DOI: https://doi.org/10.2196/65567
PMID: https://pubmed.ncbi.nlm.nih.gov/40116853
تاريخ النشر: 2025-03-21
المؤلف: Janne Kauttonen وآخرون
الموضوع الرئيسي: الذكاء الاصطناعي في الرعاية الصحية والتعليم
نظرة عامة
تستكشف هذه الدراسة العوامل التي تؤثر على الثقة وقبول الذكاء الاصطناعي (AI) في الرعاية الصحية، مع التأكيد على أهمية مواقف المستهلكين والمتغيرات الديموغرافية. تم تقييم استعداد 1,100 مشارك فنلندي لاستخدام الذكاء الاصطناعي عبر ثمانية حالات استخدام في الرعاية الصحية من خلال استبيان عبر الإنترنت، مما كشف أن مواقف التكنولوجيا، وسمات الشخصية، والاستخدام العام للتكنولوجيا تؤثر بشكل كبير على الثقة ونية اعتماد الذكاء الاصطناعي، بدلاً من التطبيقات المحددة نفسها. كانت التطبيقات غير الغازية للذكاء الاصطناعي، مثل أجهزة مراقبة النشاط والصحة، مفضلة، بينما واجهت الاستخدامات الأكثر حساسية، مثل مراقبة الصحة النفسية، تشككًا.
تشمل النتائج الرئيسية علاقة على شكل حرف U مقلوب بين المعرفة الذاتية بالذكاء الاصطناعي والمواقف الإيجابية، مما يشير إلى أن كلا من مستويات المعرفة المنخفضة والعالية ترتبط بمفاهيم سلبية، على غرار تأثير دانيغ-كروجر. بالإضافة إلى ذلك، كانت سمات الشخصية مثل عدم التنظيم والقلق مرتبطة بمواقف أكثر إيجابية تجاه الذكاء الاصطناعي، بينما أظهرت الفروق بين الجنسين أن النساء أبدين حذرًا أكبر مقارنة بالرجال. تؤكد الدراسة على ضرورة أن يأخذ مقدمو خدمات الذكاء الاصطناعي هذه العوامل في الاعتبار عند تصميم أنظمة الذكاء الاصطناعي في الرعاية الصحية وتقترح أن النماذج التنبؤية للذكاء الاصطناعي يمكن أن تعزز اتخاذ القرار وتفاعلات العملاء. يجب أن تستكشف الأبحاث المستقبلية كيف يمكن أن تعزز التدخلات التعليمية وزيادة التعرض للذكاء الاصطناعي الثقة والقبول في بيئات الرعاية الصحية.
مقدمة
تسلط المقدمة الضوء على التأثير التحويلي للذكاء الاصطناعي (AI) على الرعاية الصحية والرفاهية، مع التأكيد على دوره في التطور الرقمي للقطاع. تعتبر تطبيقات الذكاء الاصطناعي جزءًا لا يتجزأ من مجالات متعددة، بما في ذلك تحليل البيانات الطبية، وتخطيط العلاج، والعمليات الجراحية الروبوتية، ودعم العمليات السريرية، والتشخيصات، والتمريض عبر الإنترنت، والأجهزة الصحية المتصلة. تسهل هذه التطورات أساليب مبتكرة لتشخيصات الصحة وتوصيات العلاج، مما يعزز في النهاية تقديم الرعاية.
علاوة على ذلك، يرتبط دمج الذكاء الاصطناعي في الرعاية الصحية بعدة نتائج إيجابية، مثل تحسين التوفر، والوصول، وكفاءة الخدمات، إلى جانب تقليل التكاليف العامة لتقديم الرعاية الصحية. وهذا يبرز إمكانيات الذكاء الاصطناعي ليس فقط لتبسيط العمليات ولكن أيضًا للمساهمة في نظام رعاية صحية أكثر فعالية.
الطرق
توضح قسم “الطرق” الإجراءات التجريبية والتحليلية المستخدمة في الدراسة. تتفصل في اختيار المشاركين، بما في ذلك معايير الإدراج والاستبعاد، بالإضافة إلى حساب حجم العينة لضمان القوة الإحصائية. استخدمت الدراسة تصميم تجربة عشوائية محكومة، حيث تم تخصيص المشاركين إما لمجموعة العلاج أو مجموعة التحكم.
تُوصف طرق جمع البيانات، بما في ذلك استخدام استبيانات موثوقة وأدوات قياس معيارية لتقييم النتائج. تم إجراء التحليلات الإحصائية باستخدام برامج مناسبة، مع تطبيق تقنيات مثل ANOVA وتحليل الانحدار لتقييم الفروق بين المجموعات والعلاقات بين المتغيرات. يبرز القسم الالتزام بالإرشادات الأخلاقية والموافقة التي تم الحصول عليها من لجان المراجعة المؤسسية ذات الصلة.
النتائج
تكشف نتائج الدراسة عن ارتباطات كبيرة بين سبع خصائص تتعلق بمواقف المستهلكين تجاه الذكاء الاصطناعي، حيث كانت معظم الارتباطات ذات دلالة إحصائية (P<.01). ومن الجدير بالذكر أن أقوى الارتباطات الإيجابية لوحظت بين النية والثقة (0.808)، والتنبؤات والبيانات (0.840)، والبيانات والشركة المصنعة (0.794). على العكس، وُجد ارتباط سلبي ملحوظ بين الخصوصية والتسوية (-0.468)، مما يشير إلى أن الأفراد الذين يفضلون الخصوصية أقل استعدادًا للتنازل عنها من أجل فوائد متصورة. كما أبرز التحليل أن موقف التكنولوجيا ظهر كأهم متغير يؤثر على تقييمات تطبيقات الذكاء الاصطناعي، متجاوزًا حالات الاستخدام المحددة. يتماشى هذا مع الأدبيات الموجودة التي تؤكد على دور المواقف في قبول التكنولوجيا. علاوة على ذلك، أثرت سمات الشخصية بشكل كبير على استجابات المستهلكين، حيث كانت ستة من أصل عشرة سمات أكثر تأثيرًا من عوامل مثل الحالة الصحية أو التعليم. حددت الدراسة تأثيرات تفاعلية مميزة بناءً على المتغيرات الديموغرافية، وخاصة الجنس والعمر، والتي أثرت على الثقة والنية تجاه حالات استخدام الذكاء الاصطناعي المختلفة. على سبيل المثال، أظهر المشاركون الأكبر سنًا (>65 عامًا) مستويات ثقة أعلى، بينما أظهر المشاركون الأصغر سنًا (<30 عامًا) نية أقل لاستخدام الذكاء الاصطناعي. بالإضافة إلى ذلك، لوحظت علاقة غير خطية بين معرفة الذكاء الاصطناعي وتوقعات المستهلكين، تشبه تأثير دانيغ-كروجر، حيث أعرب الأفراد الأقل والأكثر معرفة عن أكثر التوقعات سلبية. بشكل عام، تؤكد النتائج على تعقيد مواقف المستهلكين تجاه الذكاء الاصطناعي، المتأثرة بمزيج من العوامل الشخصية والديموغرافية والسياقية.
المناقشة
تؤكد قسم المناقشة من ورقة البحث على الدور الحاسم للثقة في اعتماد تقنيات الذكاء الاصطناعي داخل الرعاية الصحية. تحدد عدة تحديات مرتبطة بدمج الذكاء الاصطناعي، لا سيما فيما يتعلق بالسرية، واتخاذ القرار، والمساءلة، والتي تتفاقم بسبب الطبيعة المعتمدة على البيانات للذكاء الاصطناعي. يتم تأطير الثقة كعنصر أساسي لتنفيذ الذكاء الاصطناعي بنجاح، حيث تؤثر على قبول المستخدمين ومشاركتهم. تسلط الورقة الضوء على أن الثقة تختلف بشكل كبير بناءً على نوع نظام الذكاء الاصطناعي، والسياق، وتجربة المستخدم، حيث تتطلب السيناريوهات عالية المخاطر، مثل الإجراءات الطبية، ضمانًا أكبر للسلامة والفعالية.
علاوة على ذلك، تستعرض القسم عوامل مختلفة تؤثر على الثقة والقبول، بما في ذلك المتغيرات الديموغرافية، والخصائص الشخصية، والفعالية المتصورة للذكاء الاصطناعي. تشير الدراسات إلى أن عوامل مثل سهولة الاستخدام المتصورة، والفائدة، والكفاءة التقنية الفردية تؤثر بشكل كبير على المواقف تجاه الذكاء الاصطناعي. تناقش الورقة أيضًا استراتيجيات لتعزيز اعتماد الذكاء الاصطناعي، مثل تحسين تجربة المستخدم، وضمان أمان البيانات، وتوفير تواصل شفاف حول وظائف الذكاء الاصطناعي. يقترح المؤلفون أن الحوكمة الفعالة والأطر الأخلاقية ضرورية لمعالجة القضايا المتعلقة بالثقة وتعزيز تصور إيجابي للذكاء الاصطناعي في الرعاية الصحية، مما يسهم في تحسين نتائج المرضى وكفاءة النظام.
القيود
تسلط قيود هذه الدراسة الضوء على عدة مخاوف رئيسية بشأن المنهجية وتمثيل العينة. أولاً، كانت العديد من حالات الاستخدام، مثل الجراحين الروبوتيين المستقلين والممرضات، افتراضية، مما يتطلب من المستجيبين تخيل تجاربهم بناءً على معلومات نصية وصورية محدودة، مما منع التقييمات الفعلية لمستخدمي هذه التطبيقات الذكاء الاصطناعي. ثانيًا، بينما كانت العينة تمثل السكان الفنلنديين من حيث العمر والجنس والتعليم، كانت متحيزة نحو الأفراد الذين كانوا بارعين في التكنولوجيا الرقمية، حيث كان جميع المشاركين لديهم وصول إلى أجهزة الكمبيوتر والهواتف والإنترنت. قد تكون هذه السهولة قد أدت إلى قبول أعلى للتكنولوجيا بين المستجيبين.
بالإضافة إلى ذلك، فإن الطبيعة الطوعية لمشاركة الاستبيان تقدم إمكانية التحيز الذاتي، مما يؤثر بشكل أكبر على تمثيل العينة. أخيرًا، على الرغم من أن النماذج الملائمة أظهرت صلاحية إحصائية، كانت قدرتها التنبؤية للبيانات غير المرئية منخفضة، مع قيم $R^2$ تبلغ 0.105 و0.225 للنموذجين 1 و2، على التوالي. قد تنشأ هذه القدرة التنبؤية المنخفضة من عوامل مختلفة، بما في ذلك تعقيد الاستبيان، والتعب، ونقص الانخراط مع حالات الاستخدام، أو إغفال المتغيرات التنبؤية ذات الصلة. من الجدير بالذكر أن مثل هذه القيم المنخفضة لـ $R^2$ ليست غير شائعة في دراسات الاستبيانات عبر الإنترنت، كما يتضح من نتائج مماثلة في الأدبيات.
DOI: https://doi.org/10.2196/65567
PMID: https://pubmed.ncbi.nlm.nih.gov/40116853
Publication Date: 2025-03-21
Author(s): Janne Kauttonen et al.
Primary Topic: Artificial Intelligence in Healthcare and Education
Overview
This research investigates the factors influencing trust and acceptance of artificial intelligence (AI) in health care, emphasizing the importance of consumer attitudes and demographic variables. A web-based survey of 1,100 Finnish participants assessed their willingness to use AI across eight health care use cases, revealing that technology attitudes, personality traits, and overall technology use significantly drive trust and intention to adopt AI, rather than the specific applications themselves. Noninvasive AI applications, such as activity and health monitors, were favored, while more sensitive uses, like mental health monitoring, faced skepticism.
Key findings include an inverted U-shaped relationship between self-reported AI knowledge and positive attitudes, suggesting that both low and high knowledge levels correlate with negative perceptions, akin to the Dunning-Kruger effect. Additionally, personality traits such as disorganization and anxiety were linked to more favorable attitudes toward AI, while gender differences indicated that women exhibited greater caution compared to men. The study underscores the need for AI service providers to consider these factors when designing health care AI systems and suggests that predictive AI models could enhance decision-making and client interactions. Future research should explore how educational interventions and increased exposure to AI can foster trust and acceptance in health care settings.
Introduction
The introduction highlights the transformative impact of artificial intelligence (AI) on health care and well-being, emphasizing its role in the digital evolution of the sector. AI applications are integral to various domains, including medical data analysis, treatment planning, robotic surgeries, clinical operations support, diagnostics, web-based nursing, and connected health devices. These advancements facilitate innovative approaches to health diagnoses and treatment recommendations, ultimately enhancing the delivery of care.
Furthermore, the integration of AI in health care is associated with several positive outcomes, such as improved availability, accessibility, and efficiency of services, alongside a reduction in the overall costs of health care delivery. This underscores the potential of AI to not only streamline processes but also to contribute to a more effective health care system.
Methods
The “Methods” section outlines the experimental and analytical procedures employed in the study. It details the selection of participants, including criteria for inclusion and exclusion, as well as the sample size calculation to ensure statistical power. The study utilized a randomized controlled trial design, with participants assigned to either the treatment or control group.
Data collection methods are described, including the use of validated questionnaires and standardized measurement tools to assess outcomes. Statistical analyses were performed using appropriate software, with techniques such as ANOVA and regression analysis applied to evaluate the differences between groups and the relationships among variables. The section emphasizes adherence to ethical guidelines and the approval obtained from relevant institutional review boards.
Results
The results of the study reveal significant correlations among seven properties related to consumer attitudes toward AI, with most correlations being statistically significant (P<.01). Notably, the strongest positive correlations were observed between intention and trust (0.808), predictions and data (0.840), and data and manufacturer (0.794). Conversely, a notable negative correlation was found between privacy and trade-off (-0.468), indicating that individuals prioritizing privacy are less willing to compromise it for perceived benefits. The analysis also highlighted that technology attitude emerged as the most critical variable influencing evaluations of AI applications, surpassing specific use cases. This aligns with existing literature emphasizing the role of attitudes in technology acceptance. Furthermore, personality traits significantly impacted consumer responses, with six out of ten traits being more influential than factors such as health status or education. The study identified distinct interaction effects based on demographic variables, particularly gender and age, which influenced trust and intention toward various AI use cases. For instance, older participants (>65 years) exhibited higher trust levels, while younger participants (<30 years) demonstrated lower intention to use AI. Additionally, a curvilinear relationship was observed between AI knowledge and consumer expectations, resembling the Dunning-Kruger effect, where individuals with the least and most knowledge expressed the most negative expectations. Overall, the findings underscore the complexity of consumer attitudes toward AI, influenced by a combination of personal, demographic, and contextual factors.
Discussion
The discussion section of the research paper emphasizes the critical role of trust in the adoption of AI technologies within healthcare. It identifies several challenges associated with AI integration, particularly concerning confidentiality, decision-making, and accountability, which are exacerbated by AI’s data-driven nature. Trust is framed as essential for successful AI implementation, as it influences user acceptance and engagement. The paper highlights that trust varies significantly based on the type of AI system, context, and user experience, with high-stakes scenarios, such as medical procedures, necessitating greater assurance of safety and efficacy.
Furthermore, the section reviews various factors influencing trust and acceptance, including demographic variables, personal characteristics, and perceived effectiveness of AI. Studies indicate that factors like perceived ease of use, usefulness, and individual technical proficiency significantly affect attitudes toward AI. The paper also discusses strategies for enhancing AI adoption, such as improving user experience, ensuring data security, and providing transparent communication about AI functionalities. The authors propose that effective governance and ethical frameworks are vital for addressing trust-related issues and fostering a positive perception of AI in healthcare, ultimately contributing to improved patient outcomes and system efficiency.
Limitations
The limitations of this study highlight several key concerns regarding the methodology and sample representation. Firstly, many use cases, such as autonomous robot surgeons and nurses, were hypothetical, requiring respondents to imagine their experiences based on limited textual and pictorial information, which precluded actual user evaluations of these AI applications. Secondly, while the sample was representative of the Finnish population in terms of age, gender, and education, it was biased towards individuals who were proficient in digital technology, as all participants had access to computers, phones, and the internet. This accessibility may have led to a higher acceptance of technology among respondents.
Additionally, the voluntary nature of survey participation introduces the potential for self-selection bias, further affecting the representativeness of the sample. Lastly, although the fitted models demonstrated statistical validity, their predictive power for unseen data was low, with $R^2$ values of 0.105 and 0.225 for models 1 and 2, respectively. This low predictive capability may stem from various factors, including survey complexity, fatigue, lack of engagement with the use cases, or the omission of relevant predictor variables. Notably, such low $R^2$ values are not uncommon in web-based survey studies, as evidenced by similar findings in the literature.