بررسی نگرش ها، چالش های اخلاقی و نیازهای آموزشی کادر درمان در رویارویی با هوش مصنوعی مولد: یک مرور سیستماتیک شواهد تجربی

مقدمه: ادغام سریع مدل های زبانی بزرگ (LMS) در نظام سلامت نیازمند گذار از ارزیابی های صرفا فنی مانند دقت تشخیصی به سمت بررسی های جامع اجتماعی-فنی (Socio-technical) است. در حالی که این ابزارها ظرفیت بالایی برای کاهش بار اداری دارند، پذیرش آنها در بالین با ابهامات اخلاقی گسترده ای مواجه است. این مرور سیستماتیک با هدف تحلیل عمیق نگرش ذی نفعان، محدودیت های معرفت شناختی و نیازهای آموزشی کادر درمان در استفاده از هوش مصنوعی تدوین شده است. روش کار: این مطالعه با پیروی دقیق از دستورالعمل PRISMA انجام شد. جستجوی جامع در پنج پایگاه داده الکترونیکی معتبر (شامل Web of Science، PubMed و Scopus) برای مقالات منتشر شده تا سال ۲۰۲۶ صورت گرفت. از مجموع ۱۴۱۶ رکورد اولیه، پس از حذف موارد تکراری ۹۵۱ مقاله یکتا به دست آمد. در نهایت با اعمال معیارهای ورود و خروج سخت گیرانه روی متن کامل مقالات. یافته ها: تحلیل داده ها نشان دهنده یک شکاف نسلی و تفاوت معنادار در نگرش کادر درمان است. بیش از ۸۳٪ از پزشکان نگرانی های اخلاقی جدی نسبت به استفاده از هوش مصنوعی در کارهای علمی و بالینی ابراز کردند. این میزان در اساتید بالینی ۸۷٪ و در دستیاران پزشکی ۷۲٪ بود. عمده ترین چالش های اخلاقی گزارش شده شامل خطر سرقت ادبی (۸۹٪ در اساتید در برابر ۷۹٪ در دستیاران)، کاهش بار شناختی یا Cognitive off-loading (۷۵٪) و محدودیت های استدلالی مدل ها (۸۹٪) بود. از منظر معرفت شناختی، ارزیابی ها نشان می دهند که LLMها دچار سندرم غیر عملی سازی (Depragmatization) و فقدان نهادینگی هستند؛ به این معنا که اگرچه ساختار زبانی قضاوت بالینی را به درستی تولید می کنند اما نمی توانند مسئولیت استنتاج ها و عواقب آن را در یک چارچوب نهادینه بپذیرند. همچنین کادر درمان از کاهش استقلال حرفه ای و کدربودن (Opacity) الگوریتم ها به شدت ابراز نگرانی کرده اند. برای مقابله با این چالش ها، ۹۱٪ از اساتید و ۷۱٪ از دستیاران خواستار ادغام آموزش های رسمی هوش مصنوعی در کوریکولوم های پزشکی هستند و ۷۰٪ از آنان رویکرد مجوزدهی و نظارت قانون مند را بر ممنوعیت کامل یا استفاده آزادانه ترجیح می دهند. نتیجه گیری: استقرار ایمن و مسئولانه هوش مصنوعی در پزشکی نیازمند فراتر رفتن از سنجش دقت و تمرکز بر پیامدهای انسانی آن است. خطراتی نظیر اتکای بیش از حد (Automation bias) و کاهش مهارت های شناختی کادر درمان، تدوین پادمان های آکادمیک (Academic safeguards) و چارچوب های نظارتی پویا را الزامی می سازد. ارائه آموزش های هدفمند سواد دیجیتال و حفظ استقلال حرفه ای پزشک به عنوان تصمیم گیرنده نهایی برای تضمین عدالت، شفافیت و اعتماد در سیستم های مراقبت بیمارمحور حیاتی است.

کلیدواژه ها:

هوش مصنوعی ، مدل های زبانی بزرگ (LMS) ، استدلال بالینی ، دقت تشخیصی ، تصمیم گیری ، بالینی ، مراقبت بیمار محور