DOI: https://doi.org/10.1038/s41598-026-34983-y
PMID: https://pubmed.ncbi.nlm.nih.gov/41639137
تاريخ النشر: 2026-02-05
المؤلف: Jo Pearson وآخرون
الموضوع الرئيسي: الأخلاقيات والآثار الاجتماعية للذكاء الاصطناعي
نظرة عامة
تستكشف هذه القسم من ورقة البحث الدور الحاسم للثقة البشرية في الذكاء الاصطناعي (AI) عند اتخاذ القرارات، لا سيما في سياق تقييم مصداقية الوجوه. شملت الدراسة 295 مشاركًا قاموا بتقييم 80 وجهًا (40 حقيقي و40 تم إنشاؤه بواسطة AI) بينما تلقوا إرشادات كانت دقيقة فقط 50% من الوقت، تُنسب إما للبشر أو للذكاء الاصطناعي. تم قياس مستويات ثقة المشاركين في أحكامهم جنبًا إلى جنب مع مواقفهم تجاه الذكاء الاصطناعي وميولهم للثقة في المدخلات البشرية.
تكشف النتائج أن المشاركين الذين تلقوا إرشادات من الذكاء الاصطناعي وكان لديهم مواقف أكثر إيجابية تجاه الذكاء الاصطناعي أظهروا تمييزًا أقل بين الوجوه الحقيقية والصناعية مقارنةً بأولئك الذين كانت وجهات نظرهم أقل إيجابية تجاه الذكاء الاصطناعي. بالمقابل، لم تؤثر الثقة في الإرشادات البشرية بشكل كبير على التمييز. وهذا يشير إلى أن الاعتماد على الذكاء الاصطناعي يمكن أن يقدم تحيزات قد تؤثر على فعالية اتخاذ القرار. يؤكد المؤلفون على الحاجة إلى مزيد من البحث لفهم كيفية تفاعل البشر مع إرشادات الذكاء الاصطناعي عبر سياقات مختلفة لتعزيز شراكات أكثر فعالية بين البشر والذكاء الاصطناعي.
طرق البحث
توضح قسم “طرق البحث” المواد المستخدمة في الدراسة، موضحة المكونات والأدوات المحددة اللازمة لإجراء البحث. يتضمن ذلك وصفًا للإعداد التجريبي، وأنواع العينات أو الموضوعات المعنية، وأي مواد كيميائية أو أدوات ذات صلة تم استخدامها في التحليل. اختيار المواد أمر حاسم لأنه يؤثر مباشرة على صحة وموثوقية النتائج.
بالإضافة إلى ذلك، قد يتناول القسم تفاصيل حول مصادر وتحضير المواد، لضمان أنها تلبي المعايير المطلوبة للتجارب. إن هذا الاهتمام الدقيق بالتفاصيل في المواد المستخدمة أمر ضروري للتكرار وللاستنتاجات الدقيقة من نتائج البحث. بشكل عام، فإن الوضوح في وصف المواد يضع أساسًا لفهم المنهجيات والنتائج اللاحقة المقدمة في الدراسة.
النتائج
كشفت نتائج اختبارات t لعينة مستقلة عن عدم وجود اختلافات كبيرة في دقة الاستجابة بين تدفقات الإرشاد المتوازنة بين البشر والذكاء الاصطناعي. نتيجة لذلك، تم دمج البيانات من مجموعتي الإرشاد A وB في مجموعة واحدة للإرشاد البشري ومجموعة واحدة للإرشاد من الذكاء الاصطناعي. يمكن العثور على المزيد من التصورات الأولية والتحليلات في المواد التكميلية 3 (الشكل S1).
المناقشة
في هذه الدراسة، بحث المؤلفون في تأثيرات نوع الإرشاد (الذكاء الاصطناعي مقابل البشر) على دقة المشاركين واتساقهم في تصنيف الوجوه كحقيقية أو صناعية. تم تجنيد 295 مشاركًا، وأكملوا مهمة تصنيف الوجوه تحت ظروف إرشاد متغيرة. أشارت النتائج إلى أن المشاركين أظهروا اعتمادًا كبيرًا على الإرشاد الصحيح، مع حجم تأثير كبير (d لـ كوهين = 1.73) عند مقارنة اتساق الاستجابة بين الإرشاد الصحيح وغير الصحيح. ومع ذلك، لم تكن هناك اختلافات كبيرة في دقة الاستجابة أو الاتساق بين مجموعات الإرشاد من الذكاء الاصطناعي والبشر، مما يشير إلى أن مصدر الإرشاد لم يؤثر على أداء المشاركين.
كشفت تحليلات كشف الإشارة أن المشاركين كانوا قادرين على التمييز بين الوجوه الحقيقية والصناعية (متوسط d’ = 0.90)، لكنهم أظهروا تحيزًا نحو تحديد الوجوه على أنها “حقيقية” (متوسط c = -0.28). من المهم أن الدراسة وجدت أن المشاركين الذين أبلغوا عن اعتماد أقل على الإرشاد أدوا بشكل أفضل من حيث التمييز (d’) مقارنةً بأولئك الذين استخدموا الإرشاد دائمًا. بالإضافة إلى ذلك، لوحظت علاقة سلبية بين المواقف تجاه الذكاء الاصطناعي والتمييز، مما يشير إلى أن المواقف الأكثر إيجابية تجاه الذكاء الاصطناعي كانت مرتبطة بقدرة أقل على التمييز بين أنواع الوجوه. بشكل عام، تسلط هذه النتائج الضوء على التفاعل المعقد بين استخدام الإرشاد، والثقة في الذكاء الاصطناعي، ودقة تصنيف الوجوه.
DOI: https://doi.org/10.1038/s41598-026-34983-y
PMID: https://pubmed.ncbi.nlm.nih.gov/41639137
Publication Date: 2026-02-05
Author(s): Jo Pearson et al.
Primary Topic: Ethics and Social Impacts of AI
Overview
This section of the research paper investigates the critical role of human trust in Artificial Intelligence (AI) when making decisions, particularly in the context of assessing the authenticity of faces. The study involved 295 participants who evaluated 80 faces (40 real and 40 AI-generated) while receiving guidance that was accurate only 50% of the time, attributed either to humans or AI. Participants’ confidence levels in their judgments were measured alongside their attitudes towards AI and their propensity to trust human input.
The findings reveal that participants who received AI guidance and held more positive attitudes towards AI demonstrated poorer discriminability between real and synthetic faces compared to those with less favorable views of AI. In contrast, trust in human guidance did not significantly influence discriminability. This suggests that reliance on AI can introduce biases that may impair decision-making effectiveness. The authors emphasize the need for further research to understand how humans interact with AI guidance across different contexts to foster more effective human-AI partnerships.
Methods
The “Methods” section outlines the materials utilized in the study, detailing the specific components and tools necessary for conducting the research. This includes a description of the experimental setup, the types of samples or subjects involved, and any relevant reagents or instruments employed in the analysis. The selection of materials is critical as it directly influences the validity and reliability of the findings.
Additionally, the section may elaborate on the sourcing and preparation of materials, ensuring that they meet the required standards for the experiments. This meticulous attention to detail in the materials used is essential for replicability and for drawing accurate conclusions from the research outcomes. Overall, the clarity in the description of materials sets a foundation for understanding the subsequent methodologies and results presented in the study.
Results
The results of the independent samples t-tests revealed no significant differences in response accuracy between the counterbalanced human and AI guidance streams. As a result, the data from both sets of A and B guidance streams were combined into a single group for human guidance and a single group for AI guidance. Further preliminary visualizations and analyses can be found in Supplementary Material 3 (Figure S1).
Discussion
In this study, the authors investigated the effects of guidance type (AI vs. human) on participants’ accuracy and consistency in classifying faces as real or synthetic. A total of 295 participants were recruited, and they completed a face classification task with varying guidance conditions. The results indicated that participants demonstrated a significant reliance on correct guidance, with a large effect size (Cohen’s d = 1.73) when comparing response consistency between correct and incorrect guidance. However, there were no significant differences in response accuracy or consistency between the AI and human guidance groups, suggesting that the source of guidance did not influence participants’ performance.
Signal detection analyses revealed that participants were able to distinguish between real and synthetic faces (mean d’ = 0.90), but exhibited a bias towards identifying faces as ‘real’ (mean c = -0.28). Importantly, the study found that participants who reported lower reliance on guidance performed better in terms of discriminability (d’) compared to those who always used the guidance. Additionally, a negative correlation was observed between attitudes towards AI and discriminability, indicating that more positive attitudes towards AI were associated with reduced ability to differentiate between face types. Overall, these findings highlight the complex interplay between guidance use, trust in AI, and face classification accuracy.