هوش مصنوعی هنوز نمیتواند جای روانشناسان را بگیرد
مطالعهای جدید نشان میدهد؛ پیشرفتهترین مدلهای هوش مصنوعی، با وجود توانایی در تولید پاسخهای روان و متقاعدکننده، همچنان در زمینه همدلی، قضاوت بالینی و تشخیص دقیق اختلالات روانی از متخصصان انسانی فاصله دارند.
به گزارش سیناپرس، پژوهشگران نتایج مطالعهای که در نشریه npj Mental Health Research منتشر شده است، از توسعه یک معیار ارزیابی جامع با عنوان PsyEval خبر میدهد؛ ابزاری که برای سنجش عملکرد مدلهای زبانی بزرگ (LLMs) در حوزه پیچیده و وابسته به زمینه سلامت روان طراحی شده است.
محققان با استفاده از این معیار، عملکرد ۱۱ مدل پیشرفته هوش مصنوعی را در سه حوزه اصلی شامل دانش تخصصی، تشخیص و ارزیابی بالینی، و حمایت عاطفی بررسی کردند. نتایج نشان داد اگرچه برخی مدلها از نظر تسلط زبانی و یادآوری اطلاعات عملکرد مطلوبی دارند، اما همچنان از درک عمیق هیجانی و ظرافتهای لازم برای قضاوت بالینی در مسائل پیچیده سلامت روان برخوردار نیستند.
بر اساس یافتههای این پژوهش، مدلهای هوش مصنوعی نسبت به نحوه طرح پرسشها بسیار حساس هستند و در مقایسه با مشاوران انسانی با نوعی «شکاف همدلی» مواجهاند. همچنین، محدودیتهای ایمنی تعبیهشده در برخی مدلهای بزرگ باعث شده این سامانهها از ارائه تشخیص مستقیم خودداری کنند و در نتیجه امتیاز کمتری در آزمونهای تشخیصی کسب کنند. در مقابل، برخی مدلهای کوچکتر با سهولت بیشتری برچسب تشخیصی ارائه میدهند که میتواند خطر بیشتشخیصی را افزایش دهد.
سازمان جهانی بهداشت (WHO) برآورد کرده است که تنها افسردگی حدود ۳.۸ درصد جمعیت جهان را تحت تأثیر قرار میدهد، در حالی که نرخ دسترسی به درمان در بسیاری از کشورها همچنان پایین است. این موضوع توجه پژوهشگران را به استفاده از هوش مصنوعی بهعنوان ابزاری کمکی در خدمات سلامت روان جلب کرده است.
برای طراحی PsyEval، پژوهشگران مجموعهای از دادههای متنوع را به کار گرفتند؛ از جمله بیش از ۵ هزار سؤال آزمونهای پزشکی آمریکا و چین برای ارزیابی دانش تخصصی، هزاران نمونه از پستهای کاربران شبکههای اجتماعی و گفتوگوهای بالینی برای سنجش توانایی تشخیص، و همچنین نزدیک به ۲ هزار پرسش و گفتوگوی مشاورهای به زبانهای چینی و انگلیسی برای ارزیابی کیفیت حمایت عاطفی.
در این مطالعه، مدلهایی از جمله GPT-۴، Qwen2.۵-72B و SoulChat با سه شیوه مختلف درخواست (Prompt) شامل دستور مستقیم، استدلال مرحلهبهمرحله و شبیهسازی سناریو مورد ارزیابی قرار گرفتند.
نتایج نشان داد مدلهای بزرگتر در پاسخ به پرسشهای دانشی عملکرد بهتری دارند. برای نمونه، مدل Qwen2.۵-72B در آزمون پزشکی چین به دقت ۹۱ درصدی دست یافت و GPT-۴-turbo نیز در آزمونهای انگلیسی حدود ۷۶ درصد دقت ثبت کرد. با این حال، عملکرد این مدلها در سناریوهای بحرانی روانپزشکی کاهش یافت و دقت GPT-۴-turbo در پرسشهای مرتبط با مداخله در بحران به حدود ۷۳ درصد رسید.
پژوهشگران همچنین پدیدهای موسوم به «مقیاسپذیری معکوس» را مشاهده کردند؛ بهطوری که برخی مدلهای کوچکتر در طبقهبندی برخی اختلالات مانند اختلال نقص توجه/بیشفعالی (ADHD) و اضطراب، حتی از مدلهای بزرگتر عملکرد بهتری داشتند. به اعتقاد نویسندگان، این اختلاف ناشی از توازن میان ایمنی و کارایی است؛ زیرا مدلهای پیشرفتهتر برای جلوگیری از ارائه تشخیص پزشکی، محتاطتر عمل میکنند.
در بخش ارزیابی حمایت عاطفی نیز اگرچه برخی مدلهای هوش مصنوعی از نظر روانی و انسجام پاسخها با مشاوران انسانی برابری میکردند یا حتی عملکرد بهتری داشتند، اما متخصصان انسانی در طرح پرسشهای عمیقتر برای کشف نگرانیهای پنهان مراجعان، بهطور محسوسی برتر بودند.
این مطالعه همچنین نشان داد نحوه نگارش درخواستها تأثیر قابلتوجهی بر عملکرد مدلها دارد؛ بهگونهای که درخواستهایی که از هوش مصنوعی میخواستند در نقش یک متخصص سلامت روان ظاهر شود، پاسخهای همدلانهتری تولید میکردند، در حالی که روش استدلال مرحلهبهمرحله اغلب به پاسخهایی مکانیکیتر منجر میشد.
پژوهشگران تأکید میکنند این مطالعه صرفاً یک معیار ارزیابی بوده و عملکرد مدلها را در محیط واقعی درمان، پیامدهای درمانی یا ایمنی تشخیص در بیماران بررسی نکرده است. به گفته آنان، توسعه نسل آینده سامانههای هوش مصنوعی در سلامت روان باید بر تقویت دادههای فرهنگی متنوع، افزایش توانایی همدلی و طراحی سازوکارهای ایمنی هوشمند متمرکز باشد تا ضمن حفظ ایمنی کاربران، کارایی بالینی این فناوری نیز ارتقا یابد.
مترجم:سروش ساده
