מצביעים על כך שאנשים עשויים להעדיף שיפוט אלגוריתמי כאשר המשימות הן אובייקטיביות והכללים ברורים יותר8. בייעוץ בריאות מקוון, רמת הפרסונליזציה והזהירות בעצות המיוצרות על ידי AI משפיעות על האמון והאימוץ9. מחקר של בחירה בדיסקרטיות (Discrete-choice research) המשווה בין ייעוצים קונבנציונליים, דיגיטליים ואלו המבוססים על AI, מצא באופן דומה כי ההעדפות וציפיות האמון משתנות בין הפורמטים השונים10. עבודת צוות בין בני אדם ל-AI יכולה גם היא להפחית התנגדות באמצעות העברת אמון ממומחיות אנושית למסגרת שירות נתמכת AI11. לפיכך, אמון ב-AI רפואית מתפתח דרך האינטראקציה בין סיכון נתפס, דרישות המשימה, סגנון התקשורת והערכת המערכת. ייעוץ בנושאי מחלה הופך את אי-הוודאות, ההפסד הפוטנציאלי, ההשלכות האבחנתיות ועלויות הטעות לבולטים. ייעוץ בריאות עוסק לעיתים קרובות יותר בתזונה, פעילות גופנית, שינה, היענות לטיפול וניהול מונע, שבהם אינטראקציה מתמשכת ונגישות רגשית עשויות לשאת משקל רב יותר. כתוצאה מכך, אותו רמז בממשק עשוי להתפרש באופן שונה כאשר משתמש מחפש עזרה במחלה אפשרית לעומת ניהול בריאות לטווח ארוך יותר.

מסגור תפקיד הוא מאפיין ממשק אחד שדרכו ניתן להעביר ציפיות אלו. בינה מלאכותית רפואית עשויה להיות ממוסגרת כמומחה המדגיש סמכות מקצועית, חשיבה מובנית, גבולות קליניים וראיות ליכולת, או כבן לוויה המדגיש אמפתיה, הרגעה, תמיכה חברתית והמשכיות. הבחנה זו קשורה למסוגלות וחמימות, שני הממדים של תפיסה חברתית, אך אינה מהווה פשוט בחירה בין מערכת מסוגלת למערכת חמימה12. סגנון התקשורת ומסגור הסוכנות משפיעים על הערכות של סוכני שיחה13. באפליקציות רפואיות לנייד, רמזים חברתיים וחששות פרטיות משפיעים במשותף על אמון ועל כוונה התנהגותית14. רמזים אנתרופומורפיים בסוכני שיחה בתחום הבריאות יכולים להגביר את הנוכחות החברתית, האמון והקבלה, אם כי הם עשויים גם ליצור ציפיות החורגות מיכולות המערכת15. מחקר על צוותי אדם-בינה מלאכותית מראה עוד כי חמימות ומסוגלות מנבאות צורות שונות של קבלה16. במשימות בסיכון גבוה, האמון תלוי בהתאמה בין תפקיד הצוות, הקשר המשימה והפרה של הביצועים17. עקביות בין התפקיד החברתי של צ'אטבוט לבין ביצועיו משפיעה גם היא על בנייה ותיקון של אמון18. לפיכך, רמזים של מומחה ובן לוויה הופכים סטנדרטים הערכתיים שונים לבולטים, במקום לשנות אך ורק את טון השיחה.

שני פערים נותרו. ראשית, המחקר לא הסביר כיצד הרלוונטיות של רמזים המכוונים לכשירות ולמערכות יחסים משתנה בהתאם לדרישות המשימה הרפואית. סקירות על אמון אנושי ב-AI מדגישות את התלות בהקשר אך אינן מבהירות כיצד רמזי מומחה ורמזי מלווה פועלים לאורך התייעצויות רפואיות למחלה לעומת התייעצויות לבריאות19. שנית, מחקרים על אמון ב-AI רפואי מסתמכים על דיווחים עצמיים, ובכך מספקים ראיות מוגבלות לגבי העיבוד הקוגניטיבי הקשור להערכה במסגרת תפקיד. פרטיות, שקיפות, אחריות והטיה מגבילים אף הם את הפרשנות של רמזי תפקיד בממשק המשתמש (front-end)20,21. כדי להתגבר על פערים אלו, מחקר זה נשען על תיאוריית ההלימה לתפקיד (role congruity theory), המסבירה הערכה באמצעות התאמה בין רמזי תפקיד לדרישות הבולטות בהקשר22. מחקר 1 משתמש בניסוי תרחישים אקראי של 2 (תפקיד: מומחה לעומת מלווה) x 2 (משימה: התייעצות למחלה לעומת התייעצות לבריאות) (N = 300) כדי לבחון מסגור תפקיד, הקשר משימה, וקשרי עקיפין מקבילים באמצעות מקצועיות נתפסת ונוכחות חברתית. מחקר 2 משתמש בניסוי EEG נפרד בתוך-נבדקים (N = 39) כדי להשוות פעילות בפס התטא בתגובה להיגדים הממוסגרים כמומחה וכמלווה. מחקר 1 מעריך קשרים התנהגותיים ומיתון הקשרי; מחקר 2 מספק השוואה גישושית ברמת התהליך ולא תיקוף עצבי של המודל העקיף המותנה.

מסגרת תיאורטית ופיתוח השערות

מסגור תפקידים בבינה מלאכותית רפואית

בינה מלאכותית רפואית פועלת בסביבות בעלות סיכון גבוה הכוללות סיכון למחלות, המלצות לטיפול, אחריות משפטית וגבולות אתיים23. לכן, הגדרת התפקיד היא משמעותית, שכן השפה בממשק המשתמש יכולה להפוך את גבולות היכולת, הראיות והאחריות לבולטים יותר או פחות עבור המשתמשים. באופן דומה, מחקרים על שקיפות מדגישים כי מערכות בינה מלאכותית רפואיות צריכות לתקשר את מגבלות היכולת ואת בסיסי הראיות שלהן5. תגובות בסגנון מומחה משדרות מיומנות באמצעות טרמינולוגיה פורמלית, נימוק מובנה, הצהרות על גבולות היכולת והמלצות לפעולה, בעוד שתגובות בסגנון מלווה משדרות תמיכה רגשית באמצעות אמפתיה, הרגעה וניסוח שיתופי. רמזים אלו אינם רק קישוט של הממשק: הם מעצבים את הסטנדרטים שהמשתמשים מחילים בעת הערכת המערכת24,25. אנתרופומורפיזם עשוי לעורר תגובות חברתיות, אך הוא עלול גם ליצור ציפיות לא מציאותיות ולטשטש את גבולות האחריות המשפטית26,27. מחקרים על צוותים של בני אדם ובינה מלאכותית ועל צ'אטבוטים מצביעים עוד על כך שחמימות, מיומנות, התאמה בין התפקיד להקשר ועקביות בין התפקיד החברתי לביצועים משפיעים על הקבלה ואמון16,17,18. במחקר זה, תואמות תפקידים מתייחסת להלימה בין הרמזים המועברים בתגובת הבינה המלאכותית לבין הדרישות ההערכתיות הבולטות במשימת הייעוץ22.

אמון בשני נתיבים: מקצועיות נתפסת ונוכחות חברתית

התאמה תפקידית (Role congruity) נגזרת מאינטראקציית התפקיד-מול-המשימה שנצפתה, ולא נמדדת כמבנה סובייקטיבי נפרד. לכן, הפרשנות קשורה לאינטראקציה הניסויית ואינה מרמזת על כך שהמשתתפים דיווחו באופן מודע על תחושה של התאמה לתפקיד. אמון כולל שיפוטים קוגניטיביים לגבי כשירות ואמינות, ושיפוטים רגשיים לגבי ביטחון ונוחות במערכת היחסים28,29,30. בשימוש ב-AI רפואי, המשתמשים מעריכים הן אם המערכת יכולה לתמוך בהחלטה בריאותית והן אם האינטראקציה איתה מרגישה בטוחה ונגישה מספיק. מסגור של מומחיות אמור להפוך את ההערכה המכוונת-כשירות לבולטת יותר. ראיות ממחקרים על תמיכה בהחלטות קליניות מעידות כי הסברים ומידע על הנימוקים של המערכת משפיעים על האמון וההסתמכות31. בייעוצים בריאותיים מקוונים, פרסונליזציה וטיפול קשורים אף הם לאמון ולקבלה9. מקצועיות נתפסת (Perceived professionalism) משקפת הערכה מכוונת-כשירות הרלוונטית לאמון25. מחקר על ייעוץ בריאותי מקוון מזהה באופן דומה את אמינות המקור כגורם הרלוונטי לקבלת המלצות בריאותיות על ידי משתמשים32. לכן, המחקר הנוכחי בודק האם מסגור של מומחיות קשור למקצועיות נתפסת גבוהה יותר.

H1: תפקידי ליווי (Companion roles) מייצרים תפיסה נמוכה יותר של מקצועיות בהשוואה למודלי בינה מלאכותית רפואית בסגנון מומחה.

מסגור של "בן לוויה" אמור להפוך את ההערכה הזוגית/בינאישית לבולטת יותר. נוכחות חברתית מתייחסת לאיכות הבינאישית הנתפסת של אינטראקציה מתווכת, ולא לאמונה שהמערכת היא אנושית33. היא קשורה לאיכות האינטראקציה, לאמון ולקבלה של שירותים מקוונים וסוכני שיחה בתחום הבריאות15,34.

נוכחות חברתית עשויה להפחית את העלות הפסיכולוגית של חשיפה עצמית ולתמוך בחליפין של מידע במהלך ייעוץ מקוון32. לפיכך, המחקר הנוכחי בוחן האם מסגור של ליווי (companion framing) קשור לנוכחות חברתית גבוהה יותר.

H2: תפקידי מומחה מייצרים נוכחות חברתית נמוכה יותר בהשוואה ל-Medical AIs בסגנון מלווה.

מקצועיות נתפסת ונוכחות חברתית נחשבות כהקשרים מקבילים שאינם מוצלבים עם אמון. הסתמכות נכונה על אוטומציה בעלת סיכון גבוה תלויה ביכולות המערכת, בגבולותיה ובדרישות המשימה, ולא רק במקסום האמון לבדו35.

H3: תפיסת מקצועיות ונוכחות חברתית חוזים באופן חיובי אמון כאשר הם מומדלים בו-זמנית.

השפעה ממתנת של הקשר המטלה

אותם רמזי תפקיד עשויים לשאת משקל פסיכולוגי שונה במשימות רפואיות שונות. התאמה בין משימה לטכנולוגיה (Task-technology fit) מספקת רציונל הקשרי לבחינה אם רמזי התפקיד תואמים את דרישות המשימה36. התייעצות רפואית כרוכה באי-ודאות גבוהה יותר, בסיכון להפסד ובעלויות של טעויות, מה שהופך את המקצועיות, הדיוק והגבולות הברורים לבולטים במיוחד7,37. לפיכך, רמזי מומחיות צריכים להיות תואמים יותר לדרישות אלו מאשר רמזי ליווי. ייעוץ בריאותי מתמקד בניהול בריאות לטווח ארוך, התמדה התנהגותית והמשכיות של האינטראקציה. סקירות של מערכות תומכות החלטה קלינית מבוססות AI וסוכני שיחה בריאותיים מדגישות את החשיבות של מידע הקשרי, יכולת ביצוע, אינטראקציה ותנאי יישום3,38,39.

מחקר זה חוזה כי ההבדל בין המומחה למלווה בתפיסת המקצועיות יהיה גדול יותר בייעוץ בנושא מחלה מאשר בייעוץ בנושא בריאות. הוא אינו מתייחס לאינטראקציה לא משמעותית בנוגע לנוכחות חברתית כראיה לאי-שינוי. ההשערה מוצעת באופן הבא:

H4: הקשר של המשימה ממתן באופן משמעותי את השפעת תפקידי המומחה על התפיסה של מקצועיות. ההשפעה חזקה יותר בייעוץ למחלה מאשר בייעוץ לבריאות.

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

פרוטוקול

סקירת המחקר

המחקר נערך בהתאם להצהרת הלסינקי ואושר על ידי ועדת האתיקה של אוניברסיטת Huaqiao (M2025021), אשר כיסתה הן את ניסוי התרחיש המקוון והן את ניסוי ה-EEG. כל המשתתפים נתנו הסכמה מדעת וקיבלו פיצוי עם הסיום.

מאמר זה כולל שני מחקרים משלימים (ראו איור 1). מחקר 1 הוא ניסוי תסריט אקראי של 2 × 2 המעריך השפעות של מסגור תפקיד והקשר משימה, בוחן את מבנה המדידה, ובודק קשרים עקיפים מותנים מקבילים באמצעות תפיסת מקצועיות ונוכחות חברתית. מחקר 2 הוא ניסוי EEG בתוך-נבדקים המשווה פעילות בפס התטא תחת הצהרות במסגור של מומחה לעומת מסגור של בן לוויה, ומפורש כהשוואה גששית ברמת התהליך. המחקרים מספקים ראיות התנהגותיות ועצביות ברמות שונות; הם אינם נתפסים כמנגנון רציף אחד.

מחקר 1: ניסוי תרחישים

משתתפים ומערך המחקר

במחקר 1 נעשה שימוש במערך בין-נבדקים מאוזן של 2 × 2 עם מסגור תפקיד (מומחה לעומת מלווה) והקשר משימה (ייעוץ רפואי לעומת ייעוץ בריאותי). חישוב G*Power המקורי הניח אפקט ANOVA כולל בינוני (f = 0.25), α = .05, ועוצמה של .80, והצביע על מינימום של 128 משתתפים40. מכיוון שחישוב זה לא הותאם לאפקטים עקיפים מותנים, הוא מדווח כבסיס הגיוס המקורי ולא כראיה לעוצמה עבור תיווך ממתן. עם N = 300 וארבעה תאים מאוזנים, ניתוח רגישות הראה עוצמה של 80% לזיהוי אינטראקציה של f = 0.162 (partial η2 = .026) ב-α = .05.

בנוסף, ביצענו ניתוח עוצמה מבוסס סימולציה בדיעבד (post hoc) עבור מדדי התיווך הממתן (moderated-mediation indices) באמצעות מערך נתוני השאלונים של SPSS שכלל 300 מקרים. הסימולציה יצרה 1,000 מקרי 2 מאוזנים × 2 דגימות ממודל המתווך-המקבילי המתואם באמצעות דגימה חוזרת של שאריות אמפיריות; עבור כל מערך נתונים סימולטיבי נעשה שימוש ברווחי סמך מסוג bootstrap-percentile עם 500 דגימות חוזרות של מקרים (case-resampled). ההסתברויות המוערכות לכך שרווח הסמך אינו כולל את הערך אפס היו .698 עבור מדד המקצועיות, .157 עבור מדד הנוכחות החברתית, ו-.279 עבור ההפרש הישיר בין שני המדדים. ניתוח זה מותנה במקדמים שנצפו, בהתפלגויות השאריות ובמפרט המודל, ואינו מהווה הצדקה מראש (a priori) לגודל המדגם. ניתוח העוצמה המלא המבוסס על סימולציית post hoc מוצג ב- טבלה משלימה S1.

שלוש מאות משתתפים גויסו באמצעות Credamo וחולקו באופן אקראי לארבעה תנאים (n = 75 לכל תא). המדגם כלל 109 גברים (36.3%) ו-191 נשים (63.7%); 43.7% היו בגילאי 21-30 שנים, 41.3% היו בגילאי 31-40 שנים, ו-69.7% החזיקו בתואר ראשון. כל פריטי השאלון הנדרשים הושלמו. לא נעשה שימוש בפריט ייעודי לבדיקת קשב או בהחרגה מוקדמת של זמן השלמה, ואף משתתף לא הוחרג. זמן ההשלמה החציוני היה 268 s (טווח = 67-1,894 s). ניתוח עמידות (robustness analysis) בדיעבד, שהוחרגו ממנו תשובות שזמן השלמתן היה נמוך מהאחוזון החמישי (<125 s; n שנותר = 285), העריך את הרגישות למענה מהיר באופן חריג. נתונים מפורטים של בדיקת המניפולציה וניתוחי רגישות של זמן ההשלמה מופיעים ב-Supplementary Table S2.

גירויים ניסיוניים והליך

חומרי הגירוי כללו מבוא לתרחיש המשימה ותגובת דיאלוג של רופא-AI, אשר יצרו ארבעה סטים ניסיוניים מלאים. בתרחיש הייעוץ הרפואי התבקשו המשתתפים לדמיין תחושת לחץ חוזרת בחזה ודפיקות לב במהלך הלילה, וחשש לגבי הצורך בטיפול דחוף בבית החולים. בתרחיש הייעוץ הבריאותי התבקשו המשתתפים לדמיין שהם במצב בריאותי טוב באופן כללי ומבקשים תוכנית תזונה ופעילות גופנית מותאמת אישית. כל קטגוריית משימה יוצגה על ידי תרחיש אחד; לפיכך, המסקנות מוגבלות לשני תרחישים אלה ולא מוכללות על כלל הייעוצים הרפואיים והבריאותיים.

בכל ארבעת צילומי המסך של השאלון נעשה שימוש באותו אייקון והוצג שם המערכת, Medical AI (DiagnosPro), ובכך נשמרה זהות תצוגה קבועה בין התנאים השונים. תשובות בניסוח של מומחה השתמשו בניתוח מובנה, הצהרות סיכון או ראיות, שפה מכוונת והמלצות מפורשות לפעולה. תשובות בניסוח של מלווה השתמשו באמפתיה, הרגעה, ניסוח שיתופי והצעות גמישות. לפיכך, המניפולציה ייצגה חבילה של רמזים מידעיים ותקשורת התואמת לתפקיד; היא לא בידלה בין ניסוח התפקיד לבין ספציפיות, יכולת ביצוע, ודאות, פירוט רפואי או תמיכה רגשית. ייתכן שהשם המשותף DiagnosPro העביר רמז של מומחיות בכל התנאים. מערך הגירויים המלא מופיע ב-Supplementary File 1.

המשתתפים קראו תחילה את טופס ההסכמה המדעית ולאחר מכן הוקצו באופן אקראי לאחד מארבעה תנאים ניסויים. לאחר קריאת התרחיש וגירוי הדיאלוג, הם מילאו את השאלון בהתבסס על תגובותיהם. השאלון נפתח בבדיקות מניפולציה, ולאחריהן מדדים של מקצועיות נתפסת, נוכחות חברתית, אמון ונתונים דמוגרפיים. ההליך ארך כ-15 min.

בכל הסולמות נעשה שימוש בדירוג Likert של 7 נקודות, כאשר 1 מייצג הסכמה חלשה מאוד ו-7 מייצג הסכמה חזקה מאוד. מקצועיות נתפסת נמדדה באמצעות שלושה פריטים: 'בינה מלאכותית רפואית זו מסוגלת לספק ייעוץ רפואי', 'בינה מלאכותית רפואית זו נראית מקצועית מאוד', ו-'בינה מלאכותית רפואית זו היא מומחית בתחום הרפואה' (α = .883)41. נוכחות חברתית נמדדה באמצעות שלושה פריטים: 'באינטראקציה עם בינה מלאכותית רפואית זו, הרגשתי מגע אנושי', 'האינטראקציה עם בינה מלאכותית רפואית זו גרמה לי להרגיש קרבה', ו-'בינה מלאכותית רפואית זו נראתה חברותית במהלך האינטראקציה' (α = .932)42. אמון קוגניטיבי כלל שלושה פריטים: 'אני יכול להסתמך על בינה מלאכותית רפואית זו מכיוון שיש לה את המיומנויות הדרושות למתן ייעוץ', 'אני בטוח בדיוק של הייעוץ המסופק על ידי בינה מלאכותית רפואית זו', ו-'לבינה מלאכותית רפואית זו יש יכולת מספקת לטפל בבעייתי הבריאותית' (α = .837). אמון רגשי כלל שלושה פריטים: 'בינה מלאכותית רפואית זו גורמת לי להרגיש חמימות ודאגה', 'ההסתמכות על בינה מלאכותית רפואית זו גורמת לי להרגיש בטוח מכיוון שנראה לה אכפת מהבריאות שלי', ו-'אני מאמין שבינה מלאכותית רפואית זו לא תעשה לי דבר מזיק במכוון' (α = .700). אמון כללי היה הממוצע של כל ששת פריטי האמון (α = .784). מדדים אלו נותחו כתוצאים של מומחיות, בין-אישיות, אמון קוגניטיבי, אמון רגשי ואמון כללי, ולא כמבנים מוהדרים זה מזה.

הניתוח התבצע בארבעה שלבים. ראשית, ניתוח גורמים מאשש (confirmatory factor analysis) השווה בין המודל המוצע בעל ארבעה גורמים לבין חלופות של שני גורמים וגורם אחד; נבחנו מהימנות מורכבת (composite reliability), שונות ממוצעת שהופקה (average variance extracted), מתאמים חבויים (latent correlations) ויחסי heterotrait-monotrait. שנית, מודלים פקטוריאליים מלאים של 2 x 2 העריכו השפעות עיקריות והשפעות אינטראקציה עבור מקצועיות נתפסת, נוכחות חברתית, אמון קוגניטיבי, אמון רגשי ואמון כללי, כולל ממוצעי תאים, רווחי סמך ו-η2 חלקי. הממוצעים השוליים המוערכים ורווחי סמך של 95% מוצגים ב-איור 2. שלישית, ב-PROCESS 4.2 beta Model 7 הוזנו מקצועיות נתפסת ונוכחות חברתית בו-זמנית כמתווכים מקבילים, עם 5,000 דגימות percentile-bootstrap43. מסגור התפקיד קודד כ-1 = מומחה ו-2 = מלווה, והקשר המשימה קודד כ-1 = ייעוץ למחלה ו-2 = ייעוץ לבריאות. bootstrap של דגימה חוזרת משותפת השווה ישירות את שני המדדים של תיווך ממותן (moderated mediation). רביעית, אמון קוגניטיבי ואמון רגשי נותחו בנפרד כתוצאות גששיות (exploratory outcomes). מכיוון שהמתווכים והתוצאות נמדדו בו-זמנית, ההערכות מפורשות כקשרים עקיפים העקביים עם תיווך ולא כמנגנונים פסיכולוגיים סיבתיים.

מחקר 2: ניסוי EEG

משתתפים

במחקר 2 גויסו 40 משתתפים. משתתף אחד הוצא מהמחקר כיוון שמספר הניסיונות שזוהמו בארטיפקטים עלה על 30% בלפחות תנאי ניסוי אחד, מה שהותיר 39 משתתפים בניתוחי ה-EEG הסופיים. קריטריון זה הבטיח שכל משתתף שנשאר תרם לפחות 70% מהניסיונות בכל תנאי. כל המשתתפים חתמו על הסכמה מדעת בכתב וקיבלו פיצוי לאחר הניסוי. מידע דמוגרפי לא ניתן היה לקשר לכל רשומות ה-EEG שנשמרו, ולכן הוא אינו מסוכם עבור מדגם ה-EEG הסופי.

גירויים ניסיוניים והליך

הניסוי נערך במעבדת EEG סטנדרטית תוך שימוש במערך תוך-נבדקים (within-subjects design), כאשר הגירויים הוצגו באמצעות E-Prime 2.1. המשתתפים התבקשו לדמיין אינטראקציה עם מערכת בינה מלאכותית (AI) רפואית ולהעריך את רמת האמון שלהם במערכת עבור כל תרחיש של ייעוץ רפואי. בניסוי בוצע מניפולציה על התפקיד הנתפס של מערכת ה-AI הרפואית, כולל גרסאות של סוג "מומחה" וסוג "ליווי".

בסך הכל נבנו 40 גירויי משפטים בסינית. תנאי סוג-המומחה הכיל 20 גירויים המתחילים ב"Medical AI expert", בעוד שתנאי סוג-הבן-זוג הכיל 20 גירויים מקבילים המתחילים ב"Medical AI companion". התרחישים הרפואיים כיסו הן פונקציות אבחנה מקצועיות, כגון שאילתות על היסטוריה רפואית, ניתוח דוחות בדיקה, הערכת נתוני קצב לב, פירוש בדיקות גנטיות, קביעת סיכון למחלה והמלצה על תוכניות טיפול, והן פונקציות תמיכה בניהול בריאות, כגון הבעת דאגה למצב הגופני, שאילתות על איכות השינה, הפגת חרדה, תיעוד נתוני בריאות, עידוד היצמדות לטיפול ומתן טיפים בריאותיים יומיומיים. לפיכך, התנאים נבדלו גם בתוכן הסמנטי ובמורכבות; לא בוצעו התאמה של גירויים עצמאיים או מבחן מקדים.

לפני הניסוי הפורמלי, המשתתפים השלימו בלוק תרגול קצר. כל ניסוי החל עם צלב קיבוע למשך 500 ms, ואחריו מרווח ריק משתנה (jittered) של 300–500 ms והצהרה של בינה מלאכותית רפואית שהוצגה למשך 1,600 ms. לאחר מכן, המשתתפים ביצעו שיפוט אמון בינארי בקצב עצמי על ידי לחיצה על מקש F לציון אמון או מקש J לציון חוסר אמון (ראו איור 3). הצהרות בניסוח של מומחה ובניסוח של בן לוויה הוצגו בסדר אקראי. יומני המשימות של E-Prime הצביעו על 80 ניסויים פורמליים לכל רשומת משימה: 40 ניסויי מומחה ו-40 ניסויי בן לוויה, כאשר כל אחת מ-20 ההצהרות הייחודיות לכל תפקיד הוצגה פעמיים.

נתוני משימה התנהגותית

נתוני המטלה ההתנהגותית היו שמישים עבור 38 מתוך 39 המשתתפים במדגם ה-EEG הסופי; רישום המטלה של משתתף אחד ב-E-Prime לא היה שמיש. לפיכך, ניתוחים התנהגותיים בוצעו עבור N = 38. תוצאות התנהגותיות מפורטות ופירוט המדגם מופיעים ב-Supplementary Table S3. אמון קודד כתגובה במקש F; תגובות במקש J העידו על אי-אמון. תגובות ריקות או זמן תגובה רשום של 0 ms קודדו כנתונים חסרים. שיעור האמון חושב בקרב הניסיונות שנענו, וזמן התגובה סוכם על פני הניסיונות שנענו. הנתונים העצביים שהיו זמינים לניתוח הכילו מדדים מצוברים לפי תנאי, אך לא מדדי EEG ברמת הניסוי או מזהה מאומת המקשר בין כל רישום התנהגותי לרישום ה-EEG שלו; לפיכך, לא הוערך מודל מעורב ברמת הניסוי עבור EEG ושיפוטי אמון.

הקלטה וניתוח EEG

נעשה שימוש בג'ל אלקטרוליט מוליך מסוג Quik-Gel כדי לשמור על עכבה (impedance) בין האלקטרודה לעור מתחת ל-5 kOhm. FCz שימש כרפרנס המקוון (online reference) כברירת מחדל של המכשיר, וקצב הדגימה היה 1,000 Hz. רפרנס לאחור (offline referencing) של הממוצע של ה-mastoids הדו-צדדיים בוצע באמצעות פונקציית ה-rereferencing המובנית של CURRY; FCz נשמר ושוחזר באופן אוטומטי ביחס לרפרנס החדש, ולא נעשה שימוש בפקודת שחזור מותאמת אישית או בסקריפט. עיבוד לאחור (offline processing) עוקב בוצע ב-MATLAB R2020b עם EEGLAB44 ו-ICLabel45. הנתונים עברו דגימה מחדש (downsampled) ל-500 Hz וסינון מעביר-פס (band-pass filtered) מ-0.1 עד 40 Hz. ערוצים פגומים ומקטעי נתונים מזוהמים באופן גס זוהו והוסרו באמצעות בדיקה ויזואלית; לא הוחל סף אינטרפולציה אוטומטי או סף דחייה אוטומטי של מקטעים. לאחר מכן נעשה שימוש במימוש ברירת המחדל של EEGLAB runica (אלגוריתם Infomax ICA), ורכיבים הוסרו כאשר ICLabel הקצה הסתברות של לפחות .70 למחלקה של ארטיפקט (למשל, פעילות עינית, שרירית, לבבית, רעש קו או רעש ערוץ). משתתפים עם יותר מ-30% ניסיונות מזוהמי ארטיפקטים באחד התנאים הוצאו מהמחקר, כדי להבטיח שימור של לפחות 70% מהניסיונות בכל תנאי. תקופות הזמן (Epochs) נפרשו מ-1,000- עד 1,996 ms. לצורך ניתוח קישוריות פונקציונלית, הנתונים שעברו עיבוד מקדיים עברו דגימה מחדש נוספת ל-250 Hz, ואלקטרודות פריפריאליות, כולל P7, P8, F7 ו-F8, הוצאו לפני הערכת סנכרון הפאזה (phase-synchrony).

פעילות תטא (Theta) שנרשמה באתרים בקרקפת באזור המצח-קו האמצעי נקשרה לחישובים המופעלים על ידי דרישות של בקרה קוגניטיבית46. סנכרון פאזה בפס תטא בין אתרי אלקטרודות פרונטליים מדיאליים ולטרליים נקשר גם הוא לתיאום במהלך עיבוד הקשור לבקרה47. בפרט, סנכרון פאזה מוגבר בפס תטא בין אתרים כגון FCz ו-F6 נצפה בעקבות זיהוי קונפליקט או שגיאה48. מכיוון שמדדים אלו של הקרקפת אינם ספציפיים באופן בלעדי לבקרה קוגניטיבית, הם נחשבים כאן כמדדי תהליך מתכנסים ולא כקריאות ישירות של מנגנון קוגניטיבי יחיד.

ראשית, בוצע כימות של סנכרון תלוי-אירוע (ERS) בתדר תטא בקו האמצע הפרונטלי בטווח של 4–8 Hz בתוך חלון זמן של 800–1,000 ms לאחר הגירוי. ה-ERS חושב באמצעות ניתוח זמן-תדר, כאשר השינוי בעוצמה היחסית חושב ביחס לקו הבסיס של 500–200- ms לפני הגירוי. ערכים חיוביים מעידים על הגברה של העוצמה (סנכרון), בעוד שערכים שליליים מעידים על דיכוי של העוצמה (דה-סנכרון). שנית, הקישוריות התפקודית נאמדה לאחר דגימה מחדש (downsampling) של הנתונים שעברו עיבוד מקדמי ל-250 Hz והסרה של אלקטרודות פריפריאליות, כולל P7, P8, F7 ו-F8. הוחל שינוי פורייה לזמן קצר (STFT) לפני חישוב ערך נעילת הפאזה (PLV) בתדר תטא בין FCz ל-F6. השינוי ב-PLV המתוקנן לקו הבסיס (ΔPLV) חושב ביחס לקו הבסיס של 600–200- ms לפני הגירוי. ערכי PLV גולמיים חסומים בין 0 ל-1; לכן, ערכי ΔPLV שליליים מעידים על ירידה ביחס לקו הבסיס ולא על נעילת פאזה שלילית. מדדי קרקפת אלו מפורשים כדפוסים גששים הקשורים לעיבוד הקשור לבקרה ותיאום פרה-פרונטלי; הם אינם מזהים באופן ישיר תהליך קוגניטיבי ספציפי או מקור עצבי.

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

תוצאות

מחקר 1: תוצאות ניסוי-תרחיש

מודל המדידה. המודל בעל ארבעת הגורמים התאים טוב יותר מהחלופות של שני גורמים או גורם אחד, אך ההתאמה המוחלטת הייתה מעורבת: χ2(48) = 223.93, p < .001; CFI = .935; TLI = .911; RMSEA = .111; SRMR = .140. המטענים המתוקננים נעו בין .382 ל-.937. המהימנות המורכבת הייתה .886 עבור מקצועיות נתפסת, .932 עבור נוכחות חברתית, .840 עבור אמון קוגניטיבי, ו-.709 עבור אמון רגשי; ערכי ה-AVE התואמים היו .722, .821, .636, ו-.474. התוקף המבדיל היה מוגבל: ערכי HT...

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

דיון

השלכות תיאורטיות

שני המחקרים מספקים ראיות ברמות שונות. מחקר 1 מזהה קשרים בין תפקיד למשימה וקשרים עקיפים מקבילים בניסוי תרחישים אקראי, בעוד שמחקר 2 מספק השוואת EEG גששית ברמת התהליך. לפיכך, המחקרים תומכים בגישה מוגבלת של הערכה ממוסגרת-תפקיד ולא במנגנון הדרגתי יחיד. הממצאים מרחיבים את תאוריית התיאום התפקידי (role congruity theory) לתחום ה-AI הרפואי על ידי התייחסות לתיאום כהלימה בין רמזי תפקיד לבין דרישות הערכתיות בולטות למשימה22. פרשנות זו נבדלת מתוכני כש...

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

גילויים

למחברים אין ניגודי עניינים להצהיר עליהם.

במהלך הכנת עבודה זו, השתמשו המחברים ב-ChatGPT לשיפור השפה. לאחר השימוש בכלי/שירות זה, סקרו וערוכו המחברים את התוכן לפי הצורך והם נושאים באחריות מלאה לתוכן הפרסום.

תודות

פרויקט מחקר זה נתמך על ידי ה-National Social Sciences Funded General Projects, PRC (מענק מספר 22BGL006).

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

חומרים

רשימת החומרים שנעשה בהם שימוש במאמר זה
שםחברהמספר קטלוגהערות
פלטפורמת סקרי Credamo מקוונתCredamo (Jianshu), Chinaלא רלוונטיפלטפורמה לשאלונים מקוונים, הקצאה אקראית וגיוס משתתפים ששימשה במחקר 1.
פונקציית rereferencing של CURRYCompumedics Neuroscan, USAגרסה לא צוינהביצוע rereferencing לא מקוון מובנה מרפרנס FCz מקוון לממוצע mastoid דו-צדדי; FCz שוחזר אוטומטית ביחס לרפרנס החדש.
כיפת אלקטרודות EEG, 64 ערוציםCompumedics Neuroscan (Compumedics Limited), Australiaדגם/מספר קטלוג לא צוינוכיפת אלקטרודות Ag/AgCl בעלת 64 ערוצים ששימשה להקלטת EEG רציפה.
EEGLABSwartz Center for Computational Neuroscience, University of California San Diego, USAגרסה 2023.0ארגז כלים של MATLAB ששימש לעיבוד מקדים של EEG ולניתוח רכיבים בלתי תלויים (ICA).
E-PrimePsychology Software Tools, Inc., USAגרסה 2.1הצגת גירויים ואיסוף תגובות במחקר 2.
G*PowerHeinrich Heine University Dusseldorf, Germanyגרסה 3.1.9.7חישוב גודל מדגם a priori מקורי, ניתוח רגישות לאינטראקציה וניתוח עוצמה (power analysis) מבוסס מודל post hoc עבור מחקר 1.
IBM SPSS StatisticsIBM Corp., USAגרסה 27סביבה סטטיסטית ששימשה להרצת מאקרו PROCESS.
ICLabelSwartz Center for Computational Neuroscience, University of California San Diego, USAגרסה 1.7תוסף של EEGLAB ששימש לסיווג רכיבים בלתי תלויים המהווים ארטיפקטים.
MATLABThe MathWorks, Inc., USAגרסה R2020bסביבת מחשוב ששימשה לעיבוד וניתוח EEG.
מאקרו PROCESS עבור SPSSAndrew F. Hayes, Canadaגרסה 4.2 betaמודל 7 כאשר מקצועיות נתפסת ונוכחות חברתית הוזנו בו-זמנית כמתווכים מקבילים, תוך שימוש ב-5,000 דגימות bootstrap percentile במחקר 1.
ג'ל אלקטרוליט מוליך Quik-GelCompumedics Neuroscan (Compumedics Limited), Australiaמספר קטלוג לא צוין; 32 ozג'ל מוליך ששימש להפחתת עכבת אלקטרודה-עור במהלך הקלטת EEG.
מגבר EEG מסוג SynAmps2Compumedics Neuroscan (Compumedics Limited), AustraliaSynAmps2; מספר קטלוג לא צויןמגבר EEG בעל 64-256 ערוצים שהוגדר להקלטה של 64 ערוצים.

מקורות

  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.

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

הדפסות חוזרות והרשאות

גלה מאמרים נוספים

אמון בבינה מלאכותית רפואיתמסגור כמומחהמסגור כבן לוויהניתוח EEGמקצועיות נתפסתנוכחות חברתיתאמון קוגניטיביאמון רגשי
צרו קשר
המליצו לספרייה

פרטיות

תנאי שימוש

מדיניות

זכויות יוצרים © 2026 MyJoVE Corporation. כל הזכויות שמורות.