AI INAPOKOSEA, AI YA PILI HUWASAIDIA MADAKTARI VIJANA

Modeli za AI sasa zinaweza kuangalia picha ya eksirei na historia ya mgonjwa na kupendekeza utambuzi pamoja na maelezo ya sababu kwa maandishi. Kama hilo linasaidia hutegemea si modeli tu, bali jinsi madaktari wanavyoitikia — hasa pendekezo linapokuwa si sahihi. Tafiti za awali, zilizonukuliwa na makala, ziligundua kuwa madaktari wenye uzoefu mdogo hunufaika zaidi na msaada wa AI lakini pia ndio walio katika hatari kubwa zaidi ya kupotoshwa na makosa yake.

Timu kutoka Chuo Kikuu cha Nanchang na Chuo Kikuu cha Sayansi na Teknolojia cha Hong Kong ilijaribu wazo rahisi lililotokana na akili ya pamoja: kuwaonyesha madaktari maoni mawili huru ya AI badala ya moja.

Jaribio la nasibu lenye mikono mitatu

Lin Wu, Zhe Xu, Fuqing Zhou na wenzao waliendesha jaribio hili katika hospitali tatu nchini China kati ya Julai na Septemba 2026, likiwa limesajiliwa katika Sajili ya Majaribio ya Kitabibu ya China. Waliwasajili madaktari wanafunzi (residents) 132 wenye uzoefu wa chini ya miaka mitatu, wa radiolojia na wa fani nyingine (tiba ya ndani, upasuaji wa jumla, tiba ya dharura), na kuwagawa kinasibu katika vikundi vitatu:

Kikundi A: mapendekezo kutoka GPT-5.4 peke yake;
Kikundi B: GPT-5.4 pamoja na Kimi-K2.6;
Kikundi C: GPT-5.4 pamoja na Gemini-3.6 Flash.

Washiriki hawakujua walikuwa wakiona modeli zipi. Madaktari wanafunzi tisa walijiondoa kwa sababu ya hitilafu za mtandao au kujisikia vibaya, na kubakiza 123 katika uchambuzi.

Wote walisoma picha 60 zilezile za eksirei ya kifua na tumbo. Kwa kila moja, kwanza walitoa utambuzi wao wenyewe na kuufunga, kisha wakaona pendekezo au mapendekezo ya AI, kisha wakatoa jibu la mwisho. Kesi zilichaguliwa kwa makusudi ili kila modeli iwe sahihi katika 39 kamili kati ya 60 (65%) — na GPT-5.4, modeli ya pamoja, ilikosea katika 21. Kwa kulinganisha, wataalamu watano wa radiolojia wenye uzoefu wa mwaka mmoja hadi mitano walipata 54.3% bila AI.

AI inayokosea hufanya nini

Kwa wote kwa pamoja, usahihi ulipanda kutoka 46.3% hadi 61.5% kwa msaada wa AI. Sehemu ya kuvutia ni kilichotokea kwenye picha 21 ambazo GPT-5.4 ilikosea:

Madaktari wanafunzi wa radiolojia wenye AI moja walimalizia kwenye usahihi wa 20.0% katika kesi hizo. Bila AI, kikundi hichohicho kilikuwa kimepata 31.4%: pendekezo lisilo sahihi liliwavuta chini.
Wakiwa na AI mbili, madaktari wanafunzi wa radiolojia walifikia 40.1% na 40.4%.
Madaktari wanafunzi wa fani nyingine wanaonyesha mtindo uleule, kutoka 12.1% wakiwa na AI moja hadi takriban 31% wakiwa na mbili.

Katika kesi zote 60, madaktari wanafunzi wa radiolojia waliboreka kwa pointi 9.6 za asilimia wakiwa na AI moja, na kwa pointi 16.3 na 17.5 wakiwa na mbili — takriban pointi 7 zaidi. Muda wa kusoma na kiwango cha kujiamini havikutofautiana kati ya vikundi.

Hakuna cha bure

Maoni ya pili yana gharama. Kwa madaktari wanafunzi nje ya radiolojia, pale GPT-5.4 ilipokuwa sahihi, kuongeza modeli ya pili kulishusha usahihi kutoka 87.4% hadi takriban 75%: AI yenye maoni tofauti ingeweza kuwashawishi kuacha jibu sahihi. Kwa jumla, maboresho yao hayakutofautiana kati ya AI moja na mbili. Na pale modeli zote mbili zilipokosea, uchambuzi wa kiuchunguzi haukupata faida yoyote muhimu kutoka kwa ya pili.

Waandishi wanahitimisha kuwa mapendekezo mawili “yanaweza” kupunguza ushawishi wa AI inayokosea, kwa faida ya jumla kwa madaktari wanafunzi wa radiolojia pekee.

Mipaka ya kukumbuka

Kesi 60 zilichaguliwa ili kuzipa modeli zote usahihi uleule, kwa hiyo haziakisi kazi ya kila siku.
Athari inaweza kutegemea ni mara ngapi modeli mbili hazikubaliani, jambo linalotofautiana kutoka jozi moja hadi nyingine.
Hakuna ukokotoaji rasmi wa ukubwa wa sampuli uliofanywa; idadi ya washiriki ilitegemea usajili uliowezekana.
Ugawaji wa nasibu wenyewe ulitengenezwa kwa kuiomba modeli nyingine ya lugha, DeepSeek, orodha iliyosawazishwa, ambayo ilitumika bila kubadilishwa.

Kinachofuata, kwa mujibu wa waandishi, ni tafiti zenye wagonjwa wasiochaguliwa na ufuatiliaji wa macho, ili kuona jinsi madaktari wanavyopima kwa kweli mashine mbili zisizokubaliana.