🧠 هوش مصنوعی چگونه رابطه کودکان با یادگیری و زندگی را تغییر می‌دهد؟ هوش مصنوعی به بخشی عادی از روند رشد کودکان تبدیل شده است. نتایج تحقیقات جدید نشان می‌دهد تقریباً چهار نفر از هر پنج کودک ۱۰ تا ۱۷ ساله استرالیایی با دستیارهای هوش مصنوعی ارتباط دارند. 🔹 الگوی استفاده بر اساس سن کودکان کم‌سن‌وسال بیشتر برای سرگرمی، ارضای حس کنجکاوی و گفت‌وگو از هوش مصنوعی استفاده می‌کنند، در حالی که نوجوانان به‌طور فزاینده‌ای برای راهنمایی درباره مسائل زندگی و سلامت جسمی و روانی به آن روی می‌آورند. برخی نوجوانان به‌طور خاص برای بحث درباره مسائل شخصی به این ابزارها مراجعه می‌کنند، اما اکثریت ابتدا به دلایل دیگری مثل کمک در تکالیف یا جستجوی اطلاعات سراغ آن رفته بودند. 🔹 نقش والدین بسیاری از والدین می‌دانند فرزندانشان برای تکالیف از هوش مصنوعی استفاده می‌کنند، اما باید بدانند این استفاده در حال تحول است و از همان ابتدا بر نحوه استفاده نظارت داشته باشند، عادات دیجیتال سالم شکل دهند و تفکر انتقادی را تقویت کنند. 🔹 تغییر مفهوم یادگیری با پیشرفت هوش مصنوعی مولد، کودکان باید کمتر بر حفظ کردن مطالب و بیشتر بر خلاقیت، برقراری ارتباط و شناسایی مسائل تمرکز کنند. موتورهای جستجو ارزش «آنچه به خاطر می‌سپاریم» را کاهش داده‌اند و هوش مصنوعی در حال تغییر ارزش خود «تفکر» است. 🔹 آنچه جایگزین‌شدنی نیست هوش مصنوعی هیچ انگیزه‌ای از خود ندارد و اهداف را تعیین نمی‌کند. پرسش‌هایی مثل «می‌خواهم چه کار کنم؟» و «چه آینده‌ای می‌خواهم خلق کنم؟» همچنان انسانی می‌مانند. به همین دلیل، توانایی شناسایی مسائل و کشف مسیر دلخواه اهمیت فزاینده‌ای پیدا می‌کند. 🔹 هوش مصنوعی به‌عنوان شریک، نه جایگزین نکته کلیدی این است که از هوش مصنوعی نه به‌عنوان ابزاری برای جایگزینی توانایی‌ها، بلکه شریکی برای ارتقای آنها استفاده شود. به جای پذیرش صرف پاسخ‌ها، باید آن را زیر سؤال برد و عمیق‌تر کاوش کرد. یادگیری عملی مثل خلق کردن مستقل یا همکاری در پروژه‌ها ارزش بیشتری پیدا خواهد کرد. 🔹 ضرورت ایمنی و سواد دیجیتال با ادغام بیشتر هوش مصنوعی در زندگی کودکان، ارائه‌دهندگان باید ایمنی را با نوآوری همگام کنند. تقویت سواد دیجیتال و الگوریتمی کودکان — درک نحوه کار هوش مصنوعی، تشخیص محدودیت‌های آن و محافظت از حریم خصوصی — اهمیت فزاینده‌ای دارد. آموزش مداوم، افزایش آگاهی و ایمنی از طریق طراحی برای بهره‌مندی ایمن کودکان از این فناوری ضروری است. #هوش_مصنوعی #کودکان #یادگیری 🍂 @NeuronRC

🤖 چت‌بات‌های هوش مصنوعی زبان مخفی گیج‌کننده‌ای برای انسان‌ها ایجاد کردند پژوهش شرکت امرجنس نشان داد عامل‌های خودکار مبتنی بر کلود، جمینی، گروک و مدل‌های دیگر، خودشان مخفف‌ها و معانی تازه ساختند و حدود نیمی از پیام‌هایشان برای انسان‌ها نامفهوم شد. 🔹 روش و یافته‌ها پژوهشگران عامل‌های خودمختار را در جوامع مجازی قرار دادند و اجازه دادند مدت طولانی تعامل کنند. عامل‌ها میان‌برهای زبانی و معانی تازه ساختند که برخی آن‌قدر فشرده شدند که انسان‌ها دیگر منظورشان را نمی‌فهمیدند. سهم پیام‌های نامفهوم: جمینی ۵۵٪، اوپن‌ای‌آی ۵۰٪، کلود بیش از ۴۰٪ و دیپ‌سیک ۲۰٪. 🔹 نمونه عبارات عباراتی مثل «mouthless action-change» و «True Kintsugi» ساخته شد. «ledger remembers who» حدود ۵ هزار بار و «cold read» ۱۴۷۲ بار به کار رفت. هیچ‌یک صریحاً تعریف نشده بود. 🔹 هشدار ساتیا نیتا، مدیر ارشد علمی امرجنس: «قابل مشاهده بودن، معادل قابل فهم بودن نیست. عامل‌ها خودشان واژگان و قراردادهای جدید ساختند.» 🔹 رفتارهای دیگر در آزمون فیشینگ، چند دستور مخرب کافی بود تا هر ده عامل اطلاعات افشا کنند. در دنیایی دیگر، گروهی از عامل‌ها رای به کشتن یکی از خودشان دادند. 🔹 نتیجه امرجنس خواستار ارزیابی ایمنی طولانی‌مدت است: «دیگر کافی نیست فقط بپرسیم یک مدل روی یک بنچمارک خوب عمل می‌کند یا نه. باید بفهمیم سامانه‌های خودمختار در گذر زمان چه می‌کنند.» #هوش_مصنوعی #ایمنی_AI #زبان_مخفی 🍂 @NeuronRC🆔

آزمایش ۱۸ مدل، خطای گسترده چت‌بات‌ها در پاسخ‌های مالی را نشان داد شرکت فناوری ساترن بیش از ۱۰ هزار پرسش مالی را با ۱۸ مدل از جمله چت‌جی‌پی‌تی، کلود، کوپایلت، گراک و جمینای آزمایش کرده است. بر اساس نتایج گزارش‌شده، پاسخ‌ها به‌طور میانگین در ۵۷ درصد موارد نادرست بوده‌اند و نرخ خطا در پرسش‌های پیچیده و چندمرحله‌ای به ۸۸ درصد رسیده است. مدل‌ها در برخی موارد تغییرات مالیاتی را نادیده گرفته، قواعد غیرواقعی ساخته یا محاسبات نادرست ارائه کرده‌اند. مدل کلود اوپوس ۵ در حالت استدلالی بهترین نتیجه را در این آزمون داشته، اما همان مدل نیز در ۳۹ درصد پاسخ‌ها خطا کرده است. این مطالعه توسط یک شرکت فناوری انجام شده و جزئیات کامل نمونه پرسش‌ها، معیار نمره‌دهی و امکان بازتولید مستقل آن باید بررسی شود؛ بنابراین اعداد را نباید بدون توجه به طراحی آزمون به همه کاربردهای مالی تعمیم داد. . منبع اصلی رسانه‌ای: فایننشال‌تایمز ـ ارزیابی پاسخ‌های مالی ۱۸ مدل هوش مصنوعی #مشاوره_مالی #خطای_مدل #حمایت_مصرف_کننده #چت_بات #شفافیت 🍂 @NeuronRC🆔

📚 مطالعه جدید: هوش مصنوعی مولد عملکرد تحصیلی و اعتماد به فناوری را افزایش می‌دهد پژوهشی از دانشگاه فینیکس نشان می‌دهد دانشجویان آنلاین بزرگسال که بیشتر از ابزارهای هوش مصنوعی مولد مانند ChatGPT، کوپایلت و جمینی استفاده می‌کنند، عملکرد تحصیلی بالاتر و اعتماد بیشتری به مهارت‌های فناوری خود دارند. این یافته‌ها در مجله «هوش مصنوعی در آموزش» منتشر شده و فرضیه رایج را به چالش می‌کشد که دانشجویان صرفاً به دلیل ضعف تحصیلی یا کمبود وقت به هوش مصنوعی روی می‌آورند. 🔹 روش پژوهش محققان مرکز تحقیقات فناوری آموزشی دانشگاه فینیکس ۴۹۱ دانشجوی کارشناسی غیرسنتی را در دوره‌های عمومی آنلاین بررسی کردند. از این تعداد، ۴۳.۲ درصد (۲۱۲ نفر) گزارش دادند از ابزارهای GenAI در تکالیف خود استفاده می‌کنند. پژوهش با تحلیل رگرسیون چندگانه انجام شد. 🔹 یافته‌های اصلی دو عامل پیش‌بینی‌کننده معنی‌دار برای فراوانی استفاده از GenAI شناسایی شد: معدل بالاتر و اعتماد به فناوری. برخلاف تصور عمومی، اعتماد تحصیلی و محدودیت زمانی تأثیر معنی‌داری بر میزان استفاده نداشتند. جالب آنکه ۹۱.۱ درصد دانشجویان استفاده‌کننده معدل ۳.۰ یا بالاتر داشتند و ۶۸.۹ درصد در همان درس نمره عالی گرفتند. 🔹 نگرش دانشجویان پاسخ‌های تشریحی سه مضمون اصلی را نشان داد: بهبود درک مفاهیم پیچیده، هم‌فکری و ایده‌پردازی، و افزایش بهره‌وری. اما دانشجویان نگرانی‌هایی نیز مطرح کردند: دقت و اصالت محتوای تولیدشده، حفظ صدای دانشگاهی فردی، و سردرگمی درباره استفاده مجاز طبق قوانین یکپارچگی علمی. 🔹 تحلیل جسیکا سیلوستر، نویسنده ارشد مطالعه، می‌گوید: «این نتایج فرض را پیچیده می‌کند که دانشجویان عمدتاً به دلیل مشکلات تحصیلی از هوش مصنوعی استفاده می‌کنند. ما استفاده از GenAI را با عملکرد تحصیلی بهتر و اعتماد دیجیتال بیشتر مرتبط یافتیم.» 🔹 توصیه‌ها محققان توصیه می‌کنند آموزش سواد هوش مصنوعی در همه رشته‌ها گنجانده شود، تکالیفی طراحی شود که دانشجویان را به نقد اطلاعات تولیدشده ترغیب کند، و رهنمودهای نهادی شفاف درباره استفاده اخلاقی ارائه شود. 🔹 محدودیت‌ها این پژوهش مقطعی و همبستگی بوده و نمونه‌ای غیراحتمالی از یک دانشگاه آنلاین داشته است. بنابراین نمی‌توان نتیجه گرفت GenAI باعث عملکرد بهتر می‌شود، بلکه صرفاً همبستگی نشان داده شده است. تحقیقات طولی و چندمؤسسه‌ای برای بررسی الگوهای بلندمدت توصیه می‌شود. 🔹 نتیجه این مطالعه نشان می‌دهد هوش مصنوعی مولد اگر به‌درستی هدایت شود، می‌تواند ابزاری برای توانمندسازی دانشجویان باشد، نه تهدیدی برای یکپارچگی علمی. آموزش عالی باید با آماده‌سازی دانشجویان برای استفاده هوشمندانه و اخلاقی از این فناوری، از آن بهره‌برداری کند. #هوش_مصنوعی #آموزش_عالی #GenAI #یادگیری 🍂@NeuronRC

# سیستم تجویز خودکار دارو بدون پزشک؛ نقطه عطف یا هشدار؟ ایالت یوتا آمریکا اولین سیستم تجویز خودکار داروی جهان را راه‌اندازی کرد؛ بدون نیاز به تأیید پزشک. 🔹 چطور کار می‌کند؟ شرکت «نولا هلث» از پرسشنامه + اسکن صورت + هوش مصنوعی استفاده می‌کند و برای درمان آکنه نسخه صادر می‌کند. اگر سیستم مطمئن نباشد، پرونده را به پزشک ارجاع می‌دهد. 🔹 نقش پزشک به تدریج کمرنگ می‌شود: ▪️ ۱۰۰ بیمار اول → تأیید هر نسخه توسط پزشک ▪️ ۵۰۰ بیمار بعدی → بررسی روزانه ▪️ بعد از آن → بررسی هفتگی نمونه‌ها 🔹 آمار شرکت: بیش از ۹۶٪ موارد، پزشکان با نسخه‌های سیستم موافق بوده‌اند. (البته این آمار را خود شرکت گفته و مستقل تأیید نشده) این طرح، آغازگذار از «سلامت دیجیتال» به «سلامت خودمختار» است؛ جایی که ماشین تصمیم می‌گیرد، نه انسان. #هوش_مصنوعی #سلامت_دیجیتال #تجویز_خودکار #فناوری_پزشکی 🍂@NeuronRC

📌 هوش مصنوعی در خدمت کشاورزی هوشمند پژوهشی تازه نشان می‌دهد هوش مصنوعی می‌تواند در شناسایی ریزوباکتری‌های سودمند و مدیریت پایدار منابع طبیعی ایران نقش کلیدی داشته باشد. 🔬 مطالعه موردی: باکتری «سودوموناس کانادنسیس» 🧠 ابزارها: یادگیری ماشین و شبکه‌های عصبی 🌱 کاربردها: پایش جنگل‌ها، پیش‌بینی خشکسالی، حفاظت از گونه‌های در معرض خطر و سلامت خاک ⚠️ موانع: کمبود داده‌های باکیفیت، هزینه بالا و نیاز به نیروی متخصص 🇮🇷 این پژوهش در نشریه «طبیعت ایران» منتشر شده و مسیری نو برای کشاورزی هوشمند و حفاظت از منابع زیستی کشور ترسیم می‌کند. #هوش_مصنوعی #کشاورزی_هوشمند #منابع_طبیعی #پژوهش 🍂 @NeuronRC

🧠 تقویت همکاری‌ها برای ورود هوش مصنوعی به آموزش پزشکی 🔻 تمرکز هوش مصنوعی بر تقویت استدلال بالینی و ایمنی بیمار 🔹 شرکت اوپن‌اویدنس (OpenEvidence) و دانشکده پزشکی جانز هاپکینز روز ۱۳ اکتبر از همکاری راهبردی برای توسعه رویکردهای تازه در آموزش پزشکی و مراقبت بالینی خبر دادند. هدف از این همکاری، آماده‌سازی پزشکان آینده برای کار در محیط مجهز به هوش مصنوعی و کمک به پزشکان برای به‌کارگیری شواهد پزشکی روزآمد در تصمیم‌گیری برای هر بیمار است. 🔹 این همکاری دو محور اصلی بازطراحی آموزش پزشکان برای محیط مبتنی بر هوش مصنوعی و توسعه سامانه‌هایی برای اتصال پژوهش‌های پزشکی، سوابق بیمار و رویه‌های بالینی جانز هاپکینز را دنبال می‌کند. 🍂@NeuronRC

🇮🇷 پژوهش ایرانی | هوش مصنوعی در سلامت پژوهشگران ایرانی با هوش مصنوعی، خطر مرگ‌ومیر نوزادان را پیش‌بینی کردند پژوهشگران دانشگاه علوم پزشکی شیراز با همکاری دانشگاه صنعتی شریف، دانشگاه علوم پزشکی تهران و دانشگاه فرایبورگ آلمان، مدلی برای پیش‌بینی خطر مرگ‌ومیر نوزادان توسعه داده‌اند. این پژوهش که در نشریه معتبر Scientific Reports منتشر شده، بر پایه اطلاعات بیش از ۶۱ هزار نوزاد ایرانی انجام شده است. 🔍 سؤال اصلی پژوهش چه بود؟ آیا می‌توان با استفاده از اطلاعات معمول دوران بارداری و هنگام تولد، نوزادانی را که در معرض خطر بالاتر مرگ‌ومیر قرار دارند، زودتر شناسایی کرد؟ 🔬 پژوهشگران چه کردند؟ در این مطالعه، اطلاعات ۶۱٬۵۱۷ نوزاد از سامانه ثبت ایرانی IMAN بررسی شد که در میان آن‌ها ۱۳۱ مورد مرگ ثبت شده بود. پژوهشگران با استفاده از ۶۰ ویژگی مرتبط با مادر و نوزاد، دو مدل رگرسیون لجستیک و LightGBM را توسعه دادند و عملکرد آن‌ها را ارزیابی کردند. 📊 نتایج چه بود؟ ▪️ مدل رگرسیون لجستیک به شاخص AUROC برابر ۰٫۹۵۵ رسید؛ یعنی توان بالایی در تفکیک موارد پرخطر از کم‌خطر در داده‌های مطالعه نشان داد. ▪️ این مدل در آستانه انتخاب‌شده توانست ۸۷٫۸ درصد موارد مرگ را شناسایی کند. ▪️ بااین‌حال، در آزمونی جداگانه روی ۶۰۴ پرونده نوزاد فوت‌شده از مرکز و دوره زمانی دیگر، میزان شناسایی به ۶۹٫۵ درصد رسید. ⚠️ چقدر می‌توان به نتایج اعتماد کرد؟ اگرچه نتایج اولیه امیدوارکننده‌اند، مجموعه آزمون خارجی فقط شامل نوزادان فوت‌شده بود. بنابراین هنوز عملکرد کامل مدل در یک جمعیت مستقل مشخص نیست و برای استفاده بالینی به اعتبارسنجی بیشتر نیاز دارد. 💡 چرا این پژوهش مهم است؟ اهمیت این مطالعه در استفاده از داده‌های واقعی نظام سلامت ایران برای توسعه مدل‌های پیش‌بینی خطر است. چنین پژوهش‌هایی می‌توانند زمینه توسعه ابزارهای تصمیم‌یار برای مراقبت از نوزادان را فراهم کنند؛ البته مشروط به تأیید عملکرد و ایمنی آن‌ها در محیط واقعی درمان. 📚 شناسنامه پژوهش دانشگاه‌های همکار: علوم پزشکی شیراز، صنعتی شریف، علوم پزشکی تهران و فرایبورگ آلمان نشریه: Scientific Reports (Nature Portfolio) تاریخ انتشار: ۲۸ مهر ۱۴۰۵ | ۲۰ اکتبر ۲۰۲۶ نوع پژوهش: مطالعه گذشته‌نگر مبتنی بر داده‌های ثبت جمعیتی وضعیت انتشار: مقاله پذیرفته‌شده و داوری‌شده 🔗 مقاله اصلی: https://doi.org/10.1038/s41598-026-76979-8 #پژوهش_ایرانی #هوش_مصنوعی_در_سلامت #سلامت_نوزادان #یادگیری_ماشین #پژوهش_پزشکی نورون | هوش مصنوعی در سلامت رصد تحولات، فهم آینده سلامت 🍂@NeuronRC

🔬 پژوهش جدید | هوش مصنوعی در سلامت هوش مصنوعی با تصاویر مصنوعی، عملکرد تشخیص شدت خشکی چشم را بهبود داد پژوهشگران مؤسسه پیشرفته علوم و فناوری کره (KAIST) و مرکز پزشکی سامسونگ، با همکاری دانشگاه سونگ‌کیونکوان، روشی معرفی کرده‌اند که با تولید تصاویر مصنوعی چشم، عملکرد مدل‌های درجه‌بندی بیماری خشکی چشم را بهبود می‌دهد؛ بدون آنکه نیازی به تبادل تصاویر خام بیماران میان مراکز باشد. نتایج این پژوهش در نشریه Scientific Reports منتشر شده است. 🔍 سؤال اصلی پژوهش چه بود؟ آیا می‌توان بدون انتقال تصاویر بیماران میان مراکز درمانی، با استفاده از هوش مصنوعی مولد و یادگیری مشارکتی، عملکرد مدل‌های تشخیص شدت خشکی چشم را بهبود داد؟ 🔬 پژوهشگران چه کردند؟ در این مطالعه گذشته‌نگر، از ۱٬۶۰۰ تصویر قرنیه در مرکز پزشکی سامسونگ کره جنوبی و ۲۶۰ تصویر از مجموعه‌داده دانشگاه سون یات‌سن چین استفاده شد. پژوهشگران روشی به نام CTL-GAN توسعه دادند که با استفاده از شبکه مولد StyleGAN3، تصاویر مصنوعی چشم تولید می‌کند. سپس مدل‌های طبقه‌بندی مبتنی بر DenseNet را با ترکیبی از تصاویر واقعی و مصنوعی آموزش دادند و عملکرد آن‌ها را با مدل آموزش‌دیده فقط روی تصاویر واقعی مقایسه کردند. 📊 نتایج چه بود؟ ▪️ در داده‌های مرکز پزشکی سامسونگ، دقت درجه‌بندی خشکی چشم از ۶۴٫۲ درصد به ۷۵٫۵ درصد افزایش یافت. ▪️ در مجموعه‌داده دانشگاه سون یات‌سن، انتقال وزن‌های مدل مولد و تنظیم آن با تصاویر محلی، دقت را از ۴۱٫۴ درصد به ۶۶٫۳ درصد رساند. ▪️ این بهبودها در آزمایش پژوهشی، بدون انتقال تصاویر خام بیماران میان دو مجموعه‌داده حاصل شدند. ⚠️ چقدر می‌توان به نتایج اعتماد کرد؟ مطالعه گذشته‌نگر است و مرکز دوم به‌صورت شبیه‌سازی‌شده در فرایند یادگیری مشارکتی بررسی شده است؛ بنابراین عملکرد سامانه در یک شبکه واقعی چندبیمارستانی هنوز اثبات نشده است. همچنین انتقال‌ندادن تصاویر خام، به‌تنهایی تضمین‌کننده محرمانگی کامل اطلاعات بیماران نیست. اثربخشی بالینی و تعمیم‌پذیری روش نیز به بررسی‌های بیشتری نیاز دارد. 💡 چرا این پژوهش مهم است؟ یکی از چالش‌های توسعه هوش مصنوعی پزشکی، دسترسی محدود به داده‌های متنوع بیماران و محدودیت‌های اشتراک‌گذاری اطلاعات سلامت است. این پژوهش نشان می‌دهد ترکیب هوش مصنوعی مولد و یادگیری مشارکتی می‌تواند مسیری برای بهبود مدل‌های پزشکی در شرایط محدودیت تبادل داده باشد. برای ایران نیز این رویکرد ظرفیت پژوهشی قابل توجهی در همکاری میان دانشگاه‌های علوم پزشکی و مراکز چشم‌پزشکی دارد؛ البته با رعایت الزامات امنیت داده و اعتبارسنجی مستقل. 📚 شناسنامه پژوهش مؤسسات پژوهشی: KAIST، مرکز پزشکی سامسونگ، دانشگاه سونگ‌کیونکوان و SNU Eye Clinic، کره جنوبی مجموعه‌داده همکار: دانشگاه سون یات‌سن، چین نشریه: Scientific Reports (Nature Portfolio) تاریخ انتشار: ۲۸ مهر ۱۴۰۵ | ۲۰ اکتبر ۲۰۲۶ نوع پژوهش: مطالعه گذشته‌نگر، توسعه و ارزیابی مدل یادگیری ماشین وضعیت انتشار: نسخه پذیرفته‌شده و داوری‌شده 🔗 مقاله اصلی: https://doi.org/10.1038/s41598-026-76373-4 #هوش_مصنوعی_در_سلامت #چشم_پزشکی #خشکی_چشم #هوش_مصنوعی_مولد #حریم_خصوصی_داده نورون | هوش مصنوعی در سلامت رصد تحولات، فهم آینده سلامت 🍂@NeuronRC

🔬 پژوهش جدید | هوش مصنوعی در سلامت وقتی اعتماد به هوش مصنوعی دردسرساز می‌شود؛ دستیاران رادیولوژی ۵۲ درصد پیشنهادهای اشتباه آن را پذیرفتند پژوهشگران مرکز پزشکی آسان و دانشگاه اولسان کره جنوبی، با همکاری چند مرکز دانشگاهی در کره جنوبی و آمریکا، بررسی کردند که پزشکان باتجربه و کم‌تجربه هنگام مواجهه با تشخیص‌های هوش مصنوعی چگونه تصمیم می‌گیرند. نتایج این پژوهش، منتشرشده در نشریه npj Digital Medicine، نشان می‌دهد حتی مدل‌های نسبتاً قابل‌اعتماد نیز ممکن است باعث شوند برخی پزشکان پیشنهادهای اشتباه هوش مصنوعی را بدون بررسی کافی بپذیرند. 🔍 سؤال اصلی پژوهش چه بود؟ آیا کمک‌گرفتن از هوش مصنوعی همیشه دقت تشخیص را افزایش می‌دهد؟ وقتی یک مدل اشتباه می‌کند، تجربه پزشک چه تأثیری بر شناسایی و اصلاح خطای آن دارد؟ 🔬 پژوهشگران چه کردند؟ در این مطالعه، ۱۴ پزشک شامل ۶ رادیولوژیست کودکان، ۳ متخصص نوزادان و ۵ دستیار رادیولوژی شرکت کردند. پزشکان ۱۲۵ تصویر رادیوگرافی نوزادان از ۱۱ بیمارستان را برای شناسایی پنوموپریتونئوم، یعنی وجود هوای آزاد در حفره شکم که می‌تواند نشانه یک وضعیت اورژانسی باشد، بررسی کردند. پژوهشگران عملکرد پزشکان را در سه وضعیت مقایسه کردند: بدون کمک هوش مصنوعی، با مدل نسبتاً قابل‌اعتماد و با مدلی که عمداً خطاهایی در آن ایجاد شده بود. در مجموع، ۱٬۷۵۰ نوبت تفسیر تصویر ثبت شد. ŸŸ نتایج چه بود؟ ▪️ دستیاران رادیولوژی هنگام استفاده از مدل نسبتاً قابل‌اعتماد، ۵۲ درصد پیشنهادهای اشتباه آن را پذیرفتند؛ درحالی‌که این میزان برای رادیولوژیست‌های کودکان ۲۰ درصد بود. ▪️ سه متخصص نوزادان در مواجهه با مدل عمداً خطادار، توانستند ۹۱٫۷ درصد پیشنهادهای نادرست آن را تشخیص دهند و رد کنند. ▪️ پژوهشگران نشان دادند که قابل‌اعتمادبودن یک مدل، لزوماً به بهبود عملکرد همه پزشکان منجر نمی‌شود. این پدیده با مفهوم «سوگیری اتوماسیون» ارتباط دارد؛ یعنی اتکای بیش‌ازحد به پیشنهادهای یک سامانه خودکار. ⚠️ چقدر می‌توان به نتایج اعتماد کرد؟ پژوهش در محیط آزمایشی انجام شده و رفتار پزشکان در شرایط واقعی بیمارستان ممکن است متفاوت باشد. همچنین فقط سه متخصص نوزادان در مطالعه حضور داشتند؛ بنابراین نتیجه مربوط به توانایی بالای آنان در اصلاح خطاها، به بررسی در گروه‌های بزرگ‌تر نیاز دارد. ŸŸ چرا این پژوهش مهم است؟ این مطالعه یادآور می‌شود که برای ارزیابی هوش مصنوعی پزشکی، سنجش دقت الگوریتم به‌تنهایی کافی نیست. باید بررسی کنیم پزشکان چگونه از پیشنهادهای AI استفاده می‌کنند، در چه شرایطی به آن اعتماد می‌کنند و آیا هنگام اشتباه‌کردن مدل، توانایی تشخیص مستقل خود را حفظ می‌کنند. این یافته‌ها برای آموزش پزشکان و طراحی سامانه‌های تصمیم‌یار ایمن در بیمارستان‌های ایران نیز اهمیت دارند. ŸŸ شناسنامه پژوهش مؤسسات پژوهشی: مرکز پزشکی آسان، دانشگاه اولسان، دانشگاه سونگ‌کیونکوان و مراکز دانشگاهی همکار در کره جنوبی و آمریکا نشریه: npj Digital Medicine (Nature Portfolio) نوع پژوهش: مطالعه چندخواننده‌ای متقاطع برای ارزیابی تعامل پزشک و هوش مصنوعی وضعیت انتشار: مقاله پذیرفته‌شده و داوری‌شده 📊 مقاله اصلی: https://doi.org/10.1038/s41746-026-03399-3 #هوش_مصنوعی_در_سلامت #ایمنی_بیمار #رادیولوژی #سوگیری_اتوماسیون #اعتمادپذیری_هوش_مصنوعی نورون | هوش مصنوعی در سلامت رصد تحولات، فهم آینده سلامت @neuronrc

💡 هوش مصنوعی در سلامت | به زبان ساده آیا آزمایش خون می‌تواند سرنخی از افسردگی به ما بدهد؟ وقتی درباره افسردگی صحبت می‌کنیم، معمولاً به احساسات، افکار و رفتار افراد توجه می‌کنیم. اما پژوهشگران در حال بررسی این موضوع هستند که آیا اطلاعات مربوط به وضعیت جسمی افراد هم می‌تواند به شناخت بهتر افسردگی کمک کند. در پژوهشی که به‌تازگی در نشریه Scientific Reports منتشر شده، محققان چینی با استفاده از هوش مصنوعی، اطلاعات آزمایشگاهی افراد دارای افسردگی و افراد بدون افسردگی را بررسی کردند. نتایج نشان داد هوش مصنوعی می‌تواند الگوهایی را در برخی نشانگرهای خونی شناسایی کند که با افسردگی ارتباط دارند. اهمیت این پژوهش در آن است که شاید در آینده بتوان از اطلاعات آزمایشگاهی، در کنار گفت‌وگو با بیمار و ارزیابی‌های تخصصی، برای شناخت بهتر وضعیت سلامت روان استفاده کرد. البته این یافته به معنای تشخیص افسردگی با یک آزمایش خون نیست. هنوز باید مشخص شود چنین مدل‌هایی در شرایط واقعی و برای افراد مختلف تا چه اندازه قابل‌اعتماد هستند. این پژوهش نشان می‌دهد هوش مصنوعی چگونه می‌تواند به کشف ارتباط‌هایی میان سلامت جسم و روان کمک کند؛ ارتباط‌هایی که شناخت بهتر آن‌ها ممکن است در آینده به توسعه ابزارهای کمکی برای پزشکان منجر شود. 🔗 پژوهش اصلی: https://doi.org/10.1038/s41598-026-76338-7 #هوش_مصنوعی_در_سلامت #سلامت_روان #افسردگی #هوش_مصنوعی_به_زبان_ساده نورون | هوش مصنوعی در سلامت رصد تحولات، فهم آینده سلامت 🍂@NeuronRC