A hybrid PLS-SEM and convolutional neural network analysis of artificial intelligence adoption intention in SMEs
تقدم هذه الدراسة إطار عمل موحداً من مرحلتين يدمج بين نمذجة المعادلات الهيكلية بطريقة المربعات الصغرى الجزئية (PLS-SEM) والشبكة العصبية الالتفافية (CNN) لتحليل تبني الذكاء الاصطناعي في الشركات الصغيرة والمتوسطة النيجيرية، مما يثبت أنه بينما تؤكد طريقة (PLS-SEM) العلاقات النظرية، فإن الشبكة العصبية الالتفافية (CNN) تعزز بشكل كبير دقة التنبؤ خارج العينة عند اختبار كلا النموذجين بدقة على طيات بيانات متطابقة.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل
تُعد الشركات الصغيرة العمود الفقري للاقتصاد العالمي، فهي توظف نصف القوى العاملة في العالم وتُشكل الغالبية العظمى من الشركات في كل مكان. ومع ذلك، عندما يتعلق الأمر بتبني تقنيات جديدة مثل الذكاء الاصطناعي، غالبًا ما تتخلف هذه الشركات الصغيرة عن نظيراتها الكبيرة. ولا يعود السبب في ذلك عادةً إلى أن التكنولوجيا غير متوفرة أو باهظة الثمن؛ بل يتعلق الأمر بالرغبة. إذ يجب على صناع القرار في الشركات الصغيرة أولاً فهم ما يمكن أن تفعله هذه التكنولوجيا، ثم تقرير ما إذا كانوا يريدون استخدامها أم لا. وقد حاول الباحثون منذ فترة طويلة رسم خريطة للعوامل التي تؤثر على هذا القرار، مثل ما إذا كان صاحب العمل يثق في التكنولوجيا، أو ما إذا كان يمتلك المهارات الرقمية اللازمة، أو ما إذا كان يشعر بضغط من المنافسين. وتقليديًا، استخدم العلماء أدوات إحصائية لرسم خطوط مستقيمة بين هذه العوامل والقرار النهائي للتبني، بافتراض أن العلاقة بسيطة ومباشرة. ومع ذلك، فإن السلوك البشري وبيئات الأعمال نادرًا ما تكون بهذه البساطة، وغالبًا ما تعجز الأدوات المستخدمة لدراستها عن استيعاب الواقع المعقد وغير الخطي لكيفية اتخاذ الناس للقرارات.
لقد سعى فريق من الباحثين من نيجيريا والمملكة المتحدة لاختبار ما إذا كان اتباع نهج أكثر تطورًا يمكن أن يكشف عن صورة أوضح لكيفية قرار الشركات الصغيرة باستخدام الذكاء الاصطناعي. وركزوا على مجموعة محددة مكونة من 1,210 من المؤسسات الصغيرة والمتوسطة في نيجيريا، حيث استطلعوا آراء الملاك والمديرين حول وعيهم بمختلف أدوات الذكاء الاصطناعي، وثقتهم في التكنولوجيا، ونواياهم لتبنيها. وجمع الباحثون بين طريقتين مختلفتين للتحليل؛ كانت الأولى نهجًا إحصائيًا قياسيًا يختبر نظرية محددة مسبقًا حول كيفية اتصال العوامل المختلفة ببعضها البعض، والثانية نوعًا من الذكاء الاصطناعي يُعرف باسم "الشبكة العصبية الالتفافية"، وهو نظام مصمم لإيجاد أنماط معقدة في البيانات قد تغفل عنها الإحصاءات القياسية. ومن الأهمية بمكان أن الفريق لم يكتفِ بتشغيل هذين النهجين الواحد تلو الآخر على مجموعات مختلفة من البيانات، بل بنوا نظامًا موحدًا حيث شكلت نتائج الطريقة الأولى المدخلات للطريقة الثانية، واختبروا كلا النموذجين على نفس قطع البيانات لضمان مقارنة عادلة.
بدأت الدراسة بتأكيد مجموعة من خمسة عشر عاملًا مختلفًا قد تؤثر على قرار الشركة بالتبني. وشمل ذلك جوانب تكنولوجية مثل مدى فائدة الأدوات أو سهولة استخدامها، وعوامل تنظيمية مثل دعم الإدارة العليا والقدرة الرقمية للموظفين، وعوامل بيئية مثل الدعم الحكومي والضغط التنافسي. كما قاس الباحثون مدى ثقة أصحاب الأعمال في الذكاء الاصطناعي ومدى وعيهم بأدوات محددة متاحة في السوق. وعند تحليل البيانات، وجدوا أن كل عامل تقريبًا من هذه العوامل الخمسة عشر قد لعب دورًا. وكانت المحركات الأقوى هي الثقة في التكنولوجيا ومستوى الثقافة الرقمية داخل الشركة. ومن المثير للاهتمام أن الباحثين اكتشفوا أن هذه العوامل نادرًا ما تؤثر على قرار تبني الذكاء الاصطناعي بشكل مباشر؛ بل إنها تعمل أولًا من خلال زيادة وعي صاحب العمل بما يمكن أن يفعله الذكاء الاصطناعي. وبمجرد أن يصبح صانع القرار على دراية بالتكنولوجيا، يصبح هذا الوعي هو البوابة الرئيسية للنية في التبني. وكانت الثقة هي العامل الوحيد الذي يعمل بطريقتين: فهي تزيد الوعي، ولكنها أيضًا تعزز بشكل مباشر الرغبة في التبني، بشكل مستقل عن الوعي.
ثم اختبر الباحثون ما إذا كان نموذج الذكاء الاصطناعي المعقد الخاص بهم يمكنه التنبؤ بنية التبني بشكل أفضل من النموذج الإحصائي القياسي. ووجدوا أن الشبكة العصبية قدمت بالفعل أداءً أفضل قليلاً، حيث قللت الخطأ في تنبؤاتها بنسبة تقارب 2% مقارنة بالنموذج القياسي. وكان هذا التحسن ذا دلالة إحصائية، مما يعني أنه من غير المرجح أن يكون مجرد صدفة. ومع ذلك، كشفت الدراسة أيضًا عن قصور مفاجئ؛ فعندما قارن الباحثون الشبكة العصبية بأدوات تعلم آلي أبسط، مثل خوارزمية "الغابة العشوائية" (Random Forest) أو شبكة أمامية بسيطة، لم تكن الشبكة العصبية أفضل حالًا. ويشير هذا إلى أن التحسن لم يأتِ من البنية المعقدة المحددة للشبكة العصبية، بل ببساطة من حقيقة أنها سمحت بالعلاقات غير الخطية، والتي لم يستطع النموذج الإحصائي القياسي استيعابها. كما وجدت الدراسة أن استخدام نموذج قياس معتمد لتجميع أسئلة الاستطلاع كان أمرًا ضروريًا؛ فعندما حاولوا التنبؤ بالتبني باستخدام جميع أسئلة الاستطلاع الخام دون تجميعها أولاً، كانت النتائج أسوأ بكما، مما يثبت أن تنظيم البيانات وفقًا للنظرية لا يقل أهمية عن طريقة التنبؤ نفسها.
في نهاية المطاف، يسلط البحث الضوء على أن مسار تبني الذكاء الاصطناعي بالنسبة للشركات الصغيرة ممهد بالوعي. فالعوامل السياقية مثل الدعم الحكومي، أو الجاهزية المالية، أو الضغط التنافسي، لا تدفع الشركة لتبني الذكاء الاصطناعي مباشرة؛ بل تدفع صاحب العمل أولاً ليصبح على دراية بالتكنولوجيا. وبمجرد ترسيخ هذا الوعي، تتبع ذلك النية في التبني. كما تعد الدراسة درسًا منهجيًا للمجتمع العلمي؛ فهي توضح أنه بينما يمكن لأدوات التعلم الآلي المتقدمة أن تقدم ميزة طفيفة في التنبؤ، إلا أنه يجب اختبارها بإنصاف مقابل البدائل الأبسط لفهم ما الذي يدفع التحسن فعليًا. وفي هذه الحالة، جاء المكسب من السماقة في السماح للبيانات بالتحدث بصوتها المعقد وغير الخطي بدلاً من إجبارها على اتباع خط مستقيم، وليس من التعقيد المحدد للشبكة العصبية نفسها. وتؤكد النتائج أن النظرية لا تزال مهمة: فتنظيم البيانات حول مفاهيم راسخة يساعد حتى أكثر الخوارزميات تقدمًا في فهم العالم بشكل أفضل.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.