سارا فرانسس گوردُن*
هوش مصنوعي (AI) با دگرگون كردن شيوههاي عرضه خدمات سلامت روان و انجام پژوهشهاي مرتبط، تحول مهمي در حوزه روانشناسي ايجاد كرده است. هوش مصنوعي با استفاده از الگوريتمها و دادهها، هوش انساني را شبيهسازي ميكند و ابزارهايي براي تحليل دادهها، خودكارسازي فرآيندها و ارايه درمانهاي شخصيسازي شده فراهم ميآورد(بنتيس روياس، 2024) . اين گفتار نقش تحولآفرين هوش مصنوعي را در حوزه روانشناسي بررسي كرده و بر تاريخچه كاربردها و ملاحظات اخلاقي به ويژه اينكه هوش مصنوعي چگونه صداقت و راستي را در پژوهش به خطر مياندازد تمركز ميكند.
تاريخچه هوش مصنوعي
تكنولوژي هوش مصنوعي كامپيوترها را توانا ميكند كه با تكيه بر الگوريتمهاي پيشرفته و مجموعهاي از دادههاي گسترده، وظايفي را انجام دهند كه بهطور معمول به هوش انساني نياز دارند.ازنخستين پيشگامان اين حوزه آلن تورينگ بود كه در سال ۱۹۵۰ با معرفي « آزمون تورينگ» و طرح پرسش مشهور خود كه « آيا ماشينها ميتوانند بينديشند؟» (تورينگ، 1950) بنياني نظري براي سنجش توانايي انديشيدن در ماشينها بنا نهاد. پرسش او سرآغاز دوراني نوين در شكلگيري هوش مصنوعي بود.
در سال ۱۹۵۶ در كنفرانس دارتموس جان مك كارتي، ماروين مينسكي، ناتانيلروچستر و كلود شانون اصطلاح هوش مصنوعي را براي نخستينبار به كار بردند و يك پروژه پژوهشي تابستاني را با محوريت مطالعه هوش و ماشيني پيشنهاد كردند (بنتيزروخاس، 2024) . از مهمترين دستاوردهاي اوليه اين حوزه ميتوان به توسعه اليزا در سال ۱۹۶۵- نخستين چتبات جهان- و نيز برنامه پيروزي برنامه«آبي عميقِ » شركتاي.بي.ام در قلمرو شطرنج برگري كاسپاروف در سال ۱۹۹۷ اشاره كرد (بنتيزروخاس، 2024؛ تامپسون، 2022) . روند تكامل هوش مصنوعي در دهههاي بعدي شتاب بيشتري گرفت. از سال 2016 و همزمان با تأسيس Open AIموج تازهاي از پيشرفتهاي ساختاري در اين حوزه آغاز شد. پيروزي آلفاگو بر لي سدول (1) در سال 2017 نقطه عطف مهمي در توانمنديهاي«يادگيري تقويتي عميق» بود. معرفي مدلهاي مولّد مانند جي پي تي-وان در سال ۲۰۱۸ و سپس چت جيپيتي در سال ۲۰۲۲ عرصه ارتباط انسان و ماشين را بهطور بنيادين دگرگون كرد. اين دگرگونيها تا سال ۲۰۲۳ و با توسعه چت جيپيتي و ساير مدلهاي زباني بزرگ (LLM) با سرعت چشمگيري ادامه يافت.
رابطه هوش مصنوعي با روانشناسي
با افزايش و گسترش نقش و اهميت هوش مصنوعي، ضروري است كه ظرفيت اين تكنولوژي را در دگرگونسازي حوزه روانشناسي به درستي مورد توجه قرار دهيم. در آگوست ۲۰۲۴ انجمن روانشناسي امريكا بيانيهاي سياستگذارانه منتشر كرد كه در آن تأكيد شده است كه اگرچه هوش مصنوعي ميتواند ارزيابي، مداخله و پژوهش را در حوزه روانشناسي دگرگون كند اما گسترش و بهرهگيري از آن بايد بر بنيانهاي اخلاقي مبتني بر حقوق بشر و نيزمعيارهاي علمي سختگيرانه استوار باشد. همچنين پژوهشگران برجسته نيز بر اين باورند كه زير شاخه جديدي به نام «روانشناسي و هوش مصنوعي» در حال شكلگيري است كه بر پايه سهدهه پژوهش و پيشرفت در روانشناسي سايبري قرار دارد (كراگلو و مدودف، 2025) . اين دگرگونيها و پيشرفتها بيانگر افزايش مسووليت جامعه روانشناسي در راستاي ارتقاي كاربردهاي اخلاقي و عملي هوش مصنوعي در حوزه عمل و پژوهشهاي باليني است.
استفاده از هوش مصنوعي در حوزه روانشناسي
روانشناسي در گسترش و به كارگيري هوش مصنوعي نقش اساسي دارد. روانشناسان با بهرهگيري از چارچوبهاي نظري ميتوانند به اعتبارسنجي الگوريتمهاي تشخيصي، تشخيص سوگيريهاي پنهان در مدلهاي زباني و ارزيابي پيامدهاي اخلاقي و اجتماعي ابزارهاي ديجيتال كمك كنند. اين همكاري به افزايش دقت تشخيص و ارتقاي سطح شخصيسازي در مداخلات ميانجامد (لي و همكاران، 2021) . به علاوه، روانشناسان ميتوانند با روشهاي گوناگون از ظرفيتهاي هوش مصنوعي در حوزه تخصصي خود بهره ببرند كه در ادامه گستردهتر بررسي خواهيم كرد.
اپليكيشنهاي سلامت روان ديجيتال
اپليكيشنهاي سلامت روان ديجيتال شامل دامنهاي از مداخلات موبايلي مبتني بر وب هستند كه با بهرهگيري از تكنولوژي هوش مصنوعي امكان عرضه نوعي پشتيباني رواني مقياسپذير، در دسترس و تقاضا محور را براي همه فراهم ميآورند. با وجود تعداد فراوان اين اپليكيشنها، تنها تعداد محدودي از آنها تاكنون با آزمايشهاي دقيق باليني و كنترل شده مورد ارزيابي قرار گرفتهاند (كاسو و همكاران، 2024) .
يادگيري ماشيني و دقت تشخيصي
الگوريتمهاي يادگيري ماشيني اين قابليت را دارند كه به روانشناسان ياري رسانند الگوهاي پيچيده رفتاري و عصب- روانشناختي را تشخيص دهند و از اين طريق دقت تشخيصهاي روانپزشكي را بالا ببرند و پيشبينيهاي درماني را بهتر كنند (لي و همكاران، 2021) .
پردازش زبان طبيعي (NLP) در پژوهشهاي روانشناسي و طب باليني
پردازش زبان طبيعي از زير شاخههاي هوش مصنوعي است كه از طريق تحليل يادداشتهاي باليني، مصاحبههاي بيمار، روايتنويسي و محتواي توليد شده در رسانههاي اجتماعي به شناسايي نشانگرهاي زباني مرتبط با پريشاني رواني كمك ميكند (لي و همكاران، 2012؛ مالگارولي وهمكاران، 2023؛ ژانگ و همكاران، 2022) . استفاده از تكنيكهاي پردازش زبان طبيعي امكان شناسايي سيگنالهاي هشدارِ اوليه براي اختلالهايي مانند افسردگي و روانپريشي را فراهم ميآورد زيرا با استفاده از اين تكنيكها و تحليل الگوهاي زباني در متنها ميتوان شاخصهاي اوليه بيماري رواني را يافت (ژانگ و همكاران، 2022) . با اين حال مدلهاي پردازش زبان طبيعي ممكن است داراي سوگيريهاي فرهنگي يا زباني باشند، به گونهاي كه برخي گويشهاي غير استاندارد يا ساختارهاي زباني نامعمول را به اشتباه طبقهبندي كنند (لاريچوا و همكاران، 2024) . پردازش زبان طبيعي در پژوهشهاي كيفي مجموعه گستردهاي از تكنيكها را بر پايه هوش مصنوعي فراهم ميآورد، تكنيكهايي كه ميتوانند تمام مرحلههاي تحليل متن را، از آمادهسازي دادهها گرفته تا گزارشدهي تسهيل كنند. بهطور ويژه، هوش مصنوعي ميتواند به صورت خودكار واژههاي كليدي و عبارتهاي پرتكرار را با بهرهگيري از روشهاي آماري و مدلهاي يادگيري ماشيني شناسايي كرده و بيرون بكشد و بدين سان اطلاعات مهم و درونمايههاي ضروري را در مجموعههاي بزرگ متن برجسته كند.
كاربرد هوش مصنوعي در پژوهشهاي كيفي روانشناسي
روشهاي گوناگوني براي به كارگيري هوش مصنوعي در پژوهشهاي كيفي وجود دارد. پژوهشگران كيفي ميتوانند با استفاده از خدمات رونويسي مبتني بر هوش مصنوعي محتواي مصاحبهها، گفتوگوهاي گروههاي متمركز و ساير فايلهاي صوتي را با دقت بالا به متن تبديل كنند. در مرحله تحليل، نرمافزارهاي پيشرفتهاي مانند NVivo و MAXQDA از الگوريتمهاي يادگيري ماشيني براي شناسايي خودكار درونمايهها، الگوهاي مفهومي و واژههاي كليدي بهره ميگيرند. اين سامانهها پيشنهادهاي كدگذاري خودكار ارايه ميدهند و بهطور يكپارچه و هماهنگ در گردش كار پژوهشهاي كيفي جذب ميشوند، به گونهاي كه حجم قابل توجهي از كارهاي دستي در مراحل كدگذاري كاسته ميشود و اين كدگذاريها دقت تحليل پژوهشگران را بيشتر ميكند. ابزارهاي كدگذاري مبتني بر هوش مصنوعي- از جمله قابليتهاي جديدATLAS- كدگذاري را آسان ميكنند. هوش مصنوعي كدگذاري بتاti با شناسايي داده، كدهاي اوليه را پيشنهاد ميكند. همچنين ابزارهاي تجسم دادهها مبتني بر هوش مصنوعي ميتوانند ابرهاي واژگاني و خوشههاي معنايي توليد كنند و بدين سان دادههاي پيچيده را از طريق نمايشهاي گرافيكي، ساده ميكنند. در پژوهشهايي كه دادههايش چند زبانه است ابزارهاي ترجمه مانند چت جيپيتي و ساير ابزارها اين امكان را فراهم ميكنند كه پژوهشگران بتوانند پاسخها را بهطور دقيق بخوانند و تحليل كنند (چان و تنگ، 2024؛ لي، 2024؛ لين لين،؛ 2024) . كيفيت يك ترجمه نهتنها به توانمنديهاي هوش مصنوعي، بلكه به ميزان مهارت پژوهشگر در به كارگيري تكنيكهاي مناسب مهندسي درخواست بستگي دارد. به سخن ديگر يك ترجمه دقيق و معتبر مستلزم آن است كه پژوهشگر جزيياتي مانند هدف ترجمه مخاطب هدف و اطلاعات زمينهاي مرتبط را درخواست نمايد (چان و تنگ، 2024) .
اخلاق و حريم خصوصي
اگرچه هوش مصنوعي ميتواند با خودكار كردن ارزيابيهاي اوليه و نظارت بر پيشرفت، وقت روانشناسان را براي انجام فعاليتهاي پيچيدهتر باليني آزاد كند اما با مجموعهاي از خطرات و چالشهاي اخلاقي و موضوع حريم خصوصي نيز رو به رو است.اين چالشها شامل مسائلي چون رضايت آگاهانه، امنيت دادهها، صداقت در پژوهش و حفظ اتحادِ درماني در تعاملات ماشين - انسان هستند. روانشناسان در شناسايي و پيشگيري از تخلفات اخلاقي در حوزه پژوهش و كار باليني نقشي اساسي و مهم دارند (ايوانز، 2024) . آنها بايد اصول مهمي چون نيكوكاري، عدالت و احترام به شأن انسانها را در استفاده از تكنولوژيهاي جديد به كار گيرند.همچنين نظارت انساني در اعتبارسنجي خروجيهاي هوش مصنوعي و جلوگيري از بروز اطلاعات نادرست ضروري است. هوش مصنوعي ميتواند برخي وظايف اداري را ساده كند و دسترسي پژوهشگران را به منابع و تحليلهاي پيچيده بيشتر كند اما نظارت اخلاقي دقيق و ارزيابي مستمر انساني نيز براي جلوگيري از آسيبها و حفظ اعتماد عمومي ضروري است (آبرامز، 2025؛ ايسرسال و همكاران، 2024) . براي نمونه خود من در نقش ويراستار يك مجله، شاهد موج فزايندهاي از مقالهها هستم كه حاوي استنادهاي توليد شده توسط هوش مصنوعي هستند. اين مساله به ويژه در ابزارهايي مانند چت جيپيتي براي نوشتن مقاله شايع و رايج است. از نمونههاي رايجِ اين نوع استنادهاي نادرست، «ارجاع واهي» است. ارجاع واهي ارجاعي است كه « در آن عناصر يك مرجع با عناصر ديگر از منبعي ديگر كه هيچ ارتباطي با آن ندارد تركيب ميشود» (دانفورد و همكاران، 2024) . ارجاعهاي واهي و ساير ارجاعهاي ساخته شده با هوش مصنوعي را ميتوان با جستوجوي شناسه شي ديجيتال يا با بررسي جلد يا با بررسي جلد و شماره مجله در فهرست منابع شناسايي كرد. استنادهاي ساختگي يكپارچگي پژوهش را تضعيف ميكنند و در واقع نوعي آسيب به علم وارد ميكنند (امسلي، 2023) . اغلب فراموش ميكنيم كه چت جيپيتي در اصل ابزاري براي پردازش زبان است نه سامانهاي براي بازيابي اطلاعات. بنابراين چت جيپيتي برخلاف يك پژوهشگر انساني به اينكه خروجياش دقيق، درست و معتبر باشد بيتفاوت است (والترز و ويلرز، 2023) . همچنين هوش مصنوعي ميتواند براي دستكاري تصويرها و توليد دادههاي ساختگي مورد استفاده قرار گيرد.كارخانههاي كاغذسازي هم از هوش مصنوعي در مقياس بسيار بزرگ استفاده ميكنند. سادهترين روشها براي تشخيص اينكه يك مقاله با استفاده از هوش مصنوعي نوشته شده است يا نه، تحليل كتابشناسي يا فهرست منابع آن است. اين تحليل ميتواند سرنخهاي خوبي درباره يكپارچگي پژوهش در اختيار ما قرار دهد (دانفورد و همكاران، 2024) . اما چگونه ميتوان به چالشهايي كه هوش مصنوعي براي حوزه ما ايجاد ميكند پرداخت؟ درحوزه باليني بايد از شيوههاي اخلاقي هوش مصنوعي در روانشناسي پشتيباني كنيم. متخصصان بايد موضوع رضايت آگاهانه و شفاف را سرلوحه كار خود قرار دهند، به گونهاي كه نوع دادههاي جمعآوري شده، چگونگي بهرهبرداري از آنها و افرادي كه ممكن است اين اطلاعات با آنها مطرح شود به مراجعان توضيح داده شود. اطلاعات بايد از طريق فرمهاي رضايتنامه قابل فهم و تعاملي ارايه شود. همچنين متخصصان بايد به اصل حداقلسازي دادهها پايبند باشند و تنها اطلاعاتي را گردآوري كنند كه به كارشان ميآيد. انجام مميزيهاي منظم و انتشار خلاصه گزارشها نيز ميتواند نقش مهمي در تضمين پاسخگويي و شفافيت داشته باشد. افزون بر اين، اِعمال نظارت انساني از طريق الزام متخصصان به بررسي همه تصميمهاي پرخطر (مانند تشخيص يا پيشبيني خطر) مولفهاي ضروري در بهرهگيري مسوولانه از هوش مصنوعي است.در حوزه پژوهش، ارايه آموزشها و تدوين دستورالعملهاي دقيق براي كاربردهاي هوش مصنوعي و جلوگيري از خطرات ناشي از استفاده غير اخلاقي از آن بسيار ضروري است. سردبيران مجلهها نيز بايد فهرست منابع و كتابشناسي نسخههاي خطي ارسالي را با دقت ارزيابي كنند تا تهديدهاي بالقوه براي صداقت علمي را شناسايي كنند. با رشد روزافزون استفاده از هوش مصنوعي بايد به پيامدهاي احتمالي آن در حوزه صداقت پژوهش هوشيار باشيم.
نتيجهگيري
با نفوذ روزافزون هوشمصنوعي در پژوهشها و كارهاي باليني، چهره روانشناسي بهطور بنيادين در حال دگرگوني است. پژوهشگران اكنون ميتوانند از يادگيري ماشيني در كشف الگوهاي رفتاري انسان بهره بگيرند. درمانگران نيز ميتوانند از مولفههاي گفتاري براي كاهش بار وظايف اداري استفاده كنند. با افزايش نفوذ و اهميت هوش مصنوعي پرسش بنيادي آلن تورينگ كه «آيا ماشينها ميتوانند بينديشند؟» بار ديگر اهميت مييابد و ما را واميدارد كه بين تقليد محاسباتي و ادراك واقعي تمايز بيفكنيم. با اين حال چيزي كه ما انسانها از آن برخورداريم اما هنوز هوش مصنوعي آن را ندارد توانايي تفكر انتقادي، داوري اخلاقي و تصميمگيريهاي مبتني بر انصاف و عدالت اجتماعي است. در چنين وضعيتي بايد به حدود اخلاقي و شناختي هوش مصنوعي بينديشيم، از اتكاي بيش از حد به مدلهاي جعبه سياه بپرهيزيم و در همان حال ابعاد ويژه انساني ازجمله اعتماد، همدلي، اصول اخلاقي و انديشه اصيل و راستين را حفظ كنيم؛ كه البته همه اينها براي كار ما به عنوان روانشناس و پژوهشگر در اين حوزه ضروري هستند.
*(دانشگاه ايبرو-امريكايي، مكزيكوسيتي)
ترجمه: عليرضا عباسي (پژوهشگر و استاد فلسفه)
منابع در دفتر روزنامه موجود است
پاورقي
1- هوش مصنوعي آلفاگو موفق شد لي سدول، قهرمان 18 دوره از مسابقاتGO را ببرد.بازي GO يك بازي تختهاي بسيار پيچيده است با احتمالهاي بسيار زياد براي هر حركت./مترجم