⏱ زمان مطالعه: ۱۰ تا ۱۱ دقیقه
در مقالهی «پارادوکس شایستگی» دیدیم که خطر اصلی برای متخصصان، بیسوادی مفهومی در عین مهارت کاربردی است. این واژهنامه برای بستن همان شکاف است: نه برای مهندس شدن، بلکه برای اینکه وقتی بروشور یک ابزار را میخوانید، بدانید هر ادعا دقیقاً چه میگوید و چه نمیگوید. اصطلاحات در چهار دسته آمدهاند و هر جا ممکن بوده، به مثالهای همین مجموعه گره خوردهاند.
دستهی اول: ماشین چگونه حرف میزند؟
سامانهی قاعدهمحور (Rule-based). پاسخها از پیش نوشته شدهاند و ابزار از یک درخت تصمیم پیروی میکند. قابل پیشبینی اما غیرمنعطف. مثال: Woebot، که تیم بالینی تکتک مسیرهایش را نوشته بود. جدّ بزرگ این خانواده ELIZA است.
مدل زبانی بزرگ (LLM). مدلی که روی حجم عظیمی از متن آموزش دیده و پاسخ را در لحظه تولید میکند، نه بازیابی. منعطف اما غیرقابل پیشبینی کامل. مثال: ChatGPT، و Ash.
مدل بنیادین (Foundation Model). مدل بزرگ عمومیای که پایهی کاربردهای تخصصی قرار میگیرد. وقتی Slingshot از «مدل بنیادین روانشناسی» حرف میزند، یعنی ادعا میکند این پایه را مشخصاً روی دادهی سلامت رفتاری ساخته است.
تنظیم دقیق (Fine-tuning). آموزش تکمیلی یک مدل ازپیشساخته برای رفتار در حوزهای خاص؛ مثل کاری که تیم بالینی Ash کرد تا مدل بداند کِی چالش کند و کِی سکوت. نکتهی ارزیابی: تنظیم دقیق «گرایش» میسازد، نه «تضمین».
یادگیری تقویتی (Reinforcement Learning). بهبود رفتار مدل از طریق بازخورد و پاداش. در ابزارهای مصرفی این پرسش را ایجاد میکند: مدل برای چه چیزی پاداش میگیرد؟ بهزیستی کاربر یا زمان استفادهی بیشتر؟
توهمسازی (Hallucination). تولید محتوای غلط اما روان و مطمئن توسط مدل زبانی. در بافت بالینی، خطرناکترین ویژگی نسل مولد؛ چون کاربر آسیبپذیر ابزاری برای تشخیص آن ندارد.
دستهی دوم: شواهد را چگونه بخوانیم؟
کارآزمایی تصادفی کنترلشده (RCT). استاندارد طلایی: شرکتکنندگان تصادفی به گروه مداخله و کنترل تقسیم میشوند. مثال: مطالعهی Fitzpatrick (۲۰۱۷) روی Woebot. هر ادعای «اثباتشده» بدون RCT، ناقص است.
اندازهی اثر (Effect Size؛ d یا g). بزرگی تفاوت، نه فقط معناداری آماری. قرارداد تقریبی: حدود ۰٫۲ کوچک، ۰٫۵ متوسط، ۰٫۸ بزرگ. متاآنالیزهای چتباتهای درمانی اثرهایی بین ۰٫۲۸ تا ۰٫۶۴ نشان دادهاند؛ واقعی اما نه معجزه.
متاآنالیز و مرور نظاممند. ترکیب آماری نتایج چندین مطالعه (متاآنالیز) یا جمعبندی روشمند کل ادبیات (مرور نظاممند). یک RCT خوب سیگنال است؛ متاآنالیز الگو.
قانون ریزش (Law of Attrition). مشاهدهی بنیادین آیزنباخ (۲۰۰۵): در مداخلات دیجیتال، رها کردن ابزار پیش از پایان دوره یک ویژگی ذاتی است، نه استثنا. ریزش فعلی ابزارهای مکالمهای: حدود ۲۲ تا ۲۷ درصد.
تضاد منافع (Conflict of Interest). وقتی پژوهش توسط سازنده انجام یا حمایت شده است. بیاعتبارکننده نیست، اما وزن شواهد را کم میکند؛ درس پروندهی Wysa.
اعتبارسنجی بیرونی (External Validation). آزمون مدل روی دادهای غیر از دادهی آموزشش. دقتهای خیرهکننده (مثلاً ۹۱ درصد) بدون اعتبارسنجی بیرونی، معمولاً در دنیای واقعی فرو میریزند؛ هشداری که پژوهشگران ایرانی هم دادهاند.
دستهی سوم: مفاهیم بالینی این تقاطع
اثر ELIZA. گرایش انسان به فرافکنی فهم و همدلی به برنامهای که فقط الگو تطبیق میدهد؛ از منشی وایزنبام در ۱۹۶۶ تا امروز.
اتحاد درمانی (Working Alliance) و WAI. کیفیت پیوند و همکاری درمانگر و مراجع، از قویترین پیشبینهای نتیجهی درمان؛ سنجیدهشده با پرسشنامهی WAI. یافتهی غافلگیرکنندهی Darcy (۲۰۲۱): کاربران Woebot نمراتی مقایسهپذیر با درمان چهرهبهچهره گزارش کردند.
درمان دیجیتال (DTx) و نرمافزار بهمثابهی دستگاه پزشکی (SaMD). نرمافزاری که ادعای پزشکی رسمی دارد و وارد مسیر رگولاتوری میشود؛ مثل WB001. نقطهی مقابلش: دستهی «تندرستی عمومی» (Wellness) که Ash تلاش میکند در آن بماند.
برچسب Breakthrough Device. ورود به مسیر بازبینی تسریعشدهی FDA؛ نه تأیید نهایی. خلط این دو، رایجترین اغراق بازاریابی این حوزه است.
درگیرسازی (Engagement). میزان و کیفیت استفادهی مداوم کاربر. دو طراحی متضاد را از هم تشخیص دهید: درگیرسازی در خدمت هدف درمانی، در برابر درگیرسازی در خدمت بازگشت به اپ (ایمیل «بینشهای جدید منتظر شماست»).
انطباق فرهنگی (Cultural Adaptation). بازطراحی عمیق مداخله برای بافت فرهنگی، فراتر از ترجمه. تفاوتش قابل اندازهگیری است: ریزش ۵۶ درصدی در ترجمهی صرف در برابر زیر ۱۱ درصد در انطباق عمیق.
چگونه از این واژهنامه استفاده کنیم؟
سه اصطلاح از این فهرست، بیشترین بار تشخیصی را دارند: هر جا «اثباتشده» دیدید، سراغ RCT و اندازهی اثر بروید؛ هر جا «تأیید FDA» دیدید، بپرسید Breakthrough بوده یا مجوز نهایی؛ و هر جا آمار موفقیت درخشان دیدید، بپرسید اعتبارسنجی بیرونی داشته یا نه. همین سه پرسش، اکثر اغراقهای بازاریابی این صنعت را غربال میکند.
پرسش پایانی: کدامیک از این اصطلاحات را پیش از این مقاله، در گفتوگو یا نوشتهای به کار برده بودید بدون آنکه تعریف دقیقش را بدانید؟ پاسخ صادقانه به این پرسش، نقشهی شخصی شما برای قدم بعدی است.
منابع
این واژهنامه بر منابع مقالات پیشین همین مجموعه استوار است؛ از جمله: Fitzpatrick et al., JMIR Mental Health (2017)؛ Darcy et al., JMIR Formative Research (2021)؛ Eysenbach, JMIR (2005)؛ Sohn et al., npj Digital Medicine (2026)؛ مرور ریزش JMIR (2024)؛ مرور انطباق فرهنگی JMIR (2025)؛ توصیهنامهی APA (نوامبر ۲۰۲۵)؛ و مستندات رسمی Woebot Health و Slingshot AI. لینک کامل هر منبع در مقالهی مربوط آمده است.
این مقاله بخشی از مجموعه یادداشتهای تخصصی روانای در تقاطع روانشناسی و هوش مصنوعی است و جایگزین مشاوره یا ارزیابی حرفهای نیست.
