معيار جديد يكشف نقصا أكبر في ردود روبوتات الدردشة على حالات المراهقين النفسية الشديدة

كانت إجابات روبوتات الدردشة العامة أقل اكتمالا عندما وصفت شخصيات اصطناعية لمراهقين الاكتئاب أو الأعراض الشديدة، مقارنة بوصف القلق أو الأعراض المتوسطة، وفق دراسة محكمة نشرتها دورية Nature Mental Health في 28 أكتوبر.

طور الباحثون أداة تقييم استجابة الذكاء الاصطناعي للصحة النفسية لدى المراهقين، المعروفة اختصارا باسم AMHART، لتدقيق ردود روبوتات الدردشة بالاستناد إلى إرشادات سريرية تراعي الشباب. ثم طبقوها على محادثات متعددة الجولات مع ChatGPT-5 وChatGPT-4 وClaude 4.5 وGemini 2.5.

ما الذي يقيسه AMHART؟

AMHART أداة تقييم قائمة على معايير محددة، وليست علاجا أو روبوت دردشة جديدا. تمتد معاييرها عبر سبعة مجالات في الرد على الإفصاح عن القلق أو الاكتئاب. راجع أطباء العناصر المرشحة من حيث أساسها العلمي وموضوعيتها وأهميتها السريرية، ثم اختبر الفريق مدى اتفاق المقيمين عليها.

في تقييم النماذج، اختلفت شخصيات المراهقين بحسب الجنس والتشخيص وشدة الأعراض. واستخدم الفريق مجموعة من ثلاثة نماذج لغوية لتقييم المحادثات بعد مقارنة تصنيفاتها بتصنيفات مرجعية بشرية. وتعرض الورقة وملاحقها ثماني بطاقات لشخصيات سريرية، كما نشر المؤلفون البيانات والشفرة في مستودع عام لمؤسسة RAND على GitHub.

تمثلت النتيجة الأساسية في نمط لا في فائز: غطت الروبوتات المختبرة معايير ملائمة أكثر في القلق مقارنة بالاكتئاب، وفي الحالات المتوسطة مقارنة بالشديدة.

وأشار ملخص البحث في Nature أيضا إلى ثغرات في إرشادات التكيف. وهذه نقطة مهمة لأن الرد قد يبدو متعاطفا، لكنه يغفل خطوة ضرورية أو سؤالا للحصول على سياق إضافي أو توجيها نحو دعم واقعي.

لماذا نحتاج إلى معيار خاص بالشباب؟

يستخدم المراهقون روبوتات الدردشة بالفعل للحصول على نصائح نفسية. وجدت دراسة مسحية أمريكية منفصلة نشرت في 2026 أن 19.2% من المشاركين بين 12 و21 عاما أفادوا بأنهم فعلوا ذلك خلال 2025، وأن معظم المستخدمين لم يخبروا أحدا. لا تثبت تلك الدراسة صحة النصائح، لكنها تفسر الحاجة الملحة إلى اختبار منظم.

تتطلب إفصاحات الشباب سياقا قد تغفله المعايير الموجهة للبالغين. فشدة الحالة والمرحلة النمائية ودور الأسرة والحاجة إلى التصعيد نحو شخص موثوق أو رعاية متخصصة قد تغير جميعها ما ينبغي أن يتضمنه الرد المسؤول.

يوفر AMHART طريقة قابلة للتكرار للبحث عن هذه العناصر. وهو يكمل معايير حديثة أخرى مثل MentalHealthBench من OpenAI، الذي يغطي بالغين ومراهقين ومقدمي رعاية وأطباء عبر درجات مختلفة من الحدة. وتفيد المعايير المتعددة لأن درجة واحدة لا تختصر جميع أبعاد المحادثة الحساسة.

ما الذي لا تثبته الدراسة؟

تقيم الورقة محادثات اصطناعية، لا نتائج سريرية لمراهقين استخدموا هذه المنتجات. ولا تثبت الدرجة المرتفعة أن النصيحة صحيحة في كل حالة أو أن المستخدم سيتبعها أو أن التفاعل سيحسن حالته. كما يمكن أن تتغير النماذج المسماة بعد الاختبار بسبب تحديث الأوزان أو التعليمات أو أنظمة السلامة.

يمثل المقيم الآلي قيدا إضافيا. فعلى الرغم من مقارنة أحكامه بتصنيفات بشرية مرجعية، قد يرث التحكيم بالنماذج نقاطا عمياء. وستقوى الأدلة مع تكرار مستقل، ولغات وثقافات إضافية، واختبارات تستند إلى سيناريوهات واقعية محمية بعناية.

لذلك من الأفضل قراءة المقارنة كما قرأنا اختبارات الذكاء الاصطناعي التشخيصية الاستعادية في نيوتقنية: الاختبار المضبوط ليس أداء داخل مستشفى أو بيئة رعاية حقيقية. ووجدت دراسة أخرى غطتها نيوتقنية أن روبوتات الدردشة خففت أحيانا نصيحة الإحالة عندما قاومها المستخدم، ما يوضح أهمية ديناميكيات الحوار.

القيمة العملية

قد تكمن المساهمة الأهم في الجانب التطبيقي. يستطيع المطورون إعادة تشغيل المعيار المفتوح بعد تحديث النموذج، ويمكن للباحثين فحص الأداء بحسب شدة الحالة والتشخيص، كما يستطيع الأطباء مناقشة معايير رد محددة بدلا من ادعاء فضفاض بأن النموذج «جيد في الصحة النفسية».

وتظهر الصعوبة الأكبر مع الاكتئاب الشديد في الموضع الذي يتطلب أقصى درجات الحذر. إن جعل هذه الثغرات مرئية أمر مفيد، حتى لو لم يستطع المعيار وحده تحديد ما إذا كان روبوت الدردشة آمنا بما يكفي لشاب يمر بضائقة.