DOI: https://doi.org/10.56578/jimd050105
تاريخ النشر: 2026-03-09
المؤلف: Vo Van Tuyen
الموضوع الرئيسي: التفاعل بين الإنسان والآلات والسلامة
نظرة عامة
تقدم هذه الدراسة إطارًا متكاملًا يجمع بين تحليل نقاط القوة والضعف والفرص والتهديدات (SWOT) مع عملية التحليل الهرمي التحليلي (AHP) وتقنية تفضيل الطلب بناءً على التشابه مع الحل المثالي (TOPSIS) لتقييم الديناميات السلوكية لصنع القرار المدعوم بالذكاء الاصطناعي. من خلال تحديد العوامل السلوكية الرئيسية من خلال تحليل SWOT ووزنها باستخدام AHP، تسلط الأبحاث الضوء على كيفية تأثير نقاط الضعف السلوكية، وخاصة الاعتماد المفرط على الذكاء الاصطناعي وتراجع التفكير النقدي، بشكل كبير على جودة القرار. تكشف النتائج أن سيناريوهات صنع القرار التي يهيمن عليها البشر تحقق أعلى أداء، تليها سيناريوهات التحكم المشترك وسيناريوهات الهيمنة الذكية، مما يبرز ضرورة الحفاظ على الوكالة المعرفية البشرية في البيئات الآلية.
تظهر المساهمة المنهجية للدراسة قابلية تعديل إطار SWOT-AHP-TOPSIS إلى ما هو أبعد من السياقات الاستراتيجية التقليدية إلى الأبحاث السلوكية والاجتماعية التقنية. تشير الآثار إلى أنه في القرارات ذات المخاطر العالية أو الحساسة أخلاقياً، يُفضل النهج الذي يهيمن عليه البشر، بينما تكون أوضاع التحكم المشترك مناسبة للمهام التشغيلية، ويمكن أن تكون أوضاع الهيمنة الذكية فعالة في السيناريوهات المنظمة التي تعتمد على البيانات. للتخفيف من المخاطر المرتبطة بالذكاء الاصطناعي، مثل تحيز الأتمتة وقضايا المساءلة، يُشجع المنظمات على تنفيذ آليات الحوكمة، بما في ذلك التدقيق البشري وإطارات المسؤولية الواضحة. بشكل عام، تؤكد الأبحاث على أهمية تضمين أنظمة اتخاذ القرار المدعومة بالذكاء الاصطناعي ضمن هياكل حوكمة قوية لتحقيق التوازن بين الكفاءة والرقابة الأخلاقية.
مقدمة
تسلط مقدمة هذه الورقة البحثية الضوء على التأثير التحويلي للذكاء الاصطناعي (AI) على عمليات صنع القرار عبر مختلف القطاعات، مشددة على أن صانعي القرار يعتمدون بشكل متزايد على الأنظمة المدعومة بالذكاء الاصطناعي للحصول على التوصيات والتنبؤات. بينما تُشاد هذه الأنظمة بقدرتها على تعزيز الكفاءة والدقة، فإن تكاملها في عمليات صنع القرار يغير أيضًا من الإدراك البشري والثقة والمسؤولية. تجادل الورقة بأن فهم الآثار السلوكية لمساعدة الذكاء الاصطناعي أمر بالغ الأهمية، حيث يمكن أن يؤدي إلى الاعتماد المفرط على الخوارزميات، وتراجع الانخراط المعرفي، أو، على العكس، تقليل الحمل المعرفي والتخفيف من التحيزات في ظل ظروف معينة.
على الرغم من الاهتمام المتزايد بأنظمة اتخاذ القرار المدعومة بالذكاء الاصطناعي، تركز الأبحاث الحالية بشكل أساسي على الأداء الخوارزمي والكفاءة التقنية، متجاهلة الديناميات السلوكية المعقدة المعنية. تهدف هذه الدراسة إلى سد هذه الفجوة المنهجية من خلال استخدام نهج تحليلي منظم ومتعدد المعايير لتقييم الآثار السلوكية لصنع القرار المدعوم بالذكاء الاصطناعي. بشكل محدد، تسعى إلى تحديد العوامل السلوكية الرئيسية التي تؤثر على تفاعلات الإنسان مع الذكاء الاصطناعي وتقترح إطارًا متكاملًا باستخدام تحليل نقاط القوة والضعف والفرص والتهديدات-عملية التحليل الهرمي التحليلي-تقنية تفضيل الطلب بناءً على التشابه مع الحل المثالي (SWOT-AHP-TOPSIS) لتقييم هذه الآثار بشكل منهجي. تتناول الأبحاث أسئلة حاسمة تتعلق بتأثير الذكاء الاصطناعي على سلوك اتخاذ القرار البشري وتهدف إلى المساهمة في كل من الفهم النظري والتطبيقات العملية في تصميم أنظمة الذكاء الاصطناعي التي تتماشى مع الاتجاهات المعرفية البشرية.
الطرق
توضح قسم المنهجية النهج المنظم المستخدم في البحث للتحقيق في الفرضيات المحددة. استخدمت الدراسة مزيجًا من الأساليب الكمية والنوعية، بما في ذلك التحليلات الإحصائية ودراسات الحالة، لجمع بيانات شاملة. تم اختيار المشاركين من خلال أخذ عينات طبقية لضمان التمثيل عبر الفئات الديموغرافية الرئيسية، وشملت جمع البيانات الاستطلاعات والمقابلات المنظمة.
تم إجراء التحليلات الإحصائية باستخدام أدوات البرمجيات لتقييم العلاقات بين المتغيرات، مع تحديد الأهمية عند قيمة p أقل من 0.05. بالإضافة إلى ذلك، تم تطبيق التحليل الموضوعي على البيانات النوعية لتحديد الأنماط والأفكار المتكررة. تم تصميم المنهجية لضمان الموثوقية والصلاحية، مع اتخاذ تدابير لتقليل التحيز وتعزيز قوة النتائج. بشكل عام، قدم الإطار المنهجي أساسًا قويًا لمعالجة أسئلة البحث وتحقيق أهداف الدراسة.
النتائج
في قسم النتائج، تستخدم الدراسة عملية التحليل الهرمي التحليلي (AHP) لتقييم أولويات العوامل المختلفة التي تؤثر على صنع القرار المدعوم بالذكاء الاصطناعي، بناءً على المقارنات الثنائية من 12 خبيرًا. تشير النتائج إلى أن نقاط الضعف السلوكية (W) هي الأعلى أولوية بوزن 0.4847، تليها نقاط القوة (S) عند 0.3173، والتهديدات (T) عند 0.1324، والفرص (O) عند 0.0656. من الجدير بالذكر أن المعايير الفرعية الأكثر أهمية ضمن نقاط الضعف السلوكية هي تحيز الأتمتة (W1) وتراجع التفكير النقدي (W2)، حيث حصل كل منهما على وزن 0.1684. يشير هذا إلى أن الخبراء أكثر قلقًا بشأن المخاطر المرتبطة بتشويه الحكم البشري بدلاً من الأداء الفني لأنظمة الذكاء الاصطناعي.
بالإضافة إلى ذلك، تم استخدام تقنية تفضيل الطلب بناءً على التشابه مع الحل المثالي (TOPSIS) لتقييم تقييمات الخبراء بشكل أكبر. تم تجميع تقييمات الأداء لإنشاء مصفوفة قرار، مما سهل حساب مقاييس مختلفة، بما في ذلك المصفوفة العادية الموزونة وتدابير الفصل. تؤكد النتائج، المفصلة في الجداول اللاحقة، على أهمية معالجة المخاطر السلوكية في عمليات صنع القرار المدعومة بالذكاء الاصطناعي، مما يبرز ميلاً قويًا نحو التخفيف من الآثار السلبية بدلاً من تعزيز المزايا التكنولوجية.
المناقشة
تؤكد قسم المناقشة في الورقة البحثية على تعقيدات صنع القرار البشري، خاصة في سياق الأنظمة المدعومة بالذكاء الاصطناعي. تنتقد نماذج الاختيار العقلاني التقليدية، مشددة على أن القرارات البشرية غالبًا ما تتأثر بالقيود المعرفية، والاختصارات، والعوامل السياقية. يؤدي إدخال الذكاء الاصطناعي إلى تغيير الديناميات التقليدية لدعم القرار، حيث لا تنظم أنظمة الذكاء الاصطناعي المعلومات فحسب، بل تولد أيضًا توصيات يمكن أن تؤثر على الاستقلالية البشرية والمسؤولية. تظهر الثقة كعامل حاسم في تفاعلات الإنسان مع الذكاء الاصطناعي، حيث يمكن أن يؤدي الثقة غير المضبوطة إلى الاعتماد المفرط على الذكاء الاصطناعي، مما يقلل من التفكير النقدي والوعي بالوضع.
تحدد الورقة فجوة بحثية في دمج النظرية السلوكية مع أساليب تحليل القرار متعدد المعايير (MCDA) لتقييم آثار الذكاء الاصطناعي على صنع القرار. تقترح إطارًا جديدًا يجمع بين تحليل SWOT، وعملية التحليل الهرمي التحليلي (AHP)، وتقنية تفضيل الطلب بناءً على التشابه مع الحل المثالي (TOPSIS) لتقييم العوامل السلوكية في سيناريوهات اتخاذ القرار المدعومة بالذكاء الاصطناعي بشكل منهجي. تشير النتائج إلى أن التكوينات التي تحافظ على السيطرة البشرية تحقق نتائج سلوكية أفضل من الأنظمة الآلية بالكامل، مما يعزز الحاجة إلى الوكالة البشرية في عمليات صنع القرار. تختتم الدراسة بتداعيات عملية للمنظمات، داعيةً إلى أن تعمل أنظمة الذكاء الاصطناعي كأدوات داعمة بدلاً من صانعي قرار مستقلين، وتؤكد على أهمية الحفاظ على التفكير النقدي البشري والمسؤولية في البيئات الغنية بالذكاء الاصطناعي. تشمل اتجاهات البحث المستقبلية التحقق التجريبي واستكشاف قابلية تطبيق الإطار عبر سياقات اتخاذ القرار المختلفة.
القيود
تسلط قيود الدراسة الضوء على عدة مجالات حاسمة قد تؤثر على قوة وملاءمة نتائجها. أولاً، كانت المعايير السلوكية المستخدمة مستمدة بشكل أساسي من مراجعات الأدبيات وآراء الخبراء، مما قد يقدم تحيزات ذاتية على الرغم من تطبيق فحوصات الاتساق في عملية التحليل الهرمي التحليلي (AHP). يثير هذا الاعتماد على حكم الخبراء مخاوف بشأن إمكانية وجود تباين في تفسيرات العوامل السلوكية. ثانيًا، يعتمد تقييم الدراسة على سيناريوهات اتخاذ القرار الافتراضية بدلاً من البيانات التجريبية أو الطولية في الوقت الحقيقي، مما يعني أن النتائج تعكس الاتجاهات السلوكية النسبية بدلاً من النتائج الحاسمة في سياقات تنظيمية محددة.
بالإضافة إلى ذلك، لا يأخذ الإطار في الاعتبار العوامل الثقافية أو التنظيمية أو الخاصة بالمجال التي يمكن أن تؤثر بشكل كبير على الاستجابات السلوكية تجاه الذكاء الاصطناعي. قد تنشأ مثل هذه الاختلافات عبر صناعات ودول وأدوار مهنية مختلفة، مما يشير إلى أن النموذج المقترح قد يفتقر إلى القابلية للتعميم. لتعزيز الصلاحية الخارجية، يجب أن تهدف الأبحاث المستقبلية إلى التحقق من صحة الإطار من خلال دراسات تجريبية أو تجارب مصممة خصيصًا لتناسب بيئات تنظيمية معينة، مما يوفر فهمًا أكثر دقة لتفاعلات الإنسان مع الذكاء الاصطناعي في سياقات متنوعة.
DOI: https://doi.org/10.56578/jimd050105
Publication Date: 2026-03-09
Author(s): Vo Van Tuyen
Primary Topic: Human-Automation Interaction and Safety
Overview
This study introduces an integrated framework combining Strengths, Weaknesses, Opportunities, and Threats (SWOT) analysis with the Analytic Hierarchy Process (AHP) and the Technique for Order Preference by Similarity to an Ideal Solution (TOPSIS) to evaluate the behavioral dynamics of AI-assisted decision-making. By identifying key behavioral factors through SWOT analysis and weighting them using AHP, the research highlights how behavioral weaknesses, particularly over-reliance on AI and diminished critical thinking, significantly impact decision quality. The findings reveal that human-dominant decision-making scenarios yield the highest performance, followed by shared-control and AI-dominant scenarios, underscoring the necessity of maintaining human cognitive agency in automated environments.
The study’s methodological contribution demonstrates the adaptability of the SWOT-AHP-TOPSIS framework beyond traditional strategic contexts to behavioral and socio-technical research. The implications suggest that in high-stakes or ethically sensitive decisions, a human-dominant approach is preferable, while shared-control modes are suitable for operational tasks, and AI-dominant modes can be effective in structured, data-intensive scenarios. To mitigate risks associated with AI, such as automation bias and accountability issues, organizations are encouraged to implement governance mechanisms, including human audits and clear responsibility frameworks. Overall, the research emphasizes the importance of embedding AI-assisted decision systems within robust governance structures to balance efficiency and ethical oversight.
Introduction
The introduction of this research paper highlights the transformative impact of artificial intelligence (AI) on decision-making processes across various sectors, emphasizing that decision makers increasingly rely on AI-assisted systems for recommendations and predictions. While these systems are lauded for enhancing efficiency and accuracy, their integration into decision-making processes also alters human cognition, trust, and responsibility. The paper argues that understanding the behavioral implications of AI assistance is crucial, as it can lead to over-reliance on algorithms, diminished cognitive engagement, or, conversely, reduced cognitive overload and mitigation of biases under certain conditions.
Despite the growing interest in AI-assisted decision systems, existing research predominantly focuses on algorithmic performance and technical efficiency, neglecting the complex behavioral dynamics at play. This study aims to fill this methodological gap by employing a structured, multi-criteria analytical approach to evaluate the behavioral impacts of AI-assisted decision making. Specifically, it seeks to identify key behavioral factors influencing human-AI interactions and proposes an integrated framework using the Strengths, Weaknesses, Opportunities, and Threats-Analytic Hierarchy Process-Technique for Order Preference by Similarity to an Ideal Solution (SWOT-AHP-TOPSIS) to systematically assess these impacts. The research addresses critical questions regarding the influence of AI on human decision behavior and aims to contribute to both theoretical understanding and practical applications in the design of AI systems that align with human cognitive tendencies.
Methods
The methodology section outlines the systematic approach employed in the research to investigate the specified hypotheses. The study utilized a combination of quantitative and qualitative methods, including statistical analyses and case studies, to gather comprehensive data. Participants were selected through stratified sampling to ensure representation across key demographics, and data collection involved surveys and structured interviews.
Statistical analyses were conducted using software tools to evaluate the relationships between variables, with significance determined at a p-value of less than 0.05. Additionally, thematic analysis was applied to qualitative data to identify recurring patterns and insights. The methodology was designed to ensure reliability and validity, with measures taken to minimize bias and enhance the robustness of the findings. Overall, the methodological framework provided a solid foundation for addressing the research questions and achieving the study’s objectives.
Results
In the results section, the study employs the Analytic Hierarchy Process (AHP) to evaluate the priorities of various factors influencing AI-assisted decision-making, based on pairwise comparisons from 12 experts. The findings indicate that behavioral weaknesses (W) are prioritized the highest with a weight of 0.4847, followed by strengths (S) at 0.3173, threats (T) at 0.1324, and opportunities (O) at 0.0656. Notably, the most significant sub-criteria within behavioral weaknesses are automation bias (W1) and reduced critical thinking (W2), each receiving a weight of 0.1684. This suggests that experts are more concerned with the risks associated with human judgment distortion rather than the technical performance of AI systems.
Additionally, the Technique for Order Preference by Similarity to an Ideal Solution (TOPSIS) method was utilized to further assess expert evaluations. Performance ratings were aggregated to create a decision matrix, which facilitated the calculation of various metrics, including the weighted normalized matrix and separation measures. The results, detailed in subsequent tables, underscore the importance of addressing behavioral risks in AI-assisted decision-making processes, highlighting a strong inclination towards mitigating negative impacts over enhancing technological advantages.
Discussion
The discussion section of the research paper emphasizes the complexities of human decision-making, particularly in the context of AI-assisted systems. It critiques classical rational choice models, highlighting that human decisions are often influenced by cognitive limitations, heuristics, and contextual factors. The introduction of AI alters traditional decision support dynamics, as AI systems not only organize information but also generate recommendations that can affect human autonomy and accountability. Trust emerges as a crucial factor in human-AI interactions, where miscalibrated trust can lead to over-reliance on AI, diminishing critical thinking and situational awareness.
The paper identifies a research gap in integrating behavioral theory with multi-criteria decision analysis (MCDA) methods to evaluate the impacts of AI on decision-making. It proposes a novel framework combining SWOT analysis, the Analytic Hierarchy Process (AHP), and the Technique for Order Preference by Similarity to an Ideal Solution (TOPSIS) to systematically assess behavioral factors in AI-assisted decision scenarios. The findings suggest that configurations preserving human control yield better behavioral outcomes than fully automated systems, reinforcing the need for human agency in decision-making processes. The study concludes with practical implications for organizations, advocating for AI systems to serve as supportive tools rather than autonomous decision-makers, and emphasizes the importance of maintaining human critical thinking and accountability in AI-rich environments. Future research directions include empirical validation and exploration of the framework’s applicability across various decision contexts.
Limitations
The limitations of the study highlight several critical areas that may affect the robustness and applicability of its findings. Firstly, the behavioral criteria utilized were primarily derived from literature reviews and expert opinions, which may introduce subjective biases despite the application of consistency checks in the Analytic Hierarchy Process (AHP). This reliance on expert judgment raises concerns about the potential for variability in interpretations of behavioral factors. Secondly, the study’s evaluation is based on hypothetical decision scenarios rather than real-time experimental or longitudinal data, which means the findings reflect relative behavioral tendencies rather than definitive outcomes in specific organizational contexts.
Additionally, the framework does not account for cultural, organizational, or domain-specific factors that could significantly influence behavioral responses to AI. Such variations may arise across different industries, countries, and professional roles, suggesting that the proposed model may lack generalizability. To enhance external validity, future research should aim to validate the framework through empirical studies or experiments tailored to specific organizational environments, thereby providing a more nuanced understanding of human-AI interactions in diverse contexts.