When Debate Hurts: Model-Scale-Dependent Effects of Multi-Agent Deliberation in Psychiatric Diagnosis

في عالم الرعاية الصحية النفسية، نادراً ما يكون تشخيص المريض مجرد مسألة بسيطة تتمثل في مطابقة الأعراض مع قائمة مراجعة. فحتى بالنسبة للأطباء النفسيين البشر المدربين تدريباً عالياً، فإن العملية محفوفة بعدم اليقين. وقد أظهرت الدراسات أنه عندما ينظر أطباء مختلفون إلى نفس الوصف لمريض ما، فإنهم غالباً ما يختلفون حول التشخيص النهائي. وأحياناً يكون الارتباك عميقاً لدرجة أن فريقاً من كبار الخبراء في العالم لا يستطيع الاتفاق على ما يعاني منه الشخص. وبسبب ذلك، لجأ الباحثون إلى الذكاء الاصطناعي، آملين أن توفر نماذج الكمبيوتر طريقة أكثر اتساقاً لتحديد حالات الصحة النفسية. وتتمثل إحدى الأفكار الشائعة في جعل عدة وكلاء ذكاء اصطناعي يعملون كلوحة من المتخصصين، يتناظرون حول حالة طبية قبل التوصل إلى استنتاج. والنظرية هي أن هذا النقاش المتبادل من شأنه أن يكشف الأخطاء ويؤدي إلى إجابات أفضل، تماماً مثل فريق بشري يعمل معاً لحل مشكلة معقدة.

يختبر بحث جديد من باحثين في المعهد الهندي للتكنولوجيا في خاراغبور هذه الفكرة بطريقة عملية للغاية، باستخدام نماذج حاسوبية أصغر ومفتوحة المص المصدر يمكن تشغيلها على جهاز كمبيوتر شخصي قياسي بدلاً من الخوادم الضخمة والمكلفة. لقد أنشأوا نظاماً حيث يتناظر ثلاثة وكلاء مختلفين للذكاء الاصطناعي "متخصصين" — أحدهم يركز على الأعراض، والآخر على مقارنة التشخيصات المختلفة المحتملة، والثالث على تقييم خطر تعرض المريض للخطر — حول أربع وعشرين قصة مختلفة لمرضى افتراضيين. وقد كُتبت هذه القصص لتبدو مثل ملفات الحالات الطبية الحقيقية، وهي تغطي مجموعة من الحالات النفسية. أراد الباحثون معرفة ما إذا كانت عملية النقاش هذه ستساعد الذكاء الاصطناعي في الوصول إلى الإجابة الصحيحة، أم أنها ستجعل الأمور أسوأ. وقارنوا الفريق المتناظر مقابل وكيل ذكاء اصطناعي واحد يقدم إجابة فورية ببساطة دون التحدث إلى أي شخص آخر.

كانت النتائج مفاجئة وتتعارض مع الافتراض الشائع بأن المزيد من النقاش يؤدي دائماً إلى نتائج أفضل. فعندما اختبر الباحثون النظام على حجمين مختلفين من النماذج الحاسوبية، أحدهما بمليار معلمة والآخر بثلاثة مليارات، وجدوا أن الفريق المتناظر كان أداؤه أقل اتساقاً وبشكل مستمر من الوكيل المنفرد الذي قدم إجابة سريعة فقط. ولم تكن هذه مصادفة في اختبار واحد؛ فقد أجرى الباحثون التجربة خمس مرات منفصلة لكل إعداد لضمان أن النتائج حقيقية. وفي كل حالة، كان الذكاء الاصطناعي الذي يتناظر مع نفسه يخطئ في التشخيص بشكل أكثر تكراراً من ذلك الذي لم يفعل. وكان الفارق كبيراً: ففي الحجم الأصغر، كان الفريق المتناظر صحيحاً بنسبة 57 في المئة في المتوسط عبر التجارب، بينما كان الوكيل البسيط غير المتناظر صحيحاً بنسبة 73 في المئة. وفي الحجم الأكبر، تحسن أداء الفريق المتناظر إلى حوالي 69 في المئة في المتوسط، لكن الوكيل البسيط ظل يتفوق، حيث وصل إلى دقة تقارب 88 في المئة.

كما بحثت الدراسة بدقة في سبب حدوث ذلك، من خلال تفكيك العملية لمعرفة الجزء الذي يسبب المشكلة في النظام. كان الباحثون قد افترضوا أن الخطوة النهائية، حيث يقوم وكيل "القاضي" بتلخيص المناظرة واتخاذ القرار النهائي، هي المسبب الرئيسي لضعف الأداء. ومع ذلك، كشف تحقيقهم عن صورة أكثر تعقيداً. إذ إن فعل المناظرة نفسه، حتى قبل تدخل القاضي، قلل بالفعل من الدقة مقارنة بالنهج البسيط. علاوة على ذلك، تغير تأثير القاضي اعتماداً على حجم النموذج؛ ففي النموذج الأصغر، لم يجعل القاضي الأمور أسوأ بكثير، أما في النموذج الأكبر، فقد استعاد القاضي جزئياً بعض الدقة المفقودة، بينما ظل تأثيره على الدقة الإجمالية غير متسق عبر المقاييس المختلفة. وهذا يشيع أن المشكلة ليست مجرد جزء واحد معطل في النظام، بل هي تفاعل معقد بين حجم العقل الحاسوبي وكيفية تعامله مع النقاش الجماعي.

ولعل النتيجة الأكثر أهمية تتعلق بالسلامة. ففي مجال الصحة النفسية، يعد تفويت علامة تشير إلى أن المريض في خطر إيذاء نفسه فشلاً كارثياً. ووجد الباحثون أن تأثير المناظرة على رصد هذه المخاطر ينقلب اعتماداً على حجم النموذج. ففي النموذج الأصغر، ساعدت عملية المناظرة الذكاء الاصطناعي في ملاحظة خطر مرتفع لإيذاء النفس فات الوكيل البسيط رصده. ولكن في النموذج الأكبر، حدث العكس: فقد حدد الوكيل البسيط الخطر بشكل صحيح، بينما قام الفريق المتناظر، وتحديداً القاضي الذي لخص المناقشة، بإقناع نفسه بالتراجع عن الإبلاغ عن الخطر. وهذا يعني أن نظاماً صُمم ليكون أكثر أماناً من خلال جعل الوكلاء يتجادلون مع بعضهم البعض، يمكن أن يصبح أقل أماناً، اعتماداً كلياً على نموذج الكمبيوتر المحدد المستخدم.

وقد أشار الباحثون بعناية إلى أن نتائجهم لا تعني أن الذكاء الاصطناعي قد تفوق بالفعل على الأطباء البشر. فقد قارنوا أرقامهم بدراسات منشورة لأطب النفس البشريين ووجدوا أن نتائج الذكاء الاصطناعي الخاصة بهم كانت في نفس النطاق الذي يسجل فيه البشر أداءهم في مهام مماثلة، بل كانت أحياناً أعلى، لكنهم أكدوا أن الاختبارات لم تكن متطابقة تماماً. فقد استخدمت الدراسات البشرية قصص مرضى وطرقاً مختلفة لتحديد الإجابة الصحيحة. ويجادل المؤلف بأن أهم استنتاج ليس ما إذا كان الذكاء الاصطناعي أفضل أو أسوأ من البشر، بل إن الفكرة الشائعة القائلة بأن "المزيد من النقاش هو الأفضل" ليست قاعدة عالمية. ففي السياق المحدد لتشخيص الأمراض النفسية باستخدام هذه النماذج المحلية، أدت الخطوة الإضافية المتمثلة في جعل الوكلاء يتجادلون مع بعضهم البعض إلى إدخال أخطاء تجنبها النهج المباشر والبسيط. وتعد الدراسة تذكيراً بأنه في المجالات المعقدة مثل الطب، لا يضمن إضافة طبقات من النقاش تلقائياً نتيجة أفضل، وأحياناً يكون المسار الأكثر مباشرة هو الأكثر موثوقية.