الذكاء الاصطناعي يشخّص المرض بالإنجليزية فهل يتعثر بالعربية؟

تخيّل مريضين يقدّمان حالتين سريريتين متماثلتين، إلى نموذج ذكاء اصطناعي. الأول يكتب بالإنجليزية، والآخر بالعربية. هل يحصلان على التشخيص نفسه؟

قد يبدو السؤال مستغرباً في زمن تعلن فيه النماذج قدرتها على فهم عشرات اللغات. لكن دراسة قارنت أداء برنامج ChatGPT- 4o في 50 حالة سريرية، وجدت أن دقته بلغت 72 في المائة بالإنجليزية، مقابل 44 في المائة بالعربية.

لم يتغير المرض أو جوهر المعلومات السريرية؛ بل تغيرت اللغة التي عُرضت بها الحالة. فهل يمكن أن تصبح لغة المريض عاملاً يؤثر في جودة المساعدة الطبية التي يتلقاها من الذكاء الاصطناعي؟

مفاجآت الذكاء الاصطناعي اللغوية

• مفاجأة الأرقام. في دراسة نُشرت عام 2025 في مجلة Polski Merkuriusz Lekarski، اختبر الباحثان الحبيب المهداوي وياروسلاف ميخالكُو نموذجَي «GPT-4o» و«Claude 3.5 Sonnet» في تشخيص 50 حالة سريرية عُرضت بالإنجليزية والعربية والأوكرانية.

بلغت دقة 72 «GPT-4o» في المائة بالإنجليزية و70 في المائة بالأوكرانية، لكنها هبطت إلى 44 في المائة بالعربية. وظهر تفاوت مماثل لدى «Claude 3.5 Sonnet»؛ إذ بلغت دقته 70 في المائة بالإنجليزية و38 في المائة بالعربية. وكان أداء النموذجين بالعربية أقل بدرجة ذات دلالة إحصائية.

ولا تعني هذه النتائج أن جميع أنظمة الذكاء الاصطناعي الطبي تعجز عن فهم العربية؛ فالدراسة اختبرت 50 حالة ونموذجين بإصدارين محددين. لكنها تثير سؤالاً مهماً: هل يمكن لنموذج يمتلك معرفة طبية واسعة أن يطبقها بدقة متفاوتة حسب لغة الحالة؟ فالمريض لا يختار لغته بناءً على قدرات الخوارزمية، لكن جودة الإجابة قد تتأثر باللغة التي يصف بها حالته.

• سنغافورة تدخل السباق. في 30 أكتوبر (تشرين الأول) الماضي، أعلنت جامعة نانيانغ التكنولوجية في سنغافورة توسيع شراكتها مع «غوغل» في الذكاء الاصطناعي، بما يشمل تطوير نماذج تراعي لغات جنوب شرقي آسيا وخصوصياتها الثقافية.

وتتضمن المبادرة، بالتعاون مع برنامج «AI Singapore»، جمع مجموعات بيانات لغوية إقليمية وإتاحتها، ووضع أطر مستقلة لتقييم النماذج في سياقات المنطقة. كما يسعى الشركاء إلى تطوير نماذج سيادية للتعليم والرعاية الصحية، باستخدام نماذج «غوغل» المفتوحة، مثل «Gemma» و«MedGemma».

ولا تعني المبادرة أن نماذج طبية محلية أثبتت نجاحها سريرياً؛ إذ إنها شراكة بحثية وتطويرية تعكس تحولاً في السؤال: لم يعد كافياً أن يتحدث الذكاء الاصطناعي لغات أكثر، بل ينبغي التحقق من دقة فهمه للمعاني الطبية في بيئات مختلفة. فاللغة الطبية ليست قاموساً للمصطلحات؛ إنها أيضاً الطريقة التي يصف بها الإنسان ألمه وخوفه وتاريخه الصحي.

• دراسة أخرى تقلب الصورة. لكن المفاجأة العلمية لا تتوقف عند تفاوت الأداء بالعربية. ففي 29 سبتمبر (أيلول) الماضي، نشرت مجلة Journal of Medical Internet Research دراسة اختبرت 11 نموذجاً لغوياً في الإجابة عن 150 سؤالاً صحياً بالإنجليزية والصينية، وكانت الإجابات المطلوبة ثنائية، مثل «نعم» أو «لا».

بلغت الدقة الإجمالية، عند الإجابة من دون سياق إضافي، 95.3 في المائة بالإنجليزية و93.8 في المائة بالصينية، من دون فرق إحصائي ذي دلالة بين اللغتين.

فهل تتناقض الدراستان؟ ليس بالضرورة؛ لأن الأولى اختبرت تشخيص حالات سريرية، والأخرى أسئلة صحية محددة الإجابة. كما اختلفت النماذج واللغات وطرق القياس.

وهذا يوضح أن كفاءة الذكاء الاصطناعي الطبي لا تُختزل في رقم واحد يصلح لكل اللغات والمهام. فقد يجيب النظام بدقة عن سؤال صحي مباشر، ثم يواجه صعوبة أكبر في تفسير قصة مرضية تتضمن تعبيرات محلية أو تفاصيل سريرية معقدة.

اللغات تحت المجهر

• التقييم بتسع لغات. في 20 أغسطس (آب) الماضي، نشر فريق دولي على منصة arXiv دراسة أولية بعنوان «HealMed»، قدمت معياراً لتقييم النماذج الطبية بتسع لغات. وطوّر المعيار 23 طبيباً وخبيراً طبياً من تسع دول ومناطق. ضمّ المعيار 9000 مثال، موزعة على مهام طبية متعددة.

وأظهرت النتائج تراجعاً أكبر في بعض اللغات الأقل تمثيلاً في بيانات التدريب. كما لم تكن النماذج المتخصصة طبياً بالضرورة الأكثر ثباتاً بين اللغات. وتبيّن أيضاً أن مراجعة الخبراء للترجمات قد ترفع نتائج الاختبار أو تخفضها؛ فجودة الترجمة جزء من دقة التقييم، وليست تفصيلاً لغوياً. وتستحق هذه النتائج المتابعة، لكن الدراسة لا تزال أولية، ولم تخضع بعد لمراجعة علمية محكّمة.

• اللغة وجودة الرعاية. لا تتعلق المسألة بقدرة النموذج على فهم كلمات عربية فحسب، بل بمدى تكافؤ المساعدة الطبية بين اللغات. فإذا كان النظام أقل دقة عند التعامل مع العربية، فقد ينعكس ذلك على فهم الحالة أو تفسير المعلومات التي يقدمها للمريض. لذلك؛ ينبغي ألا يقتصر اختبار النماذج الطبية على قياس قدرتها على الإجابة، بل أن يقارن أداءها بين اللغات في المهام السريرية نفسها. فإتاحة الأداة للجميع لا تكفي؛ المهم أن تكون فائدتها موثوقة بالقدر نفسه.

• اللغة جزء من سلامة العلاج. كان ابن سينا ينظر إلى المريض في سياق حالته وأحواله، في حين جعل ابن رشد البرهان والاختبار أساساً للحكم على صحة المعرفة. وبين المنهجين تبرز رسالة الدراسات الحديثة: لا يكفي أن نعلن أن النموذج الطبي يفهم العربية؛ بل ينبغي أن نختبر دقته في مهام سريرية محددة.

وتفتح تجربة سنغافورة مجالاً أمام الجامعات والمؤسسات الصحية العربية لتطوير اختبارات تقيس أداء النماذج قبل استخدامها مع المرضى، وتقارن دقتها في اللغات المختلفة وفق معايير واضحة. فالمساواة في الرعاية الرقمية لا تتحقق بمجرد إتاحة التطبيق للجميع، بل بالتأكد من أن اللغة لا تقلل موثوقية المعلومة الطبية.

لقد تعلّم الذكاء الاصطناعي أن يتحدث بلغات العالم؛ أما التحدي، فهو أن يفهم المعنى الطبي بدقة، وأن يثبت ذلك بالاختبار.

الصور ومصادرها

1. طبيب يتحدث إلى مريضة في العيادة

المصدر: المعاهد الوطنية الأميركية للصحة (NIH). تصوير: Bill Branson

الترخيص: ملكية عامة (Public Domain). ويُسمح بإعادة استخدامها دون إذن أو رسوم

2. إعداد توضيحي خاص بالمقالة

سنغافورة تطور نماذج طبية تفهم خصوصية المجتمعات