How can digital and AI-enabled behaviour change interventions be evaluated while they are changing? HUMMBER: identifying what changed, for whom, why and with what effect
تقدم هذه الورقة HUMMBER، وهو إطار تقييم قابل لإعادة الاستخدام ومتمحور حول الإنسان، صُمم للتقييم المستمر لتدخلات تغيير السلوك الرقمية والمعززة بالذكاء الاصطناعي أثناء تطورها، مما يثبت جدواها الحسابية وقدرتها على تتبع التغييرات، وتحديد المجموعات المتأثرة، وتحديد الآثار السببية من خلال دراسة إثبات مفهوم تعتمد كلياً على بيانات اصطناعية.
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
تخيل أنك تحاول قيادة سفينة وسط عاصفة بينما الخريطة والرياح وطاقم العمل يتغيرون جميعاً في آن واحد. هذا هو واقع البرامج الصحية الحديثة التي تعيش على الهواتف الذكية والأجهزة القابلة للارتداء. صُممت هذه الأدوات الرقمية لمساعدة الناس على تبني عادات صحية أفضل، مثل ممارسة الرياضة أكثر أو الأكل بشكل أفضل. حتى أن بعض النسخ الأحدث منها تستخدم الذكاء الاصطناعي لتخمين ما يحتاجه الشخص وتغيير نصائحها في الوقت الفعلي. لكن هذا التحول المستمر يخلق مشكلة للأشخاص الذين يحاولون قياس مدى فعالية هذه الأدوات حقاً. فإذا كان البرنامج يغير ميزاته كل أسبوع، أو إذا تغيرت ظروف حياة المستخدم، فإن عملية فحص بسيطة لـ "ما قبل وما بعد" تصبح مضللة. قد ينتهي الأمر بالشخص في وضع جيد، لكن المسار الذي اتخذه للوصول إلى هناك قد يختلف عن مسار شخص آخر، أو قد يكون الأداة قد نجحت مع مجموعة معينة وفشلت مع أخرى. ولفهم هذه الأهداف المتحركة حقاً، يحتاج العلماء إلى طريقة للمراقبة والاستماع وطرح الأسئلة أثناء تشغيل البرنامج، بدلاً من مجرد الانتظار للنتيجة النهائية.
اقترح فريق من الباحثين طريقة جديدة للتعامل مع هذا التعقيد، تسمى HUMMBER. هذا النهج ليس تطبيقاً جديداً أو علاجاً طبياً؛ بل هو مجموعة من القواعد لكيفية دراسة هذه الأدوات الرقمية المتغيرة. أراد الباحثون إنشاء طريقة يمكنها تتبع ما الذي يتغير، ومن يتأثر، وتحت أي ظروف، ولما-ذا. والأهم من ذلك، أن هذه الطريقة تُبقي الإنسان في موقع القيادة لاتخاذ القرارات النهائية. يمكن للذكاء الاصطناعي تقديم الاقتراحات وجمع البيانات، ولكن الطريقة تضمن أن يقوم مقيم بشري بتقرير معنى البيانات وما إذا كان يجب التصرف بناءً عليها. اختبر الفريق هذه الفكرة من خلال بناء محاكاة حاسوبية بالكامل؛ حيث أنشأوا برنامجاً صحياً رقمياً وهمياً وملأوه بـ 600 شخص افتراضي، ثم قاموا بتشغيل البرنامج لمدة 26 أسبوعاً. لقد أدخلوا مشكلات محددة، مثل معاناة بعض الأشخاص من ضعف الوصول إلى الإنترنت أو جعل البرنامج صعباً للغاية، لمعرفة ما إذا كانت طريقتهم الجديدة قادرة على رصد هذه المشكلات بدقة.
كشفت المحاكاة أن النظر فقط إلى النتيجة النهائية غالباً ما يكون فخاً. في العالم الحاسوبي، أنشأ الباحثون خمس مجموعات مختلفة من الأشخاص الافتراضيين. وبحلول نهاية الأسابيع الـ 26، وصلت جميع المجموعات الخمس إلى نفس المستوى من النجاح تقريباً، حيث التزم حوالي 70 بالمائة منهم بالبرنامج. ومع ذلك، كان المسار الذي سلكته كل مجموعة مختلفاً تماماً. فقد عانت مجموعة بسبب فشل التكنولوجيا، وأخرى لأن الأهداف كانت صعبة للغاية، وثالثة لأنهم ببساطة فقدوا الاهتمام. لو نظر الباحثون في الأرقام النهائية فقط، لكانوا قد فاتهم هذه الاختلافات الجوهرية. ومع ذلك، نجحت طريقة HUMMBER في تتبع هذه المسارات المنفصلة؛ فقد أظهرت أنه بينما كانت الوجهة هي نفسها، فإن الأسباب التي أدت إلى الوصول إلى هناك - أو الفشل في الوصول - كانت فريدة لكل مجموعة. وهذا يثبت أن هناك حاجة إلى طريقة تنظر إلى القصة بأكملها، وليس فقط إلى النهاية.
كما سلطت الدراسة الضوء على كيفية اختفاء العدالة في البيانات. برمج الباحثون سيناريو حيث حصل الأشخاص ذوو الوصول الرقمي المحدود على فرص أقل لتلقي المساعدة من الأداة. رصدت الطريقة هذا الأمر على الفور؛ حيث أظهرت أن هؤلاء المشاركين كانت لديهم فرص أقل للحصول على الدعم وبيانات مفقودة أكثر، رغم أن المساعدة نفسها كانت فعالة بالنسبة لهم تماماً كما كانت للجميع. لولا هذا التتبع التفصيلي، لربما استنتج الباحثون خطأً أن الأداة لم تكن فعالة للأشخاص الذين لديهم اتصال ضعيف بالإنترنت. بدلاً من ذلك، أوضحت الطريقة أن المشكلة لم تكن في فعالية الأداة، بل في عدم القدرة على الوصول إليها. هذا التمييز حيوي لضمان أن تساعد الأدوات الصحية الجميع، وليس فقط أولئك الذين يمتلكون أفضل التقنيات.
كانت هناك نتيجة رئيسية أخرى تتعلق بكيفية طلب المعلومات من الناس دون إزعاجهم. اختبرت المحاكاة طرقاً مختلفة للتحقق من المستخدمين: السؤال فوراً، أو الانتظار لفترة، أو ترك المستخدم يختار الوقت المناسب للإجابة. أظهرت النت النتائج أن ترك المستخدم يختار الوقت كان الأكثر كفاءة، حيث جمع أكبر قدر من المعلومات المفيدة مقابل كل دقيقة يقضيها المستخدم في الإجابة. يشير هذا إلى أن احترام وقت الشخص واختياره يمكن أن يحسن بالفعل من جودة البيانات التي يتم جمعها، بدلاً من كونه مجرد لفتة لطيفة. كما اختبرت الطريقة ما إذا كان النظام قادراً على فهم سبب حدوث التغييرات؛ فعندما بدأت المحاكاة بتخمين خاطئ لسبب مشكلة ما، قامت طريقة HUMMBER بتصحيح نفسها تدريجياً مع ورود أدلة جديدة. لم تفرض إجابة سريعة، بل قامت بتحديث فهمها مع تطور القصة، لتحدد السبب الحقيقي في معظم الحالات في النهاية.
ولعل الأهم من ذلك هو أن الطريقة تعلمت متى تتوقف وتقول "لا نعرف بعد". في المحاكاة، حاول الباحثون إثبات أن ميزة معينة تسببت في تغيير السلوك. وعندما كانت البيانات غير مستقرة أو كان المقارنة غير عادلة، رفضت الطريقة تقديم أي ادعاء. لقد وصفت النتيجة بأنها "أدلة غير كافية" بدلاً من فرض استنتاج ما. هذا خيار تصميم متعمد؛ فقد بنى الباحثون النظام ليكون حذراً. إذا لم تكن الأدلة قوية بما يكفي، أو إذا كانت البيانات مفقودة بطريقة قد تؤدي إلى تحريف النتائج، فإن الطريقة تضع علامة على عدم اليقين. لم تتظاهر بامتلاك إجابة، وهذا يحمي صناع القرار من التصرف بناءً على آمال كاذبة. كما تحقق النظام من الحالات التي يتغير فيها تأثير الأداة بمرور الوقت، مما يضمن أن الاستنتاج المستخلص في الأسبوع الأول لا يُطبق بشكل أعمى في الأسبوع العشرين.
كان الباحثون حريصين على توضيح أن هذا كان اختباراً للطريقة نفسها، وليس اختباراً لبرنامج صحي حقيقي. فالأشخاص والأحداث تم إنشاؤهم بالكامل بواسطة الكمبيوتر لاختبار مدى عمل القواعد تحت ظروف محكومة. لم يختبروا ذلك على مرضى حقيقيين أو في مستشفى حقيقي. كان الهدف هو إثبات أن منطق الطريقة يصمد عندما تكون المتغيرات معروفة والنتائج محددة مسبقاً. أظهرت المحاكاة أن البنية التحتية يمكنها إبقاء أنواع مختلفة من الأدلة متصلة دون إحداث ارتباك؛ إذ استطاعت الفصل بين قصة ما حدث وقصة سبب حدوثه، كما أبقت العبء الواقع على المستخدم مرئياً.
يشير هذا العمل إلى طريق جديد لمستقبل الصحة الرقمية. فمع ازدياد استخدام الذكاء الاصطناعي في التطبيقات الصحية، ستتغير هذه الأدوات وتتكيف باستمرار. تقدم طريقة HUMMBER وسيلة لمراقبة هذه التغيات عن كثب، مما يضمن فهم من يستفيد، ومن يتم استبعاده، وما الذي يدفع النتائج فعلياً. إنها تعيد المسؤولية إلى المقيمين البشر لتفسير الأدلة واتخاذ القرار النهائي. وبينما أثبتت المحاكاة نجاح المفهوم في بيئة محكومة، يشير الباحثون إلى أن الخطوة التالية هي تجربتها في العالم الحقيقي. إنهم بحاجة إلى معرفة ما إذا كان بإمكان الأطباء والمرضى والمطورين استخدام هذه القواعد معاً لفهم الأدوات الصحية المعقدة والمتغيرة. وحتى ذلك الحين، تظل هذه الطة مخططاً واعداً لإبقاء الحكم البشري في قلب عالم يزداد أتمتة.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.