در برابر iDoctor

این نوشتار، ترجمۀ مقاله‌ای با نام «Against the iDoctor: why artificial intelligence should not replace physician judgment» نوشتۀ Kyle E. Karches، متخصص بیماری‌های داخلی از دانشگاه سنت لوییس، است.

مقدمۀ مترجم: در این مقاله، اصطلاحات متعددی همچون بازگشت ابدی، ارادۀ معطوف به قدرت، افعال و اعمال کانونی، پارادایم دستگاه، گشتل، فراآوری و درافتادن از منظر فیلسوفانی چون نیچه، بورگمان و هایدگر به کار رفته است که شرح یک‌یک آنان در این مقال نمی‌گنجد. از خوانندگان علاقه‌مند دعوت می­‌شود جهت درک بهتر مطلب، این اصطلاحات را جست‌وجو کنند. همچنین مستندی تحت عنوان «Being in the World» ضمیمۀ ترجمۀ حاضر قرار گرفته که در آن بخشی از آراء هایدگر از زبان درایفوس توضیح داده می­‌شود. تماشای این مستند می­‌تواند جهت درک بخش­‌های مرتبط این مقاله مفید باشد.

مقدمه

دوران ما، دوران دودلی و تردید در باب تکنولوژی است. از یک‌سو، خود را شیفتۀ سوگند تکنولوژی مبنی بر اینکه توانایی‌هایمان را گسترش می‌دهد و زندگی‌هایمان را آسان‌تر می‌کند، می‌یابیم. مقالۀ اخیرِ راوی پاریخ[5] و همکاران در ژورنال انجمن پزشکی آمریکا[6] را در نظر بگیرید؛ او در این مقاله خواستار ادغام الگوریتم‌‌های «واکاوش پیش‌نگر[7]» که از اطلاعات قبلی برای پیش‌بینیِ نتایج آینده استفاده می‌کند، در مراقبت بالینی شد [1]. نویسندگان این مقاله با ارجاع به مثال‌هایی همچون سیستم پیشنهاد محصول برای خرید آنلاین در سایت آمازون، ادعا کرده‌اند «الگوریتم‌های مصنوعی یادگیری ماشین» این‌چنینی، می‌توانند «اَبَرداده[8]» حاصل از پرونده‌های الکترونیک بیماران (HER)[9] را تحلیل و در نتیجه با پیش‌‌بینی خطر، منابع و امکانات موجود را بر طبق آن هدایت کند [1, p. 651]. برای مثال، بیمارستان یادبود پارکلند در دالاس هم‌اکنون برای شناسایی بیمارانی که به‌طور جدی در معرض خطر مراجعه و بستری مجدد هستند، از چنین الگوریتمی استفاده می‌کند. نویسندگان مقاله به این دغدغه‌‌ که چنین سیستم‌هایی می‌توانند حریم شخصی بیمار را تهدید و نقش قضاوت پزشک را تضعیف کنند، اشاره کرده‌اند. آن‌ها علی‌رغم این اشاره، ادعا کرده‌اند «الگوریتم‌ها به‌طورمعمول کارآمدتر از شم بالینی[10] پزشکان عمل می‌کنند» و ممکن است به کاهش هزینۀ مراقبت در ایالات متحده کمک کنند[1, p. 652]. اگر آن‌ها واقعاً راجع‌به قدرت الگوریتم‌ها درست گفته باشند، ممکن است سؤال شود آیا پیشرفت و توسعۀ هوش مصنوعی نهایتاً می‌تواند در مجموع جایگزین پزشکان شود یا خیر؛ دقیقاً شبیه وعدۀ گوگل برای ساخت ماشین‌های بدون راننده.

از سوی دیگر، حس ناخوشایندی مبنی بر اینکه پیشرفت تکنولوژی چیز مهمی را تحت‌الشعاع قرار می‌‌دهد و محو می‌کند، وجود دارد. اخیراً در نشریۀ «مرور کتاب نیویورک[11]»، یک مقاله به بررسی نوشتار نوظهور دربارۀ اینکه چگونه تلفن‌های همراه هوشمند شیوه‌های برقراری ارتباط جوانان با یکدیگر و جهان را تغییر می‌دهند، پرداخته بود [2]. برای مثال، یک روان‌شناس از مجموعۀ صدها مصاحبه در مدارس نتیجه گرفت که تلفن‌های هوشمند توانایی دانش‌آموزان در همدلی و گفت‌وگو را تحلیل برده[3]  و ‌«دانش‌آموزانی به وجود آورده که تماس چشمی برقرار نمی‌کنند و به زبان بدن پاسخ نمی‌دهند، در صحبت کردن و گوش فرادادن به معلمان دچار مشکل هستند و نمی‌توانند مسائل را از دیدگاه شخص دیگری ببینند، تشخیص بدهند کسی را آزرده‌اند یا رابطۀ دوستانه‌ای بر اساس اعتماد شکل دهند» [2]. نویسنده به مثالی از یک خانواده که مشاجراتشان را در نرم‌افزار گوگل‌چت پیش می‌بردند، استناد می‌کند؛ چرا که ارزش پیشنهادی کشمکش رودررو پایین است [3, p. 127]. ابزار گفت‌وگوی آنلاین به‌سادگی، بهره‌وری آن‌ها را افزایش می‌دهد. در واقع، طراحان برنامه‌های تلفن‌های هوشمند قصد استعمار زندگی روزمره را دارند. بسیاری از این طراحان در آزمایشگاه تکنولوژی ترغیب‌کننده در دانشگاه استنفورد[12] آموخته‌اند چگونه ویژگی‌‌های رفتاری و ذهنی انسان را اداره و کنترل کنند؛ یعنی فراگرفتن راه‌هایی برای ایجاد حلقه‌های رفتاری که باعث می‌شود مصرف‌کننده بارها از برنامه استفاده کند. بااین‌حال، رأی نویسندۀ این مقالۀ مروری بر این است که راه‌حل‌های پیشنهادشده برای این قسم دغدغه‌ها، مانند «برنامه‌هایی دقیق‌‌تر و با قابلیت تفکر بیشتر» یا توصیه به «بهسازی مکالمه»، «شدیدا نابسنده‌اند [2]». به نظر می‌رسد مشکلات تکنولوژی به‌طرز ناامیدکننده‌ای غیرقابل‌حل هستند.

در این مقاله، من باور به امکان جایگزینی پزشکان مراقبت اولیه با «iDoctor» که مجهز به هوش مصنوعی است را نقد می‌کنم[13]. من دو خطِ استدلال مرتبط را بسط می‌دهم. ابتدا نقد مارتین هایدگر و آلبرت بورگمان بر تکنولوژی را توضیح می‌دهم و از آن برای تمرکز بر نتایج بالقوۀ زیان‌بارِ جایگزینی پزشکان با ماشین‌های هوش مصنوعی (AI) [4] بهره خواهم برد. سپس به تحلیل هیوبرت درایفوس از هوش مصنوعی که به‌نوبۀ خود بر معرفت‌شناسی هایدگر و آثار مایکل پولانی متکی[14] است[5, 6]  می‌پردازم تا نشان دهم قضاوت پزشک برای طبابت متناسب‌تر از قضاوت هوش مصنوعی است. در غیبت پزشک، مراقبت اولیه به‌مثابۀ مثالی از آنچه بورگمان عمل کانونی می‌خواند [7]، به‌ناچار از شکل طبیعی خود خارج می‌شود.

نقد هایدگر و بورگمان بر تکنولوژی

نقد هایدگر بر تکنولوژی از نقد عمومی‌تر او بر متافیزیک به‌مثابۀ [8–10] جانشین اونتوتئولوژی[15] نشئت می‌گیرد. او ادعا می‌کند که از زمان افلاطون، متافیزیک غربی «پرسش از وجود» را به دو بخش تقسیم کرده است: بخش اول اونتولوژیکال است و می‌پرسد چه چیزی یک موجود[16] را [تبدیل به[ یک موجود می‌کند؟ یعنی پرسشی معطوف به ذات[17] موجود و آنچه مابین همۀ موجودات مشترک است. دوم، چیزی که هایدگر آن را تئولوژیکال می‌خواند و می‌پرسد منبع و زمینۀ موجود چیست؟ پرسشی از اگزیستانس موجودات و اینکه کدامین موجود والاتر است. متافیزیک، به دور از تلاشی صرفاً علمی، نوعی اونتوتئولوژی را می‌آفریند که شیوۀ فهم افراد از وجود[18] -با تعیین پیش‌فرض‌های بنیادین دربارۀ هر چیز که وجود دارد، شامل پیش‌فرض‌هایی دربارۀ خودشان و به‌عنوان پزشک، دربارۀ بیمارانشان- را شکل می‌دهد؛ بنابراین هایدگر بر اندیشۀ کانتی مبتنی بر مشارکت مردم در قابل‌فهم نمودن جهان‌هایشان تکیه می‌کند. شیوه‌ای که وجود بر آن‌ها آشکار می‌شود، وابسته به فرض‌های متافیزیکی آنان است؛ یعنی نوعی از انتوتئولوژی که به‌وسیلۀ آن با جهان تعامل[19] می‌کنند.

هایدگر تاریخ اندیشۀ غربی را به‌مثابۀ جانشینیِ انتوتئولوژی تفسیر می‌کند که با نیچه پایان می‌یابد. درحالی‌که نیچه خود را ضدمتافیزیک می‌دانست، هایدگر نوعی انتولوژی در ارادۀ معطوف به قدرت نیچه -که نیچه آن را برای تمام موجودات، بنیادین تلقی می‌کرد- و نوعی تئولوژیِ متناظر در «بازگشت ابدیِ[20]» ارادۀ معطوف به قدرت که به‌تمامی واقعی و عملی می‌شود، استنباط می‌کند؛ یعنی منتها درجه‌ای که هر موجود می‌تواند به آن دست یابد [10, p. 21]. هایدگر ادعا می‌کند نیچه اساساً خواستگاه انتوتئولوژی عصر مدرن ماست. وجود به‌خودی‌خود، به‌مثابۀ روابط قدرت، یعنی به‌مثابۀ برهم‌کُنش دائمی مابین نیروهایی متعارض که هیچ‌گونه طبیعت درون‌زاد یا غایتی جز جاودان ساختن خود[21] از طریق واقعی و عملی کردن ارادۀ معطوف به قدرت ندارند، بر ما آشکار می‌شود. ما در جهان چیزها را فی‌نفسه بی‌معنا و در انتظارِ اینکه ارادۀ معطوف به قدرت انسان به عرصۀ عمل برسد و معنای آن‌ها را شکل دهد، تلقی می‌کنیم.

از نظر هایدگر، تکنولوژی مدرن بخشی از این انتوتئولوژیِ نشئت‌گرفته از نیچه است. او ادعا کرد «ذات تکنولوژی به‌هیچ‌وجه امری تکنولوژیکال نیست» [5, p. 311]؛ بلکه شیوه‌ای برای تعامل با جهان است که گشتل[22]، یا «چهارچوب‌بندی[23]» نامیده می‌شود [5, p. 322]. اندیشۀ نیچه مبنی بر اینکه چیزها فاقد هرگونه معنای درون‌زاد هستند، به تکنولوژی اجازه می‌دهد تا همه‌چیز را در جهان به‌مثابۀ ذخایر دائم و قائم[24]، یعنی صرفاً به‌مثابۀ مواد خام یا منابعی در انتظار اینکه ارادۀ انسان نوعی نظم بر آن تحمیل کند، تصور نماید [5, p. 322]؛ بنابراین هنگامی که ما انسان‌های عصر مدرن به یک درخت نگاه می‌کنیم، آن را به‌صورت تعدادی الوار قابل‌حصول می‌بینیم تا به‌ صورتی که خود درخت هست. تکنولوژی فرضی ضمنی دربارۀ جهان است که شیوۀ آشکارگی جهان بر ما را شکل می‌دهد.

گشتل تکنولوژیکال[25] باعث می‌شود ما چیزها را از بافتارشان در جهان خارج کنیم؛ به‌طور مثال، ما موجودیت‌های طبیعی را به‌مثابۀ منابعی از منافع انتزاعی، مانند انرژی، می‌بینیم که باید استخراج و ذخیره شوند. در واقع، ازآنجاکه انرژی از منبع آن واقعی‌تر می‌نماید، ابژۀ طبیعی در پیش چشمان ما در سایۀ کسوف قرار گرفته است. ما کیفیت را به کمیت، یعنی به اطلاعات و داده‌های محض، فرومی‌کاهیم تا جایی که صرفاً امر کمیت‌پذیر اهمیت داشته باشد. از دیدگاه هایدگر در مدرنیتۀ متأخر، ما قاب را به سمت خودمان چرخانده‌ایم[26]؛ به‌طوری‌که تبدیل به «منابع انسانی» شده‌ایم که در انتظار بهینه‌سازی است تا برای منعطف‌ترین شکل استفاده، آماده شود [10, p. 60]. این فهم تکنولوژیکال از انسان‌ها، آن‌ها را مانند هر چیز دیگری در طبیعت در دسترس نیروهای بیرونی، مانند اقتصاد بازار، قرار می‌دهد تا مورد دست‌ورزی واقع شوند.

در درون گشتل تکنولوژیکال، ملاک ارزیابی اولیۀ هر چیز، کارایی و بهره‌وری آن است. برای مثال، در بحث انرژی پاک، یک طرف ادعا می‌کند انرژی باد بهتر از زغال‌سنگ است؛ زیرا بهتر پاسخ‌‌گوی نیاز ما به نوعی از انرژی با کمترین میزان سمی بودن و آلودگی هواست؛ درحالی‌که سمت دیگر مدعی ارجحیت زغال‌سنگ است؛ زیرا بیشتر با نیاز ما به انرژی ارزان مطابقت می‌کند. بااین‌حال، هر دو طرف نگاهی مبتنی بر گشتل نسبت به ابژه‌ها در جهان دارند؛ نگاهی به چیزها نه به‌مثابۀ آنچه در طبیعت خودشان هستند، بلکه به‌مثابۀ منابعی برای ما تا سوژۀ نیاز‌ها و امیال خودمان قرار دهیم. هایدگر، این موضع در برابر چیزها در طبیعت را درافتادن یا تعرض[27]می‌نامد؛به‌معنای اینکه بخواهیم چیزها با امیال و آرزوهای ما سازگار شوند؛ نوعی برآورده‌سازی مؤثر که ارزش اخلاقی آن‌ها را تعیین می‌کند [5, p. 320]. ما حتی خودمان را نیز سوژۀ این قسم تحلیل‌ها قرار می‌دهیم. این امر توضیح می‌دهد که چرا به‌سادگی جایگزینی کارگران به‌وسیلۀ ماشین‌ها را‌ علی‌رغم تبعات انسانی آن، پذیرفته‌‌ایم. اگر یک ماشین می‌تواند کار را مؤثرتر انجام دهد، پس همین‌طور باشد. در جهانی که با ارادۀ معطوف ‌‌به قدرت انتظام‌یافته، انسان‌ها از موقعیتی یگانه و منحصربه‌فرد برخوردار نیستند؛ بلکه به نیرویی ذاتاً بی‌معنا در میان دیگر نیروها تبدیل می‌شوند [11, p. 184].

از نظر هایدگر، مانند سایر انتوتئولوژی‌ها، مسئلۀ گشتل در درجۀ اول این است که جنبه‌های خاصی از وجود را آشکار می‌کند؛ درحالی‌که سایر جنبه‌ها را می‌پوشاند. برای مثال، برنامه‌های کاربردی گوشی‌های تلفن همراه که در مقدمه به آن‌ها اشاره شد، ممکن است عملکرد ما را مؤثرتر کنند، اما با استفاده از آن‌ها جنبه‌های مهم دیگری از تعاملات انسانی را از دست می‌دهیم. با پیشرفت تکنولوژی ما حتی توانایی درک خصوصیت‌های طبیعت و به‌طور خاص خصوصیت‌های کیفی آن را از دست می‌دهیم. هایدگر فراآوری[28]هنرها و صنایع سنتی را در تضاد با «درافتادن یا تعرض» مطرح می‌کند؛ [هنرها] «گشایش[29]»های انتولوژیکال هستند و به چیزها مجال می‌دهند تا پیش از تأثیر ارادۀ معطوف به قدرت بر آن‌ها، آنچه را حقیقتاً در تمامیت و کمال خود هستند، آشکار کنند و دانش ما از خودشان را سامان دهند [11, p. 184]. از نگاه هایدگر، راهکار نهایی مسئلۀ تکنولوژی این است که «بگذار موجودات باشند[30]» [12]؛ نه اینکه از همان ابتدا یک انتوتئولوژی بر آن‌ها تحمیل کنیم. تنها راه برای اینکه به رابطۀ آزاد[31] با تکنولوژی نائل شویم، این است که آن را همان‌طور که هست، بفهمیم. تکنولوژی نوعی قاب‌بندی یا همان گشتل است که بعضی جنبه‌های جهان را به شیوه‌های خاصی آشکار می‌کند و دیگر جنبه‌ها را به شیوه‌های دیگری می‌پوشاند. چنانچه ما تکنولوژی را به این صورت بفهمیم، شاید بتوانیم از گشتل قدم بیرون بگذاریم و در نتیجه، گشتل دیگر نتواند بر ما غلبه کند تا به این صورت، انتوتئولوژی تکنولوژیکال عصر ما راه را برای انتوتئولوژی دیگری باز کند.

بورگمان این تفسیر هایدگر را در جهت ارائۀ شیوه‌ای ملموس برای فائق آمدن بر گشتل تکنولوژیکال بسط می‌دهد. او الگوی تکنولوژی مدرن را به شیوۀ مشابهی توصیف می‌کند؛ یعنی به‌مثابۀ پارادایم دستگاه[32]که دلالت و معنای کامل بعضی بخش‌های زندگی انسان را به کارکرد ضروری آن فرومی‌کاهد و بعد همان کارکرد را تا حد ممکن واقعی‌نمایی می‌کند [7, p. 40–48]. در درون این پارادایم، تنها معیار ارزیابی اخلاقی در تکنولوژی فوریت، حضور همه‌جانبه و فراگیر، ایمنی و سهولت استفاده است. دستگاه‌ها عمدتاً کاربرد درونی کالاها را می‌پوشانند؛ درحالی‌ که باعث می‌شوند به‌راحتی برای مصرف در دسترس باشند. در نتیجه، انسان‌هایی را که قبلاً برای تشخیص ]این معیارهای[ مثبت موردنیاز بودند، از نیروی کار خارج می‌کنند. با وجود اینکه دستگاه‌ها زندگی انسان را از بعضی جهات آسان کرده‌اند، اما با خلاصه کردن برتری انسان در گروه کوچکی از مهندسان نخبه که مسئولیت طراحی تکنولوژی را بر عهده دارند، اهمیت نیروی انسانی ماهر را تنزل داده‌اند. به این صورت، تضعیف مهارت در جامعه، بیش‌ازپیش نیاز به توسعۀ تکنولوژی برای جبران این خلأ را می‌طلبد. دستگاه‌ها همچنین تبحر بدنی و توجه همراه با مراقبت را که خصوصیت اعمال پیشا-تکنولوژیکال است، غیرضروری تعبیر می‌کنند و به این صورت، انسان‌ها را از قید جهان واقعی و دیگر انسان‌ها رها می‌سازند.

برای روشن شدن پارادایم دستگاه، بورگمان شومینه‌های قدیمی را با سیستم‌های گرمایشی مدرن مقایسه می‌کند. شومینه علاوه‌بر تأمین گرما، مرکز کار و فراغت برای خانه و خانواده بود که مشارکت بدنی و توسعۀ مهارت‌ها برای تأمین چوب و درست کردن آتش و تقسیم‌کار بین اعضای خانواده را می‌طلبید؛ بنابراین شومینه از افعالی که تجربۀ خانواده از جهان را شکل و ظرفیت‌های آنان را پرورش می‌داد، جدایی‌ناپذیر بود. سیستم گرمایشی مدرن، برخلاف شومینه، با کالانمایی گرما، به‌طوری‌که تنها از طریق زدن یک کلید به‌سهولت قابل‌مصرف باشد، گرمای مطبوع را از این بافتار غنی جدا می‌کند. چنین سیستم‌هایی سازوکارشان را با غیرقابل‌دسترس و غیرقابل‌درک کردن برای مصرف‌کننده‌ می‌پوشانند. در نتیجه، وقتی این ماشین‌ها دچار اشکال شوند، یک متخصص نیاز خواهد بود. بورگمان ادعا می‌کند رها شدن از قید جهان ماده‌ها[33] که تکنولوژی موجب آن شده است، در درون جامعه‌ای که تنها نسبت به دستیابی به اهداف معین علاقه‌مند و متعهد است، انسان را از فرصت‌هایش برای نیل به تعالی محروم می‌کند. با وجود اینکه تکنولوژی وعده داده بود آزادی و قابلیت‌های ما را افزایش دهد، برخلاف انتظار، این قسم ظرفیت‌های انسانی را محدود کرده است.

بورگمان خواستار اصلاح تکنولوژی با تمرکز بر چیزی است که او آن را «اشیاء کانونی[34]» و «افعال کانونی[35]» می‌خواند [7, p. 196–219]. اشیاء کانونی، مانند طبیعت بکر و یا غذای خانواده، عظمت و منزلتی متکی ‌بر خود دارند و ازاین‌رو، زندگی انسان را شرافت می‌بخشند [7, p. 217–220]. این چیزها کاملاً با ظرفیت‌های انسانی وارد تعامل می‌شوند‌؛ تا حدی که نمی‌تواند تصرف یا کنترل شود. به‌این‌ترتیب، اعمال کانونی، کنش‌هایی هستند که به‌واسطۀ اجتماع تثبیت شده و به اشیاء کانونی اختصاص یافته‌اند. آن‌ها عادت‌های تعامل با دنیای واقعی را ایجاد می‌کنند، نظم و برتری ذهن و بدن را پرورش می‌دهند. از نگاه بورگمان، اشیاء و اعمال کانونی شکننده‌اند. ازاین‌رو، همواره در معرض خطر تحلیل رفتن توسط تکنولوژی هستند؛ زیرا تکنولوژی تمایل دارد تلاش مداومی را که برای اعمال کانونی موردنیاز است، غیرضروری و ناپسند جلوه دهد. بااین‌همه، اشیاء کانونی همچنین می‌توانند نیرویی برای جهت‌دهی و اصلاح تکنولوژی فراهم آورند؛ زیرا دلایلی برای استفادۀ انتخابی‌تر از تکنولوژی، به‌مثابۀ وسیله‌ای برای پیشبرد نوعی از تعالی انسانی به مردم می‌دهند که تنها از طریق اعمال کانونی حاصل می‌شود؛ در نتیجه، پارادایم دستگاه را محدود می‌کند. برای مثال، به‌جای استفاده از ماکروویو برای گرم کردن شام خانواده که به‌کل تلاش انسانی را دور می‌زند، ممکن است کسی تصمیم بگیرد از آن دسته از ابزارهای آشپزخانه که مهارت آشپزی را بهبود می‌بخشند، استفاده کند تا غذای بهتری آماده شود. بورگمان خواستار نوسازی گفتمان سیاسی است که اهمیت اشیاء کانونی در زندگی انسان را گواهی می‌دهد و عظمت آن‌ها را آشکار می‌کند؛ درست مانند شعر. چنین گفتمانی ممکن است به شناسایی مسائلی که در آن‌ها تکنولوژی دستیابی به تعالی اصیل انسان در خلال اعمال متمرکز را تهدید می‌کند، کمک کند.

تکنولوژی در مراقبت اولیه

با در نظر گرفتن این چارچوب مفهومی می‌توان تحلیل کرد که درحال‌حاضر چگونه پزشک از دو تکنولوژی متفاوت استفاده می‌کند: گوشی پزشکی و پروندۀ الکترونیکی بیمار. با اینکه بدون شک گوشی پزشکی شکلی از تکنولوژی است، به‌خوبی با توصیف هایدگر از آنچه او ابزار ساده[36] می‌نامد، منطبق است. هایدگر در شرح پدیدارشناسانۀ استفاده از چنین ابزارهایی اشاره می‌کند که آن‌‌ها در حین استفاده، از دایرۀ توجه ما محو می‌شوند؛ برای مثال، کسی که از چکش استفاده می‌کند، به‌جای چکش بر میخ تمرکز دارد [13, p. 7]. به همین نحو، پزشکی که از گوشی پزشکی استفاده می‌کند، توجه خود را به صداهای حاصل از عملکرد بدن بیمار معطوف می‌دارد. عقب‌نشینی حضور ابزار، به انسانی که از آن استفاده می‌کند مجال می‌دهد تا ابزار را جزئی از خود نماید و ]در آن[ سکونت کند؛به‌این‌ترتیب، ابزار مشتقی از بدن او می‌شود. در نتیجه، برخلاف سایر تکنولوژی‌ها، ابزارهای ساده ارتباط مستقیم انسان با جهان را بهبود می‌بخشند. گوشی پزشکی، پزشک را به بدن اصیل[37] بیمار نزدیک‌تر و به او کمک می‌کند تا حواس خود را با آن هم‌کوک کند.

گوشی پزشکی، با توجه به اینکه کاربردش به‌مثابۀ یک وسیله را ارتقای چیزهای خوبی قرار داده که در درون افعال کانونی در دسترس هستند، نمونۀ ایده‌آل موردنظر بورگمان از تکنولوژی را ارائه می‌کند. در بهترین حالت، مراقبت اولیه نوعی فعل کانونیِ متعهد به مراقبت از بیماران -یعنی شیء کانونیِ یک دغدغۀ غایی- است. موفقیت در چنین تلاشی، نیازمند هم‌کوکی حس‌ها و شهود پزشک با بدن بیمار و نیازهایش است. گوشی پزشکی ازآنجاکه خود نوعی بسط و ضمیمه از حس‌های انسانی پزشک است، این فرایند را تسهیل می‌کند. گوشی پزشکی به‌وسیلۀ اینکه به پزشک اجازه می‌دهد قضاوت‌هایش را با این واقعیت بدن‌مند همگام کند، توجه پزشک را به بدن بیمار، به‌مثابۀ چیزی که واقعاً هست، معطوف می‌کند. در نتیجه، به زبان هایدگر، گوشی پزشکی به پزشک کمک می‌کند تا سلامت را بر بدن بیمار «فراآورد».

برخلاف این، پروندۀ الکترونیکی تمایل دارد پزشک را از بدن زندۀ بیمار دور کند. اغلب اوقات، پزشک پیش از ملاقات با بیمار، به پروندۀ الکترونیکی او دسترسی دارد. پیش از آنکه پزشک به اتاق معاینه برود، علائم حیاتی بیمار در پرونده قابل‌مشاهده است و لیست شکایات بیمار، یعنی لیست علائم و وضعیت‌های پزشکی (سوابق پزشکی) بیمار ایجاد شده است. در نتیجه، پروندۀ الکترونیکی، توجه پزشک را از بدن واقعی بیمار منحرف می‌کند و به مجموعۀ مستندات دربارۀ بدن او معطوف می‌دارد؛ تاجایی‌که پزشکان به‌جای بالین بیمار، زمان بیشتری را صرف بررسی مستندات در کامپیوتر می‌کنند [14]. کاهش توجه به معاینۀ فیزیکی بیمار، نگرانی مربیان پزشکی را نسبت به اینکه نسل جدید پزشکان قادر به انجام معاینۀ دقیق نباشد، برانگیخته است. اتکا به تکنولوژی باعث شده پزشکان کمتر برای درک و دریافت جنبه‌هایی از مراقبت بیمار که به‌وسیلۀ تکنولوژی به دست نمی‌آید، مهیا باشند.

پیشرفت‌های بعدی در تکنولوژی پروندۀ الکترونیکی بیمار، مانند برنامۀ معروف BPAs[38]، تمایل دارد با این مستندات دربارۀ بدن مانند اشیاءِ دغدغۀ غایی برخورد کند؛ برای مثال، در سیستم پروندۀ الکترونیک  Epicکه من در طبابتم از آن بهره می‌برم، به پزشک یادآوری می‌کند تمامی آزمایش‌های کیفی الزامی دولت فدرال را که متناسب با سن و جنسیت بیمار باشد، مانند پایش سرطان و کلسترول، درخواست کند؛ دقیقاً همان‌طور که گشتل تکنولوژیکال سبب می‌شود فرد یک درخت را به‌صورت مقداری الوار قابل‌حصول ببیند، پروندۀ الکترونیکیْ پزشک را تشویق می‌کند تا بدن‌های بیماران را در محدودۀ ابتدایی‌ترین ویژگی‌‌هایشان ببیند. پروندۀ الکترونیکی توجه پزشک را به‌طور خاص بر داده‌های کمی مانند فشار و سطح کلسترول خون که می‌توانند با داروها تحت کنترل قرار گیرند، متمرکز می‌کند. به‌مثابۀ دسته‌ای از الگوریتم‌ها، پروندۀ الکترونیکی نه ترجیح شخصی بیمار و شرایط او را در بر می‌گیرد، و نه جایی برای تفسیر دستورالعمل‌ها توسط پزشک باقی می‌گذارد. پروندۀ الکترونیکی به‌جای آنکه پزشک را به بدن بیمار، در کمال یگانگی‌اش، نزدیک‌تر کند، با بدن بیمار به‌صورت انتزاعی برخورد می‌کند و به بافتار بدن تعرض می‌‌کند و آن را به‌مثابۀ دسته‌ای از مستندات که پزشک می‌تواند آن را کنترل کند، قوام می‌بخشد.

پروندۀ الکترونیکی همچنین مراقبت از بیمار را در معرض دست‌ورزی توسط نیروهایی خارج از رابطۀ پزشک-بیمار، مانند شرکت‌های دولتی یا بیمه قرار می‌دهد. ازآنجاکه پرونده دیجیتال است، برخلاف پرونده‌های کاغذیِ قدیمی‌تر، اشخاص ثالث به‌راحتی می‌توانند به اطلاعات پروندۀ بیمار دسترسی داشته باشند. بیمه‌گران، شامل دولت فدرال، شروع به اخذ اطلاعات از پرونده‌های الکترونیکی بیماران کرده‌اند تا برای پزشکان مراقبت اولیه، گزارش‌هایی از اینکه بیمارانشان تا چه اندازه با سنجه‌های کمی مشخصی مانند کنترل فشارخون و انجام کولونوسکوپی در سن پنجاه‌سالگی مطابقت می‌کنند، فراهم آورند. در آیندۀ نزدیک، آن‌ها بازپرداخت پزشک را با این معیارها پیوند خواهند زد تا پزشکان را تشویق کنند این موارد را در اولین زمان ممکن برای هر بیمار کامل کنند. در نتیجه، پروندۀ الکترونیکی توجه پزشک را به‌سوی انتزاعی شدن و حتی به سطوح بالاتری از آن معطوف می‌کند؛ یعنی از سلامت بدن فرد بیمار دور و به سمت سلامت از نظر شاکلۀ سیاسی پیش می‌برد. این پرونده‌ها اطلاعاتی را که دربارۀ بدن بیماران است، به ‌وسیله‌ای تبدیل می‌کنند که نیروهایی مانند دولت می‌توانند با حصول کالای سلامت، آن‌هم با حداکثر کارایی، از آن قدرت کسب کنند.

مدافعان پرونده‌های الکترونیکی با اشاره به اینکه الگوریتم‌هایی مانند BPAs باعث افزایش تکمیل آزمایش‌های غربالگری شده‌اند، ادعا می‌کنند که مراقبت پیشگیرانه را بهبود می‌بخشند [15]. در این مدل از مراقبت اولیه، بهترین پزشک کسی است که تمامی آزمایش‌های غربالگری را در هر بار ملاقات با تمام بیماران انجام دهد. بااین‌حال، چنین پزشکی ممکن است فراموش کند هدف از این آزمایش‌ها را برای بیمار توضیح دهد یا از او بپرسد که آیا می‌خواهد آن‌ها را انجام دهد یا خیر. او همچنین ممکن است توجه کمتری به مشکلاتی که بیماران مهم‌تر می‌پندارند، داشته باشد. به‌عبارتِ‌دیگر، این الگوی مراقبت اولیه جایی برای یک بینش جایگزین دربارۀ پزشک مراقبت اولیۀ خوب، به‌مثابۀ کسی که دستورالعمل‌ها را با شرایط منحصربه‌فرد هر بیمار انطباق می‌دهد و ترجیح خود بیمار را در نظر می‌گیرد، باقی نمی‌گذارد. چنین پزشکی حتی ممکن است در مواقعی تصمیم به نادیده گرفتن دستورالعمل‌ها در جهت پرداختن به دغدغه‌‌های اصلی بیمار بگیرد. مدافعان پروندۀ الکترونیکی ممکن است ادعا کنند که پزشکان با وجود استفاده از این تکنولوژی، همچنان می‌توانند این استاندارد متعالی را حفظ کنند، اما زمانی که پرونده‌های الکترونیکی دستمزد آن‌ها را به تکمیل آزمایش‌های غربالگری پیوند می‌زند، پزشک مراقبت اولیه با مشغلۀ فراوان، بعید است در برابر وسوسۀ تمرکز بر مواردی چون آزمایش‌های غربالگری مقاومت کند، آن‌هم به قیمت ایجاد مشکلات دیگر.

پرونده‌های الکترونیکی و مشوق‌های اقتصادی آن، این خطر را در پی دارند که پزشکان مراقبت اولیه را به منابعی تبدیل می‌‌کنند که برای کارایی بیشتر بهینه‌‌سازی شده‌اند. پزشکان در دوره‌ای با بازدهی بالا برای ملاقات با بیماران بیشتر در زمان کمتر، خودشان را زیر فشار اداری می‌یابند؛ درحالی‌که منابع کمتری مصرف می‌کنند و زمان کمتری را به فعالیت‌های فاقد پاداش و مزایا مانند آموزش به دانشجویان اختصاص می‌دهند. BPAs تمایل دارد از طریق تهیۀ یک چک‌لیستی که پزشکان در هر جلسه پر می‌کنند، بازدهی بالاتر را با ساده‌تر کردن مراقبت از بیمار تسهیل کند. بااین‌حال، پزشکان که در معرض توقعات مبتنی بر کارایی و بازدهی قرار گرفته‌اند، احساس می‌کنند مسئول ارائۀ «مراقبت بر روی خط تولید[39]» هستند [16]. با توجه به این تعارضات آن‌ها نمی‌توانند ]سطحی از[ توجه و مراقبت را که هر بیمار انتظار دارد، ارائه کنند. در این شرایط تعجبی ندارد که فرسودگی] شغلی[ پزشکان تبدیل به «بحران سلامت عمومی» شده است [17].

همان‌طور که این تحلیل‌ها نشان می‌دهد، تکنولوژی‌های پزشکی مانند پرونده‌های الکترونیکی ابزارهایی صرفاً خنثی نیستند تا به‌مثابۀ وسیله‌ای برای نیل به هر هدفی که متصدیان انسانی آن در نظر دارند، استفاده شود. همان‌طور که پیتر-پل وربک[40] ادعا می‌کند، تکنولوژی پزشکی در تجربۀ‌ ما از بدن انسانی مداخله می‌کند [13]. این تکنولوژی‌ها شیوه‌ای را که بدن بیمار بر پزشک نمایان می‌شود، بنیان می‌نهند. درحالی‌که گوشی پزشکی، پزشک را به بدن واقعی بیمار نزدیک‌تر می‌کند، پروندۀ الکترونیکیْ بیمار را به‌مثابۀ بدنه‌ای از مستندات که می‌تواند به داده‌های ورودی استدلال الگوریتمی تبدیل شود، مطرح می‌کند. درحال‌حاضر این منطق محدود به شیوه‌های خاصی باقی مانده است. سیستم پروندۀ‌ الکترونیکی Epic تنها برای آزمایش‌های مراقبت پیشگیرانه و وضعیت‌های مزمن از BPAs استفاده می‌کند و با اینکه پرونده‌های الکترونیکی به شیوه‌های قدرتمندی در رابطۀ پزشک-بیمار مداخله می‌کنند، پزشک و بیمار هنوز در مطب به‌صورت رودررو باهم ملاقات می‌کنند. بااین‌حال، جایگزینی مراقبت اولیه با هوش مصنوعی، چهارچوبِ تکنولوژیکالِ پرونده‌های الکترونیکی را تا حد پوشاندن تمام جنبه‌های مراقبت از بیمار گسترش می‌دهد. همان‌طور که در قسمت بعد نشان خواهم داد، چنین توسعه‌ای اثرات گسترده‌ای بر رابطۀ پزشک-بیمار دارد.

هوش مصنوعی و رابطۀ پزشک-بیمار

پروندۀ الکترونیکی با تمام الگوریتم‌ها و الزاماتش برای مراقبت از بیمار، امکان iDoctor را فراهم کرده است؛ یعنی یک ماشین هوش مصنوعی (به‌شکل مصنوعی هوشمندشده) که برای ارائۀ مراقبت اولیه طراحی شده است. این معرفی از هوش مصنوعی به‌عنوان جایگزین قضاوت پزشک، رابطۀ ازپیش‌آسیب‌دیده و تحریف‌شدۀ پزشک-بیمار را بیشتر سوژۀ گشتل تکنولوژیکال قرار می‌دهد. در سمت بیمار، یک کامپیوتر هوش مصنوعی نیازمند نوعی دیدگاه مکانیکی دربارۀ ‌انسان‌هاست که آن‌ها را به‌مثابۀ موجوداتی می‌بیند که بر اساس قوانینِ قابل‌برنامه‌ریزی برای ماشین، قابل‌درک هستند. در نتیجه این امر می‌تواند انسان را از بافتار غنی خویش در جهان جدا کند و ساختار بدن انسان را به سیستم‌های تشکیل‌دهندۀ آن بشکافد. این تمایل به ساختارشکنی از پیش به‌طور بالقوه در پزشکی مدرن وجود داشته است؛ همان‌طور که در گزارش‌های مبتنی بر سیستم‌ از معاینۀ بالینی و لیست شکایات بیماران در پروندۀ الکترونیکی که بیمار را به‌مثابۀ زنجیره‌ای از وضعیت‌های پزشکی او نشان می‌دهد، مشهود است. بافتار زندگی بیمار در بخشی از شرح‌حال که به‌اصطلاح سابقۀ اجتماعی گفته می‌شود، وجود دارد، اما معمولاً تاجایی‌که بتواند تشخیص و درمان را تحت تأثیر قرار دهد، در نظر گرفته می‌شود. درحالی‌که بسیاری از پزشکان مراقبت اولیه به حفظ تمرکزشان بر تمامیت بیمار[41] افتخار می‌کنند، هوش مصنوعی به نوعی بازنمایی عقلی خودش از انسان‌ها را واقعی‌تر از بیماران واقعی نشان می‌دهد؛ در نتیجه گرایش به‌سوی ساختارشکنی را گسترش می‌دهد و روش‌مند می‌کند. همان‌طور که هایدگر ادعا می‌کند، iDoctor که انسان را به دسته‌ای از مفاهیم پزشکی فرومی‌کاهد، ضرورتاً از فهم زندگی به‌مثابۀ‌ آنچه واقعاً در تمامیت و کمال آن هست، بازمی‌ماند.

در سمت پزشک، ژورنال انجمن پزشکی آمریکا که پیش‌تر به آن اشاره شد، در مقاله‌ای از پاریخ[42] و همکاران [1]، نوعی از اخلاق[43] را پیشنهاد می‌کند که گشتلِ تکنولوژیکالِ تشریح‌شده توسط هایدگر را همراهی می‌کند. بهترین جنبۀ آن، تشخیص و درمان مؤثر است و وسایل آن تحلیل هزینه-فایده و تهیه و تدوین پروتکل مراقبت را شامل می‌‌شود. اگر هوش مصنوعی بتواند این دستورالعمل‌ها را بهتر از پزشک اجرا کند، پس وای بر انسان‌‌ها! ظاهراً دورنمای تکنولوژی بهتر، مهم‌تر از دغدغۀ امنیت و حریم شخصی بیمار است. همان‌طور که پاریخ و همکاران اشاره می‌کنند، منتقدان پرونده‌های الکترونیکی از ابتدا چنین نگرانی‌هایی را ابراز می‌کنند، اما پیشرفت تکنولوژی نقد آن‌ها را خنثی کرده ‌‌است [1]. به نظر می‌رسد هر مسئلۀ تکنولوژیکال، یک راه‌حل تکنولوژیکال دارد.

بااین‌حال، پزشکان مراقبت اولیه در ابتدای معرفی تکنولوژی‌هایی مانند پرونده‌های الکترونیکی، ابراز ناامیدی می‌کنند. مشخصاً به این علت که تکنولوژی، رابطه‌ای را که به‌موجب آن پزشک و بیمار در خلال گفت‌وگو تعیین می‌کنند که چگونه به بهترین شکل پیش ببرند، به تحلیل می‌برد. آن دسته از الگوریتم‌های موردنیاز در هوش مصنوعی، فرض می‌کنند که قضاوت پزشکی می‌تواند به‌صورت انتزاعی و بدون در نظر گرفتن شرایط خاص هر بیمار انجام شود؛ زیرا چنین ملاحظه‌ای به قیمت کاهش کارایی خواهد بود. جایگزینی قضاوت پزشک با چنین تکنیک‌هایی، باعث تبدیل نهایی مراقبت اولیه به نوعی خط تولید می‌شود. همان‌طور که در مقدمۀ BPAs پرونده‌های الکترونیکی بیان شده است، این الگوریتم‌ها بیماران را به‌مثابۀ کالایی قابل‌مبادله و قابل‌تعویض تصور می‌کنند؛ برای مثال، هر بیماری را که به سن پنجاه‌سالگی رسیده باشد، صرف‌نظر از شرایط و ترجیحات او، در نقش بیمارِ نیازمندِ کولونوسکوپی قرار می‌دهد. هدف این الگوریتم‌ها، آن است که هر فرد را به بیماری که کولونوسکوپی شده، تبدیل کنند؛ بسیار شبیه کارگر خط مونتاژ که با عمل مشابهی کالای مشابهی را بارها و بارها تولید می‌کند.

درحالی‌که BPAs درحال‌حاضر الگوریتم‌های ماشینی را در مراقبت اولیه اِعمال می‌کند، جایگزینی پزشک توسط هوش مصنوعی این الگوی الگوریتمی را گسترش خواهد داد؛ تاجایی‌که تمامی جنبه‌های مراقبت اولیه را پوشش دهد. همۀ بیماران با علائم مشابه باهم در یک دسته‌بندی قرار می‌گیرند تا تحلیل شوند و آنچه بهترین تشخیص و درمان برای چنین بیمارانی محسوب می‌شود، فراهم گردد؛ برای مثال، هوش مصنوعی تمایل دارد با تمام بیماران مبتلا به استئوآرتریت زانو برخورد مشابهی بر اساس دستورالعمل‌ها داشته باشد؛ غافل از تفاوت‌های مابین بیماران که هرروزه در طبابت بالینی بهترین روش درمان را تعیین می‌کند. این نوع پزشکی، شاید کارایی را به حداکثر برساند، اما بهترین کلمه برای توصیف آن بی‌اندیشه[44] است؛ زیرا هیچ نقشی برای قابلیت‌های ذهن[45] انسان در خلاقیت و توانایی تطابق با شرایط و ترجیحات منحصربه‌فرد بیمار در نظر نمی‌گیرد. پزشکی‌ای که به‌طور مصنوعی هوشمند شده باشد، این نوع از دانش منعطف را با منطق متحدالشکل و یکنواخت خط تولید جایگزین می‌کند.

با توجه به پارادایم دستگاه که توسط بورگمان توصیف شده، شایع شدن هوش مصنوعی در پزشکی باعث کالایی شدن مراقبت از بیمار خواهد شد. هوش مصنوعی، درست شبیه سیستم گرمایشی مدرن، بافتاری بنیادی و درون‌زاد از تعامل انسانی را که سرشار از مهارت است، با یک ماشین جایگزین می‌کند؛ ماشینی که طرز کار درونی آن بر هر کسی که دانش تکنولوژیکال لازم را نداشته باشد، پوشیده می‌ماند. به‌جای برقراری تعامل با یک انسان هم‌نوع، بیمار با یک ماشین مواجه است که توسط متخصصانی ساخته شده و نگهداری می‌شود که اصلاً لازم نیست در محیط بالینی حضور داشته باشند. چنین «رابطه»ای کاملاً کاربردی، یعنی منحصراً متمرکز بر تمهید تشخیص و درمان، آن‌هم به‌مثابۀ کالاهایی برای مصرف بیمار خواهد بود. مانند تمام کالاها، ضروریات اخلاقی اولیه برای این نوع مراقبت ایمنی، فوریت و سهولت خواهد بود.

باری که هوش مصنوعی از دوش پزشکان برمی‌دارد، قابلیت آن‌ها برای تعالی حقیقی را تحلیل می‌برد. اتکا به الگوریتم‌های ماشین، پزشکان را از مسئولیت بهبود قضاوت بالینی خودشان که نوعی حکمت عملی[46] است، معاف می‌کند. این فضیلت تا حدودی از تجربۀ فردی، خصلت و منش‌های متعالی شخص مانند مطالعۀ متون پزشکی و فراگرفتن مهارت‌های جدید برمی‌خیزد، اما از طریق اقدامات تعاملی و مشارکتی نیز به وجود می‌آید؛ یعنی نمی‌تواند جدا از جامعۀ متخصصین و کارورزانی که متقابلاً متعهد به نیل به منافع پزشکی هستند، یا سیستم آموزشی که برای پرورشِ قضاوتِ خوب طراحی شده، حفظ شود. به‌عبارتِ‌دیگر، همان‌طور که بورگمان نشان داد، تعالی در تلاش‌های انسانی، مانند مراقبت اولیه، نیازمند آن است که بدان عمل شود. الاسدیر مک‌اینتیر[47] ادعا کرده است اعمال انسانی نه‌تنها در پیشبرد تعالی در نیل به منافع مشخص نقش دارند، بلکه همچنین فضایل اخلاقی همچون عدالت، شجاعت و صداقت را پرورش می‌دهند [18]. شاید اثبات شده باشد که استفاده از هوش مصنوعی در مراقبت اولیه نسبت به بهره‌گیری از پزشکان، ایمنی و اثربخشی بیشتری دارد، اما چنین استفاده‌ای شکل‌گیری جوامعی بر پایۀ عمل خوب را که فضایل عقلی و اخلاقی را موجب می‌‌شود، غیرضروری جلوه خواهد داد و نیز بیماران را از نقش‌‌شان به‌مثابۀ آموزگار محروم خواهد کرد. ازآنجاکه مراقبت اولیه نیازمند دانش عملی‌ست، پزشکان تنها در رابطه با بیمارانی که مسئولیتشان را پذیرفته‌اند، می‌توانند مهارت‌ها و فضایل خود را بهبود ببخشند.

در اینجا ممکن است این اعتراض مطرح شود که مزایای بالقوۀ هوش مصنوعی بر خطراتی که متوجه رابطۀ پزشک-بیمار می‌شود، اولویت دارد. بااین‌همه، احتمالاً بسیاری از بیماران در درجۀ اول برای حصول تشخیص و درمان هرچه مؤثرتر به ملاقات پزشک می‌روند. با پیشرفت تکنولوژی شاید معلوم شود که ماشین‌های هوش مصنوعی در انجام این عمل بهتر از پزشکان هستند. بااین‌حال، با توجه به تحلیل هایدگر، این اعتراض مبتنی بر تصوری از مراقبت اولیۀ خوب است که از پیش در درون گشتل شکل گرفته و تثبیت شده است. برای مثال، این ادعا که BPAs مراقبت پیشگیرانه را بهبود می‌بخشد، مبتنی بر آمارها و کمیت‌گرایانه است. BPAs باعث می‌شود پزشکان در مقایسه با حالتی که این سیستم در کار نباشد، در سنین کمتر و بیشتر کولونوسکوپی درخواست کنند و افزایش درخواست انجام چنین آزمایش‌هایی، امری خوب تلقی ‌شود. با‌این‌حال، همان‌طور که هایدگر اشاره می‌کند، گشتل جنبه‌های خاصی از وجود را آشکار می‌کند؛ درحالی‌که سایر جنبه‌ها را می‌پوشاند. این درست است که بر اساس شواهد حاصل از مطالعات مشاهده‌ای بر روی جمعیت بیماران پنجاه‌سال و بالاتر، غربالگری با کولونوسکوپی می‌تواند در بعضی موارد از مرگ بر اثر سرطان کولورکتال جلوگیری کند [19]؛ بااین‌حال، پزشکی که بر انجام آزمایش‌های غربالگری در جامعه متمرکز است، بدن بیمارانش را بر اساس چنین اطلاعاتی تفسیر می‌کند تا بتواند فراهم‌آوری مؤثر خدمات را تسهیل کند. او بیمار را به‌مثابۀ یکی از اعضای گروهی[48] از افراد که به یک گروه سنی تعلق دارند، می‌بیند و این وضعیت را شبه-پاتولوژیکال تلقی می‌کند که هرچه سریع‌تر به یک فرایند تشخیصی درمانی نیاز دارد. چنین پزشکی ممکن است به شرایط ویژۀ بیمار توجه کند، اما احساس می‌کند باید از این اطلاعات برای متقاعد کردن بیمار برای انجام آزمایش استفاده کند. بااین‌همه، برای به حداکثر رساندن تشخیص زودهنگام کنسر کولون در جامعه، پزشک باید مطمئن شود میزان غربالگری کولونوسکوپی در بین بیمارانش در بالاترین حد ممکن است.

نقد هایدگر و بورگمان بر تکنولوژی، امکان مفهومی جایگزین از مراقبت اولیه به‌مثابۀ فعل کانونی ارائه می‌دهد. پزشکان مراقبت اولیه به‌جای آنکه بدن بیمار را به‌مثابۀ مجموعه‌ای از اطلاعات در دسترس برای دست‌کاری و دست‌ورزی محسوب کنند، به‌اصطلاح اجازه می‌دهد موجودات باشند. پزشک ممکن است توجهش را با بدن ‌بیمار هم‌کوک کند؛ یعنی اجازه دهد بدن با تمام یگانگی‌اش پاسخی درخور را فرابخواند. در درجۀ اول، تمرکز بر خواسته‌ها و نیاز‌های خاص بیمار است که ممکن است همیشه به‌طور مؤثر قابل‌رسیدگی و سامان‌دهی نباشد، اما رابطه‌ای طولانی‌مدت مابین پزشک و بیمار را می‌طلبد. در بیشتر موارد، پزشک بر اساس دستورالعمل‌های عمومی‌سازی‌شده از بیمار مراقبت می‌کند، اما همچنان مایل است در زمان مقتضی آن‌ها را کنار بگذارد. این نوع از مراقبت اولیه نیازمند آن است که به‌جای درک بیمار -به‌مثابۀ بخشی از یک گروه که اعضای آن دارای ویژگی‌های مشابه، و همگی به یک شیوه قابل کنترل و مدیریت هستند- بتوانیم به هر بیمار به‌مثابۀ شخصی منحصربه‌فرد توجه و رسیدگی کنیم. این الگو در برابر کالاسازی مقاومت می‌کند؛ زیرا به‌سادگی نمی‌توان آن را از بافتارش در رابطۀ پزشک و بیمار جدا کرد.

مدافعان هوش مصنوعی احتمالاً ادعا می‌کنند که ماشین‌های هوش مصنوعی در آینده قادر به انجام فرایندهای فکری که زمینه‌ساز این نوع از مراقبت اولیه هستند، خواهند شد. تنها لازم است برنامه‌سازان الگوریتم‌های انطباق‌پذیرتر و پیچیده‌تر برای تطبیق با ظرفیت‌های ذهن انسان طراحی کنند. بااین‌همه، مهندسان برای مشکلاتی که زمانی لاینحل به نظر می‌رسیدند، راه‌حل‌هایی تکنولوژیکال ابداع کرده‌اند. بااین‌حال، همان‌طور که نقد هایدگر بر تکنولوژی، ظرفیت بالقوۀ iDoctor برای انسان‌زدایی از پزشکی را آشکار می‌کند، معرفت‌شناسی او نیز پاسخی برای این اعتراض فراهم می‌آورد. در قسمت بعدی این مقاله، نشان خواهم داد که تحلیل هایدگری درایفوس از هوش مصنوعی دلیلی برای باور به این ایده به دست می‌دهد که هوش مصنوعی ممکن است هرگز قادر به هم‌کوکی با انسان، به شیوه‌ای که در مراقبت اولیۀ خوب موردنیاز است، نباشد. ممکن است این‌طور باشد که اندیشۀ انسان به‌سادگی پیچیده‌تر از اندیشۀ ماشین نیست؛ بلکه به‌طورکلی با نوعی الگوی هوش که ماشین‌ها می‌توانند بدان دست یابند، متفاوت است.

نقد درایفوس بر هوش مصنوعی

درایفوس در کتاب «آنچه کامپیوتر هنوز نمی‌تواند انجام دهد[49]» خواستار بذل توجه بهنظریۀ غالباً ناگفته‌ و عقل‌گرایانۀ ذهن، که زیربنای هوش مصنوعی را تشکیل می‌دهد، شد [4]. عقل‌گرایانی چون رنه دکارت، تصور می‌کنند تمام دانش ذهنی از بازنمایی‌هایی تشکیل شده که شامل ویژگی‌هایی تثبیت‌شده، فاقد بافتار و انتزاعی هستند. از این نظر، چنین بازنمایی‌هایی می‌تواند به‌صورت گزاره‌ای بیان شود، و به‌طور قطع، توانایی بازنمایی دانش یک حوزه به‌طور مستدل، میزان فهم‌پذیری آن حوزه برای ذهن انسان را توضیح می‌دهد. همان‌طور که درایفوس اشاره می‌کند، این نوع عقل‌گرایی مبتنی بر بازنمایی، فرض می‌کند «زیربنای فهم هرروزه، یک سیستم متشکل از باورهای ضمنی است [4, p. xvii]». حتی فهم عرفی[50] از دانش عملی[51] در حقیقت نوعی دانش محدود به یک چیز خاص است. در اینجا، دانش عملی نوعی دانشی عملکردی است که تعاملات روزمره با جهان را میسر می‌سازد و به فرد مجال می‌دهد تا مهارت کسب کند؛ درحالی‌که دانش محدود به یک چیز خاص به نوعی دانش تئوری اشاره می‌کند که به‌طور مناسبی در قالب گزاره‌ها جای می‌گیرد.

مشابه این، مدافعان هوش مصنوعی فرض می‌کنند به‌طورکلی همۀ انواع دانش می‌توانند به‌مثابۀ گزاره‌هایی در یک پایگاه دادۀ گسترده بازنمایی و به‌صورت ورودی‌هایی به کامپیوتر داده شوند. به‌علاوه، آن‌ها فرض می‌کنند کاری را که ذهن انسان با این دانش می‌کند، می‌توان به دسته‌ای از قوانین صوری که می‌تواند در یک کامپیوتر برنامه‌ریزی شود، فروکاست. چالش هوش مصنوعی این است که دانش زمینه‌ای -مانند فهم عرفی- را خارج از بافتار آن عمومی‌سازی کند؛ بسیار شبیه به شیوه‌ای که انتولوژی[52] تلاش می‌کند تا موجودیت‌های فاقد بافتار را به‌مثابۀ بنیان فلسفه توصیف کند. بااین‌حال، همان‌طور که درایفوس در مرور جامعی که بر تاریخچۀ هوش مصنوعی داشت نشان داد، تلاش‌ها برای فائق آمدن بر این چالش مکرراً به شکست منجر شده است. برای مثال، نسخه‌هایی از هوش مصنوعی که تا به امروز تولید شده‌اند، در پاسخ به یک‌سری سؤالات مشخص و ساده که به انگلیسی محاوره‌ای ارائه می‌شوند، دچار مشکل هستند. درایفوس ادعا می‌کند این شکست‌ها از ناتوانی در ضبط دانش زمینه‌ای[53]، یعنی «گونه‌ای از فهم که ما به‌طور معمول ‌بدیهی می‌انگاریم»، به بیان گزاره‌ای نشئت می‌گیرد [4, p. xix].

درایفوس جهت ارائۀ یک جایگزین برای نظریۀ عقل‌گرایانۀ ذهن به معرفت‌شناسی هایدگر روی می‌آورد. همان‌طور که شرح پدیدارشناسانه‌ از کسب مهارت نشان می‌دهد، دانش عملی[54] انسان نمی‌تواند به‌سادگی به‌مثابۀ دانستن یک چیز خاص و محدود[55] بازنمایی شود. زمانی که یک نوآموز بخواهد مهارتی مانند شطرنج را یاد بگیرد، به‌طور حتم باید با «یادگرفتن و اعمال قوانین برای دستکاری و کنترل عوامل فارق از بافتار» آغاز کند؛ اما زمانی که تجربۀ بیشتری کسب می‌کند، می‌آموزد در ویژگی‌های وابسته به بافتار -مانند آرایش نامتعادل مهره‌ها در شطرنج- معنا بیابد و این عناصر را به‌صورت اهداف شخصی خود ببیند [4, p. xii]. با گذشت زمان، شخص قوانین را به‌کلی پشت سر می‌گذارد و بلافاصله می‌فهمد چه کاری انجام دهد. تجربۀ قبلی استاد شطرنج، درک او از موقعیت شطرنج در لحظۀ اکنون را شکل می‌دهد؛ چنین پاسخی بدون نیاز به مورد ملاحظه قرار دادن مجموعۀ قوانین کلی به ذهن او می‌آید. در حقیقت، بهترین بازی‌کنندگان شطرنج افرادی هستند که این قوانین را به‌صورتی خلاقانه استعلا می‌بخشند. درایفوس استدلال می‌کند[4]  اگر شخصی استاد بودن در یک مهارت را -به‌وسیلۀ کاربست قوانینی که مهارت مذکور از طریق استفاده از آن‌ها آموخته شده- تجربه نکند، هیچ دلیلی برای درستی این فرض که این قوانین همچنان نقشی در این فرایند دارند، وجود ندارد. شاید استاد گاهی، اما نه همیشه، بتواند فرایندی را که به‌وسیلۀ آن توانسته به واکنش درست دست‌ یابد، توضیح دهد؛ اما حتی اگر چنین باشد، برخلاف فرض مدافعان هوش مصنوعی، قانونی که از توضیحاتی مانند این استخراج ‌شود، علت حصول آن واکنشِ درست نیست.

علاوه‌براین، در مدل عقل‌گرایانه، کامپیوتر برای آنکه بتواند به یک موقعیت خاص پاسخ مناسب بدهد، باید موقعیت‌ را طبقه‌بندی کند و برای جست‌وجو در پایگاه ‌داده و یافتن قوانین فرعی که می‌توانند با این موقعیت مرتبط باشند، از قوانین استفاده کند و درمورد اینکه چطور ادامه دهد، به نتیجه برسد. هرچه اطلاعاتی که کامپیوتر دربارۀ موقعیت‌های جدید دریافت می‌کند، بیشتر شود، چنین فرایندی دشوارتر می‌گردد. درایفوس اشاره می‌کند این مشکل در تقابل با تلاش‌های صورت‌گرفته برای افزایش تناسب هوش مصنوعی است؛ زیرا هرچه تعداد داده‌های ورودی بیشتر شود، سیستم به زمان بیشتری برای بازیابی اطلاعات نیاز دارد. برخلاف این، همان‌طور که مثال استاد شطرنج نشان می‌دهد، زمانی که انسان تجربه می‌اندوزد، با سهولت بیشتری به موقعیت‌ها واکنش نشان می‌دهد و اطلاعات مربوطه را سریع‌تر بازیابی می‌کند. این مشاهده نشان می‌دهد انسان‌ها در مقایسه با مدل عقله‌گرایانه که در هوش مصنوعی پیش‌فرض انگاشته شده، به نوع کاملاً متفاوتی از اطلاعات تکیه دارند. زمانی که شخص تجربۀ کافی برای ماهر شدن در کاری را کسب کند، دانش وی درک و دریافت او را شکل می‌دهد؛ مثلاً « تجربیات بی‌‌واسطۀ فرد از اینکه چه چیزها و وقایعی مرتبط هستند و چگونه مرتبط می‌شوند» [4, p. xxviii]. همان‌طور که هایدگر می‌گفت، ابژه‌ها در نزد یک فرد ماهر «منزوی و فاقد ویژگی‌های وابسته به بافتار نیستند؛ بلکه به‌مثابۀ اشیائی که به‌واسطۀ دلالت و معنای خود پاسخ می‌دهند، آشکار می‌شوند».

در نتیجه، به نظر می‌رسد دانش عملی نه بر پایۀ قوانین، بلکه بر نوعی الگوشناسی، مانند درک آنی و شهودی از پاسخ مناسب، که می‌تواند به فراخور موقعیت‌های جدید توسعه یابد، بنا شده است. درایفوس با الهام از شرح پولانی بر دانش ضمنی[6] ، توجه ما را به ویژگی‌های متعدد فهم زمینه‌ای، که زمینه‌ساز دانش عملی انسان هستند و شبیه‌سازی آن‌ها برای هوش مصنوعی دشوار است، جلب می‌کند [4, pp. xxvii–xxix]. اول، همان‌طور که مثال شطرنج نشان می‌دهد، به نظر می‌رسد این نوع از دانش نیازمند تجربیات گسترده‌ای از موارد خاص است. درایفوس ادعا می‌کند دلیل اینکه «کودکان بازی هرروزه با بلوک‌‌های آجری و آب را برای سال‌ها دلپذیر و شگفت‌انگیز می‌یابند»، این است که «آنان یاد می‌گیرند انواع موقعیت‌های خاصی را که در فعالیت‌های رزومره‌شان باید با آن کنار بیایند، از هم تشخیص دهند» [4, p. xxvii]. هرگونه تلاش برای کسب چنین دانشی به‌صورت مجموعه‌ای از گزاره‌ها برای یک برنامۀ کامپیوتری به‌طرز شگفت‌آوری سخت و منوط به موارد استثناء متعددی خواهد بود که باعث می‌شود موفقیت‌ آن تقریبا غیرممکن به نظر ‌رسد. بااین‌حال، کودکان به‌طور شهودی از چنین دانشی برخوردارند و بر اساس آن عمل می‌کنند.

دوم، حجم زیادی از دانش زمینه‌ای انسان مستلزم جامعه‌پذیری[56] است. همان‌طور که هایدگر و موریس مرلوپونتی اشاره می‌کنند، در دانش عملی روزمره اینکه چه چیزی واقعیتِ مرتبط به نظر برسد، به مهارت‌های اجتماعی بستگی دارد. درایفوس برای روشن شدن این نکته به توصیف بوردیو[57] از فرهنگ هدیه دادن متوسل می‌شود [20]. اعضای این فرهنگ برای اینکه تصمیم بگیرند چه کار کنند یا چگونه رفتار کنند، به قوانین متوسل نمی‌شوند؛ بلکه به‌سادگی در شرایط متناسب با هدیه‌ای متناسب به این فرهنگ واکنش نشان می‌دهند. تنها یک غریبه که فاقد مهارت اجتماعی لازم است، نیازمند آن است که قوانین برای او توضیح داده شود. بنابراین دانش هدیه دادن «بخشی از دانش حقیقی نیست که از مهارت یا دانش عملی هدیه دادن مجزا باشد» [4, p. xxiii]. یک مثال دیگر، استدلال کردن به‌وسیلۀ شباهت یا استعاره است. مثلا استعارۀ «سالی یک تکه یخ است»، نمی‌تواند به‌وسیلۀ شنیدن دو کیفیت سالی و یخ و مقایسۀ آن دو، بازنمایی و فهمیده شود [21]. بلکه همان‌طور که هایدگر و مرلوپونتی ادعا می‌کنند، بافتار فرهنگی و  اجتماعی که چنین دستگاه‌هایی در آن به کارگرفته شده‌اند، به تداعی‌های مرتبط مجال می‌دهد تا خود را آشکار کنند.

سوم و مهم‌تر از همه، دانش عملی اغلب مستلزم نوعی از دانش است که از درک حسی، هیجانات و عواطف و تخیل حاصل می‌شود. مثالی از یک جملۀ انگلیسی که می‌تواند چوب لای چرخ هوش مصوعی بگذارد، این است: «مریم یک سگ را در پنجره دید؛ او آن را می‌خواهد.» برنامۀ کامپیوتری به‌سختی می‌تواند اطمینان حاصل کند که «آن» به پنجره اشاره می‌کند یا به سگ [22, p. 200]. درایفوس پیشنهاد می‌کند تفسیر بافتار قبلی ضمیر در این جمله «به‌جای اینکه ما را ملزم به استعانت از واقعیت‌ها دربارۀ سگ‌ها و پنجره‌ها کند، به توانایی ما برای تصور اینکه اگر ما در آن موقعیت بودیم، چه حسی داشتیم متوسل می‌شود» [4, p. xix]. این مورد، همچنین بر تجربۀ ما از سگ‌ها به‌مثابۀ ابژۀ دلخواه[58] تکیه دارد؛ تجربه‌ای که در طی جامعه‌پذیری حاصل می‌شود. اگر بخش دوم جمله را با عبارت «او بینی خود را به آن فشار داد» جایگرین کنیم [22, p. 200]، تفسیر بافتار قبلی «آن» به تجربۀ حسی از تماس با پنجره وابسته است. چنین مثال‌هایی نیازمند قوۀ تخیل و یاد‌آوری تجربیات ویژه، برای سازمان‌دهی دانش لازم جهت فهم جمله است؛ و در نتیجه، این امر نقش مهم بدن در حصول چنین فهمی را اثبات می‌کند.

درایفوس از این مشاهدات نتیجه می‌گیرد تجربه و دانش ما از جهان از دانش زمینه‌ای پیشاادراکی شکل می‌گیرد. انسان‌ها با انتظارات معینی به جهان روی می‌آورند و معنا، از میان تعادلی پیچیده‌ مابین این انتظارات و اطلاعاتی که از جهان داریم، برمی‌خیزد. زمانی که انتظاراتی که درک فرد را شکل می‌دهند، اشتباه باشد، داده‌های حاصله معنادار نخواهند بود و فرضیه جدیدی نیاز است. هرگاه این انتظارات موفق باشند، فرد خود را به‌خوبی قادر به کنار آمدن با جهان می‌یابد —موقعیتی که مرلوپونتی به آن دریافت حداکثری[59] می‌گوید [23]، که «بسته به هدف فاعل و منابع یک موقعیت متفاوت است» [4, p. 250]. چنین فرایندی، زیربنای نوعی الگوشناسی است که منجر به دانش عملی انسان می‌شود و به ما مجال می‌دهد تا خودمان را با موقعیت‌های مختلفی که در آن‌ها ممکن است کمابیش از دانش خود دربارۀ جهان مطمئن باشیم، وفق دهیم.

ازآنجاکه تلاش در زمینۀ هوش مصنوعی از پیش‌فرض‌های عقل‌گرایانه سرچشمه می‌گیرد، کامپیوترها دقیقاً در نوعی استدلال انتزاعی که دکارت باور داشت ویژگی دانش است، مهارت پیدا کرده‌اند. در نتیجه، برای مثال، کامپیوترها می‌توانند محاسبات پیچیدۀ ریاضی را بسیار سریع‌تر و آسان‌تر از انسان‌ها انجام دهند. کامپیوترها همچنین در موقعیت‌هایی مانند بازی‌ها که قادرند به روشنی نشان دهند که آیا قوانین اعمال‌شده صحیح هستند یا نه، موفق عمل ‌کنند. مثال شطرنج نیز در اینجا مطرح ‌است. پیروزی کامپیوترها در برابر استادان بزرگ شطرنج، مانند پیروزی‌هایIBM’s Deep Blue  بر گری کاسپاروف[60]، باعث شده بعضی از مدافعان هوش مصنوعی باور کنند یادگیری ماشین می‌تواند در سایر موارد نیز از شهود انسانی پیشی بگیرد. بااین‌حال، درمورد شطرنج بازخورد از جهان دوگانه است: برد یا باخت. چنین تصدیق شفافی به‌ندرت در نوعی از دانش عملی موقعیت‌مند که انسان‌ها مشخصاً در آن‌ بهتر عمل می‌کنند، مشارکت دارد. همان‌طور که درایفوس ادعا می‌کند، با اینکه بعضی فیلسوفانِ اخلاقیِ فایده‌گرا پیشنهاد داده‌اند که تمام استدلال‌های اخلاقی را به‌مثابۀ نوعی کارکرد ریاضیات برای نیل به حداکثر فایده -نوعی محاسبه که در آن کامپیوتر برتری دارد- تفسیر کنیم، انسان‌ها به‌ندرت قادر به پیش‌بینی تمام نتایج یک تصمیم اخلاقی به‌صورتی‌که با این نوع محاسبه‌گری به‌دست می‌آید، هستند. به نظر می‌رسد اعمال انسانی که نتیجه‌گیری‌ها درموردشان کمتر قطعی‌ست، بیشتر بر دانشی بدن‌یافته و موقعیت‌مند که درایفوس توصیف می‌کند، اتکا دارند.

در تلاش برای غلبه بر محدودیت‌های مدل عقل‌گرایانه در هوش مصنوعی، بعضی برنامه‌نویسان کامپیوتر، ماشین‌های هوش مصنوعی بر اساس شبکۀ عصبی طراحی کرده‌اند؛ نوعی هوش مصنوعی که برای نزدیک شدن به شیوه‌ای که انسان‌ها به‌وسیلۀ آن الگوشناسی زیربنایی دانش عملی را یاد می‌گیرند، طراحی شده است. به‌جای آنکه به کامپیوتر دانش گزاره‌ای و ازپیش‌شکل‌گرفته‌ داده شود، برنامه‌نویسان شبکۀ عصبی، به کامپیوتر داده‌های خام می‌دهند و اجازه می‌دهند تا کامپیوتر به‌صورت خودبه‌خودی ارتباطات را برقرار کند؛ به‌صورتی مشابه آنچه به نظر می‌رسد شیوۀ یادگیری انسان باشد. بنابراین چنین برنامه‌هایی به هرحال به دلایلی که درایفوس پیش‌بینی می‌کرد، با مشکلاتی مواجه شده‌اند. یک مشکل این است که قوانینی که برقراری این ارتباطات خودبه‌خودی را هدایت می‌کنند، همچنان باید برای کامپیوتر به‌صورت گزاره‌ای نوشته شوند. بااین‌حال، در سطح عمیق‌تر، ازآنجاکه ماشین‌های هوش مصنوعی فاقد بدن انسانی که دارای ادراک انسانیست هستند، به نظر می‌رسد قادر نیستند به شیوه‌ای مشابه انسان، مناسبت و اهمیت را تعیین کنند. به‌عبارتِ‌دیگر، آن‌ها بین ورودی‌ها، نوعی از ارتباطات خود‌به‌خودی را برقرار می‌کنند که هیچ انسانی نمی‌کند.

نتایج پروژۀ رؤیای عمیق هوش مصنوعی گوگل[61] مثال واضحی از تفاوت ادراک انسان و هوش مصنوعی به دست داد [24]. رؤیای عمیق یک برنامۀ تحلیل تصاویر بر اساس شبکۀ عصبی است. برنامه‌نویسان آن در نظر داشتند این ماشین به‌وسیلۀ انتخاب الگو‌هایی در تصاویر و استفاده از نوعی منطق احتمال‌گرایانه برای صحه گذاشتن بر آن‌ها یاد بگیرد یک تصویر چگونه «شبیه چه چیزی است»؛ به شیوه‌ای بسیار شبیه حالتی که یک انسان ممکن است تصور کند یک تکه ابر شبیه یک قایق یا یک لاک‌پشت به نظر می‌رسد. بااین‌حال، زمانی که از این ماشین خواسته ‌شد یک تصاویر ساده را پردازش کند، رؤیای عمیق، همۀ انواع اشیاء تصادفی را که برای جسم انسان قابل‌مشاهده نبود، پیدا کرد. برای مثال زمانی که تصویری از رئیس‌جمهور آمریکا، باراک اوباما، به این برنامه داده شد، رؤیای عمیق تصویری با مردمک‌های چشم، پرندگان و حلقه‌ها و مارپیچ‌های رنگی که در پس‌زمینه و صورت رئیس‌جمهور پخش شده بودند، تولید کرد. این ماشین، تصویر رئیس‌جمهور را در بین گروهی از تصاویر پیکسلی که این اشیاء را نمایندگی می‌کردند، یافت و آن‌ها را به این صورت تفسیر کرد. این نتایج نشان می‌دهد دریافت کامپیوتر از شباهت که مبتنی بر احتمال است، تا چه‌اندازه با ذهن انسان متفاوت است و برای کامپیوتر تا چه‌اندازه دشوار است که بدون داشتن توانایی ادراک انسانی، به شیوه‌ای که انسان‌ها فکر می‌کنند، فکر کند. در فقدان بدن انسانی، ممکن است سرنوشت ماشین‌های هوش مصنوعی، تولید نوعی از دانش باشد که برای انسان بیشتر از مفید بودن، عجیب‌وغریب باشد.

ازآنجاکه انسان‌ها نمی‌توانند از دانش زمینه‌ای و پیشاادراکی خود قدم فراتر بگذارند، نمی‌توانند این دانش را به‌صورت گزاره‌ای توصیف کنند؛ یعنی نمی‌توانند ویژگی‌های این دانش را به‌صورت قوانین صریح به کامپیوتر منتقل کنند. بدون چنین قوانینی، کامپیوتر قادر نخواهد بود چنانکه انسان می‌‌تواند، ویژگی‌های جهان را تشخیص دهد. یک کامپیوتر هوش مصنوعی شاید بتواند ارتباطاتی مابین ورودی‌هایش تشخیص دهد که انسان‌ها نمی‌توانند ببینند و به‌این‌ترتیب، بعضی مدافعان هوش مصنوعی ادعا کرده‌اند که هوش مصنوعی می‌تواند با دانش ما از جهان تعامل برقرار کند. بااین‌حال، به احتمال زیاد، با توجه به فقدان فهم پیشاادراکی انسانی از دانش متناسب و مرتبط، هوش مصنوعی ارتباطاتی تشکیل خواهد داد که در بهترین حالت، کسل‌کننده و در بدترین حالت، غیرقابل‌فهم خواهد بود.

تحلیل درایفوس توجه ما را به اهمیت دانش عملی -یعنی نوعی از دانش عملی انسان که همزمان زیربنای درک فهم عرفی ما از جهان و توانایی ما برای کسب مهارت است- جلب می‌کند. مهندسان کامپیوتر در تلاش‌اند این نوع دانش را در ماشین‌های هوش مصنوعی بازتولید کنند؛ نه‌تنها به این دلیل که بازنمایی به‌صورت گزاره‌ای دشوار است، بلکه همچنین به این دلیل که این دانش بر اشکال گوناگونی از دانش زمینه‌ای و پیشاادراکی مانند درک حسی و اجتماعی شدن تکیه دارد که به نظر می‌رسد مختص انسان باشد. همان‌طور که در ادامه نشان داده شده است، انسان‌ها بسیار برای مهارت‌های عملی مانند مراقبت اولیه که دانش عملی نقش اصلی را در آن‌ها ایفا می‌کند، مناسب هستند.

دانش عملی انسان و مراقبت اولیه

نقد درایفوس این انگاره را که ماشین‌های هوش مصنوعی می‌توانند جایگزین پزشکان مراقبت اولیه شوند، زیر سؤال می‌برد؛ با این دلیل که ماشین‌ها به منابع دانش زمینه‌ای که زیر بنای طبابت است، دسترسی ندارند. بخش زیادی از دانش بالینی شامل دانش عملی است، نوعی الگوشناسی که درایفوس توضیح داد. در حقیقت، ساختار آموزش پزشکی اهمیت یادگیری تجربی را مسلم می‌دارد. مقبولیت و رواج یادگیریِ مسئله‌محور در سال‌های پیش‌بالینی، از نوعی شناخت عمومی نشئت می‌گیرد؛ مبنی بر اینکه استدلال بالینی وابسته به بافتار است —یعنی نیازمند منبع غنی از تجربیات قبلی‌ است که بتوان از آن بهره جست. پزشک معمولاً تنها به‌صورت ثانویه به دانش مفهومی انتزاعی، به‌مثابۀ منبعی برای مشورت گرفتن نیاز دارد؛ آن‌هم زمانی که با موقعیت غیرمنطبق با الگو مواجه می‌شود [25]. هدف سال‌های آموزش بالینی و دورۀ دستیاری تخصصی این است که دانشجویان در معرض موارد کافی برای درک الگوها در تشخیص و درمان بیماری‌ها قرار بگیرند. چنین تجربه‌ای به‌خصوص برای پزشک مراقبت اولیه، یعنی کسی که اغلب بیماران با شکایت‌های جدید یا غیراختصاصی را ارزیابی می‌کند، ضروری است. تحلیل درایفوس نشان می‌دهد این نوع از دانش عملی بالینی نمی‌تواند به شکل مناسبی به‌صورت گزاره‌ای درآید و درک شود؛ در نتیجه، انتقال آن به یک کامپیوتر اگر غیرممکن نباشد، دشوار خواهد بود.

یک مثال برای این نوع از دانش عملی، توانایی اخذ شرح‌حال و سابقۀ بیماری فعلی از بیمار است. آموزشگران پزشکی به‌خوبی می‌دانند دانشجویان پزشکی، اغلب علی‌رغم صرف زمان بیشتر، در کشف اطلاعات بالینی مرتبط از بیماران شکست می‌خورند. برعکس، یک بالینگرِ[62] باتجربه می‌تواند در کسری از زمان، یک شرح‌حال کامل اخذ کند. چنین پزشکانی احتمالاً به‌سختی می‌توانند این مسئله را به‌طور مستدل توضیح دهند؛ زیرا این قابلیت مبتنی بر توانایی آن‌ها در درک ارتباط و اهمیت است. زمانی که بیمار شروع به بیان داستانش می‌کند، پزشک بلافاصله شروع به فکر کردن به سایر علائمی که باید بپرسد و مانورهای معاینه‌ای که ممکن است منجر به تشخیص به‌خصوصی شود، می‌کند. زمانی که من شرح‌حال بیمار را اخذ می‌کنم، در هیچ یک از مراحل، به قانونی مانند «همیشه وقتی بیمار از تنفس دشوار شکایت دارد، آسم را در نظر بگیر و دربارۀ سرفه از او سؤال کن» متوسل نمی‌شوم. بلکه اغلب با یاد‌آوری شباهت‌های بین شکایت‌های این بیمار و موارد متعدد دیگری که دیده‌ام، تشخیص می‌دهم کدام بخش از شرح‌حال اهمیت بیشتری دارد. تبحر حقیقی در پزشکی، نه‌صرفاً از تسلط بر مفاهیم انتزاعی و فاقد بافتار بیماری و درمان، بلکه دقیقاً از این نوع دانش تجربی تشکیل شده است.

نقد درایفوس همچنین بر اهمیت جامعه‌پذیری و تجربۀ بدنی برای دانش عملی بالینی صحه می‌گذارد. مهارت‌های اجتماعی، تجربیات بدنی و قوۀ تخیل، انتظارات پیشاادراکی ما و در نتیجه، شیوۀ درک ما از جهان -که برای یک پزشک مراقبت اولیه از بیماران و شکایت‌هایشان تشکیل شده است- را شکل می‌دهند. iDoctor جهت اعمال الگوریتم‌هایش ضرورتاً به‌وسیلۀ چشم‌پوشی از اطلاعات مهمی مانند صحت و درستی توضیحات بیمار، این محیط ادراکی پیچیده را به‌صورت دانش محدود به یک چیز[63] درمی‌آورد.

هر بالینگر باتجربه‌ای می‌داند که نباید صرفاً به بیانات شفاهی بیماران از ناخوشی‌شان تکیه کند. برای مثال، بعضی بیماران شدت علائم‌شان را کمتر از آنچه هست بیان می‌کنند و دیگران به‌وضوح درمورد علت مراجعه‌شان به پزشک دروغ می‌گویند. ممکن است با گذشت زمان پزشک یاد بگیرد به نشانه‌های غیرکلامی، مانند دزدیدن نگاه یا اختلال گفتاری که می‌تواند نشان‌دهندۀ عدم بیان اطلاعات باشد، توجه کند. در چنین مواردی، پزشک ممکن است در جهت کشف حقیقت یا تصمیم‌گیری برای یک برنامۀ درمانی مطمئن‌تر، سؤالات بیشتری بپرسد. بااین‌حال، یک ماشین هوش مصنوعی که فاقد منابعی از تجربۀ انسانی یا مهارت‌های تفسیری است، باید شرح‌حال بیمار را مستقیماً از روی ظاهرشان اخذ کند؛ یعنی به‌صورت نوعی انتقال دقیق و صریح دانش گزاره‌ای، که به‌طور بالقوه منجر به اشتباهاتی در تشخیص و درمان می‌شود.

علاوه‌براین، حتی زمانی که بیماران صادق و راست‌گو هستند، روایت‌هایشان از علائم بیماری صرفاً گزارشی مشتمل بر اطلاعات واقعی نیست. آن‌ها به‌مثابۀ یک انسان بدن‌یافته و اجتماعی به پزشک روی می‌آورند. آن‌ها پزشک را دعوت می‌کنند تا از تجربۀ بدنی خویش بهره بگیرد و تصور کند چنین علائمی چگونه احساس می‌شوند و در نتیجه، پاسخ معینی بدهد. پزشک تنها زمانی می‌تواند شکایت سردرد یک بیمار را واقعاً درک کند که خود قبلاً از سردرد رنج برده باشد، یا حداقل توانایی به‌کارگیری سایر تجربه‌ها برای تصور اینکه چنین دردی چگونه ممکن است احساس شود را داشته باشد. بیماری که در حال توصیف یک علامت یا اثر ناخوشی بر زندگی‌اش است، ممکن است از استعاره -که مبتنی بر فرض‌های اجتماعی‌ است- برای انتقال معنا استفاده کند. علاوه‌براین، تمایل مراجعه به پزشک و تقاضا از او، پزشک را دعوت می‌کند تا با ابراز همدلی به‌وسیلۀ بیانات کلامی به بیمار پاسخ دهد، مانند حرکات صورت و لمس دست بیمار برای تسلی بخشیدن به او. این بیانات، هرچند کوچک، اغلب می‌تواند بهبود بیمار در پاسخ به درمان را تقویت کند [26]. حتی اگر یک ماشین هوش مصنوعی بتواند این اعمال را انجام دهد، احتمالاً در تشخیص اینکه چه زمانی و چگونه از چنین حرکاتی به‌صورت مناسبی استفاده کند، دچار مشکل خواهد شد و همچنان این امر موردسؤال است که آیا بیمار مشابه پاسخی را که به پزشک می‌داد، به لمس iDoctor خواهد داد یا خیر.

مهم‌تر از همه، پزشک می‌تواند زمانی که برنامۀ درمانی را تدوین می‌کند، شرایط غیرپزشکی و منحصربه‌فرد بیمار را در نظر بگیرد. اگر یک بیمار سالمند به پزشک بگوید داروهای ضد فشار خون باعث می‌شوند آن‌قدر دچار سرگیجه شود که نتواند برای ملاقات خانواده‌اش رانندگی کند، پزشک با داشتن تجربۀ مشابهی از اهمیت و ارزش ملاقات با عزیزان، می‌تواند این مورد را به‌عنوان اطلاعات مرتبط و مهم تلقی کند. اگرچه دستورالعمل‌های «بهترین طبابت» برای مدیریت و کنترل فشار خون توصیه‌ می‌کنند درمان ادامه پیدا کند، اما پزشک می‌تواند برای این بیمارِ به‌خصوصِ فشار خون، هدف آسان‌گیرانه‌تری تعیین کند تا درمان تطابق بیشتری با نیازهای او داشته باشد. برعکس، یک ماشین هوش مصنوعی خاطرات مشابه‌ای از تجربیات غیرپزشکی که ممکن است مورد توجه بیمار باشد، ندارد. درایفوس اشاره می‌کند که یک ماشین هوش مصنوعی که فاقد جامعه‌پذیری در فرهنگ انسانی و تجربۀ بدن‌یافتگی[64] است، ضرورتاً در درک تفاوت‌های جزئی این جنبه‌های مراقبت از بیمار ناکام می‌ماند.

برخلاف بازی‌ها و سایر موقعیت‌های مقید و محدودشده که کامپیوترها در آن بهتر عمل می‌کنند، پزشکی به‌ندرت اجازۀ وجود قاطعیت لازم برای ایجاد بازخورد صریح و روشن را می‌دهد. همان‌طور که درایفوس اشاره می‌کند، کامپیوترها زمانی به بهترین شکل یاد می‌گیرند که بتوانند از سوی یک برنامه‌نویس یا جهانی که قوانین اعمال‌شده توسط ماشین‌ها را لحاظ می‌کند، با صراحت و وضوح تقویت شوند: یعنی اطلاعات را به‌صورت درست یا غلط، بردن یا باختن دریافت کنند؛ درحالی که در پزشکی، نتایج به‌ندرت کاملاً مشخص یا کاملاً دوگانه هستند. پزشک مراقبت اولیه در مطب، بیماریِ بیماران را بدون اینکه مطمئن باشد برمی‌گردند یا خیر، یا اینکه چه زمانی مجدداً مراجعه می‌کنند، تشخیص می‌دهد و درمان می‌کند؛ پاسخ بیماران به درمان به‌ندرت ممکن است به‌ روشنیِ «بهتر» یا «بدتر» شدن باشد. بسیاری از بیماران ترکیب مبهمی از فواید درمان و عوارض جانبی آن را تجربه می‌کنند؛ این امر پزشک و بیمار را ملزم می‌کند تا باهم تصمیم بگیرند که بهترین راه پیش‌روی در یک موقعیت خاص، کدام است. اغلب پاسخ «درست»، مانند تجویز استاتین‌ها برای کلسترول بالا، بهترین پاسخ برای دغدغه‌های خاص بیمار نیست. در نتیجه، مراقبت اولیه نیازمند انعطاف‌پذیری و قدرت انطباق است؛ درست مانند تمایل به پذیرش بسندگی، شیوه‌ای از کنار آمدن با جهان، که مرلوپونتی آن را دریافت حداکثری می‌نامید [23]. درایفوس اشاره می‌کند برای کامپیوترها دشوارتر است که این نوع از استدلال را در مواجهه با تنوع فزایندۀ شرایط اعمال کنند؛ درحالی‌که انسان‌ها تمایل دارند توانایی به ‌کار بردن این نوع استدلال را در خود بهبود ببخشند. هر طراح هوش مصنوعی که قصد دارد قضاوت پزشک را با ماشین‌های هوش مصنوعی جایگزین کند، باید بر این معضل مهم فائق آید.

تلاش مستمر برای تولید ماشین‌های بدون راننده، شواهدی از مشکلاتی که ضمن معرفی تکنولوژی هوش مصنوعی به حوزۀ جامعۀ انسانی رخ می‌دهد، فراهم کرد. اخیراً مقاله‌ای با اشاره به اوراق بهادار عموم مردم، سرمایه‌گذاری شخصی و عمومی کلان بر روی این نوع هوش مصنوعی را نشان داد که تنها سود ناخالص آن 500 میلیون دلار بوده و وزیر راه‌‌وترابری ایالات متحدۀ آمریکا پیشنهاد سرمایه‌گذاری 4 میلیارد دلاری را ارائه داده است. بااین‌حال، تا امروز هیچ نسخه‌ای از این تکنولوژی قادر به نزدیک شدن و ایجاد مشابهت به هوش اجتماعی انسان، به این معنا که بتواند به‌راحتی و به‌درستی حدس بزند دیگران در تلاش برای انجام آن کار خاص چه می‌کردند، نبوده است. درحالی‌که تحقیقات نشان می‌دهد «حتی کودکان خردسال به‌طرز بسیار خوبی احساسات خود را با قصد و اهداف دیگران هم‌کوک می‌کنند —به‌مثابۀ هستۀ هوش منحصربه‌فرد انسانی؛ ماشین‌های هوش مصنوعی مکرراً در پیش‌بینی اعمال رانندگان شکست می‌خورند [27]. به‌علاوه، اگرچه انسان‌ها و ماشین‌های هوش مصنوعی هر دو مرتکب اشتباه می‌شوند، اما هوش مصنوعی اشتباهاتی می‌کند که هیچ انسانی مرتکب آن نمی‌شود؛ مثلاً یک کیسۀ زباله را با یک عابر پیاده اشتباه می‌گیرد. هوش مصنوعی یک تکه ابر را با یک کامیون اشتباه می‌گیرد [27]. به‌عبارتِ‌دیگر، ماشین‌های هوش مصنوعی در نوعی از دانش عملی که به‌طور طبیعی در انسان وجود دارد، دچار مشکل هستند. هوش مصنوعی همیشه نمی‌تواند اطلاعاتی را که از نظر انسان مهم و مرتبط است، از میان سایر ورودی‌ها تشخیص دهد؛ به‌ویژه در موقعیت‌هایی که دانش حاصل از جامعه‌پذیری را طلب می‌کند، که دقیقاً ازجمله مشکلاتی است که درایفوس پیش‌بینی می‌کرد. یک فعالیت عمومی انسانی مانند رانندگی کردن و به‌همین‌ترتیب طبابت، شاید صرفاً به این دلیل ممکن است که انسان‌ها دارای یک دانش زمینه‌ای مشترک هستند.

این امر قابل‌درک است که یک ماشین هوش مصنوعی ممکن است در نهایت قادر باشد بعضی جنبه‌های مراقبت اولیه، مانند خدمات پیشگیرانه را مؤثرتر از انسان ارائه کند. بدون شک، بعضی بیماران صرفاً برای دریافت چنین درمان‌هایی، آن‌هم به مؤثرترین شکل ممکن، به پزشک مراجعه می‌کنند. بااین‌حال بسیاری دیگر از بیماران، نه‌تنها درمان پزشکی، بلکه همچنین مراقبتی مبتنی بر شفقت را از روابطشان با پزشک مراقبت اولیه طلب می‌کنند. همان‌طور که تحلیل درایفوس نشان می‌دهد، شکایت درد قفسۀ سینۀ بیمار، توجه یک انسان هم‌نوع را که قادر است تجربۀ مشابهی را از سر بگذراند، جلب می‌کند. درحالی‌که پزشک به شکایت بیمار پاسخ می‌دهد، بیمار نه‌تنها می‌تواند تلاش پزشک برای تشخیص و درمان بیماری را درک کند، بلکه همچنین پیام‌های بدنی شامل هر دو نوع پیام کلامی و غیرکلامی را -که نشانگر دغدغۀ پزشک درمورد بیمار است- درک می‌کند. در نتیجه، رابطۀ بین بیمار و پزشک امکان شفقت حقیقی را -که به‌لحاظ ریشه‌شناختی «رنج کشیدن همراه دیگری» فهمیده می‌شود- می‌گشاید. سپس این پاسخ عاطفی، پزشک را ترغیب می‌کند تا از ابزارهایی که در دسترس دارد، شامل دانش پزشکی، درست مانند گوش دادن همدلانه و حضور داشتن، به نفع بیمار بهره بگیرد.

یک ماشین هوش مصنوعی ممکن است در برابر انواعی از سوءعملکردها که نیازمند درمان و رسیدگی توسط یک متخصص است، آسیب‌پذیر باشد. بااین‌حال، ازآنجاکه ماشین نمی‌تواند جسم انسانی داشته باشد و در نتیجه، نمی‌تواند به شیوه‌ای مشابه انسان آسیب‌پذیر باشد، احتمالاً نمی‌تواند همراه بیمارانش رنج بکشد و همان‌طور که مک‌اینتایر ادعا کرده است، تصدیق و پذیرش آسیب‌پذیری بدن انسان فضایل خاصی را بر‌می‌انگیزد که در رشد و شکوفایی انسان نقش دارد [28]. این فضایل، مانند شفقت، برای رابطۀ پزشک-بیمار ضروری‌اند؛ زیرا نه‌تنها تشخیص و درمان مؤثر را فراهم می‌آورند، بلکه همچنین به بیمار اطمینان می‌دهند پزشک به او توجه دارد. در نتیجه، توجه دقیق به بدن انسان برای دانش بالینی و عمل اخلاقی در پزشکی مهم و حیاتی است. شرح درایفوس اشاره می‌کند هوش مصنوعی ممکن است هرگز قادر به هم‌کوکی با بدن انسان به شیوه‌ای که به‌طور طبیعی در سایر انسان‌ها وجود دارد، نباشد.

نتیجه: مراقبت ا‌ولیه به‌مثابۀ فعل کانونی 

همان‌طور که پیش‌تر اشاره شد، نقد هایدگر و بورگمان از تکنولوژی نشان می‌دهد چگونه تکنولوژی تمایل دارد اشیاء کانونی را تحریف کند. در نتیجه، یک الگوی‌ جایگزین برای مراقبت اولیه به‌مثابۀ فعل کانونی با محوریت یک شیء کانونی پیشنهاد می‌کند: یعنی مراقبت از بیمار. هر دو قسمت این شیء کانونی، یعنی مراقبت و بیمار، مسائل نگران‌کننده‌ای هستند. در درون چنینی فعلی[65]، مراقبت می‌تواند از دیدگاه کل‌نگرانه، نه‌تنها به‌مثابۀ تشخیص و درمان، بلکه همچنین به‌مثابۀ شفقت و همراهی در رویارویی با بیماری (مزایایی که پزشک ممکن است بتواند ارائه کند) نیز فهمیده شود. در حقیقت ازآنجاکه پزشک یک انسان است، درجاتی از احتمال در رابطۀ پزشک-بیمار وجود دارد؛ به همین دلیل، نتایج کاملاً محدود به الگوریتم‌ها نیست. از درون گشتل تکنولوژیکال که به استانداردسازی و کنترل تمایل دارد، این احتمالات اگر نگران‌کننده نباشد، ممکن است ناهمگون به نظر برسد؛ اما همچنین فرصتی را برای بخشندگی حفظ می‌کند که در آن پزشک و بیمار می‌توانند شفا یافتن را به‌مثابۀ یک هدیه تجربه کنند [29]. به‌همین‌ترتیب، این امر به پزشکان اجازه می‌دهد تا دانش و مهارت خود را به‌وسیلۀ نیل به‌سوی تعالی، به شیوه‌ای مشخصاً انسانی، توسعه دهند. در نتیجه، این مضمون از مراقبت اولیۀ پزشکان را به چالش می‌کشد تا برای گسترش توانایی‌هایشان و نه تقلیل آن‌ها، تکنولوژی‌هایی مانند پروندۀ الکترونیکی را طراحی و استفاده کنند. همچنین استادان و آموزشگران پزشکی را نسبت به وظیفه‌شان برای پروراندن چنین فضایل عقلی و اخلاقی در کارآموزانشان مسئول می‌داند.

این الگوی مراقبت اولیه به‌مثابۀ فعل کانونی از اهمیت فردی هر بیمار حمایت می‌کند. در چنین طبابتی، پزشک به‌جای تحمیل یک چهارچوب تکنولوژیکال، از تعمیمات مشابه قانون و بهترین اعمال بر روی بیمار، به آن‌ها اجازه می‌دهد با تمام خصوصیت‌هایشان، خودشان باشند. این کوشش برای از نو دیدن بیماران بیرون از گشتل تکنولوژیکال، امید هایدگر نسبت به پزشکی را تحقق می‌بخشد. در [این الگو] به‌جای منزوی کردن جنبه‌هایی از زندگی بیمار که می‌تواند به‌وسیلۀ درمان و در راستای حصول سلامت، آن‌هم سلامت به‌مثابۀ یک کالا، مورد دست‌ورزی قرار گیرد، پزشکی به‌مثابۀ یک گشایش انتولوژیکال است که سلامت را از داستان زندگی فردی بیمار فرامی‌آورد. به نظر می‌رسد چنین رابطه‌ای بین پزشک و بیمار، تنها بین دو انسان امکان تحقق دارد. همان‌طور که درایفوس اشاره می‌کند، انسانیت مشترک ما به ما اجازه می‌دهد تا مرتبط‌‌‌ترین بخش‌های تجربه‌مان را بازشناسیم و در نتیجه، باهم به حقیقت برسیم. به‌بیانِ‌دیگر، به‌مثابۀ یک انسان، پزشک و بیمار قابلیت بذل مراقبت و توجه نسبت به چیزهای مشابه را دارند و این فهم دوطرفه پاسخی در خور را ممکن می‌کند [30]. در بعضی موقعیت‌ها، تشخیص و درمان مؤثر کافی است. بااین‌حال، در سایر موقعیت‌ها، به‌ویژه در بیماری‌های مزمن و کشنده، چیزی بیش از این موردنیاز است. بااین‌همه، بیماری و مرگ، ضعف و سستی‌مان را به ما یادآور می‌شود و گزاف‌اندیشی تکنولوژیکال -مبنی بر اینکه ما طبیعت را کنترل می‌کنیم یا می‌توانیم کنترل کنیم- را به‌مثابۀ وهم و خیال افشا می‌‌کند. در نتیجه، تعدادی از ما که در دام گشتل تکنولوژیکال افتاده‌ایم، تمایل داریم بیماری و مرگ را نه به‌مثابۀ بخش‌هایی از داستان طبیعی زندگی انسانی‌مان، بلکه به‌مثابۀ تهدید اگزیستانسیال درک کنیم [31]. در مواجهه با چنین رنجی، پزشک ممکن است به‌جای تمهیدات تکنولوژیک بیشتر، خرد و شفقت حاصله از تجربۀ انسانی خود را ارائه کند.

من در این مقاله ادعا کردم هوش مصنوعی نباید و شاید نمی‌تواند، جایگزین نقش پزشک در ارائۀ مراقبت اولیه شود. بااین‌حال، باید اذعان کرد این استدلال‌ها می‌تواند با پیشرفت‌های تکنولوژیکال واقعی جایگزین شود. شاید علم هوش مصنوعی به جایی برسد که قابلیت جاگزینی شهود و قضاوت پزشک مراقبت اولیه را داشته باشد؛ که در این صورت، بیماران ممکن است به این تغییر خوش‌آمد بگویند. مشهور است که هایدگر در این مورد بدبین بود. او در یک مصاحبه اظهار داشت «تنها یک خدا[66]» می‌تواند ما را از دست‌اندازی گشتل نجات دهد [32]. اگر تکنولوژی بتواند حتی ارتباط انسانی و همدلی را، همان‌طور که در مقدمه توضیح داده شد، تحلیل ببرد، در این صورت به نظر می‌رسد احتمالاً نفوذ بیشتری بر سایر اعمال انسانی ازجمله پزشکی دارد. در نتیجه، دست‌کم شاید این مقاله نشان دهد چه چیزهای خوبی در معرض خطر هستند اگر، یا هنگامی که تنها به مطب ارائه‌دهندگان مراقبت اولیه می‌رویم تا iDoctor را ملاقات کنیم.

---

[1] medical informatics

[2] attune

[3] در این مقاله «پزشک» به‌جای عبارتHuman physician  قرار گرفته است.

[4] توضیح مترجم: در اینجا primary care به‌معنای طب عمومی یا سطحی از مراقبت است که توسط پزشکان عمومی ارائه می‌‌گردد. در این ترجمه به جهت وفاداری به متن اصلی از عبارت مراقبت اولیه استفاده شده است.

[5] Ravi Parikh

[6] Journal of the American Medical Association

[7] predictive analytics

[8] Big Data

[9] Electronic health records

[10] clinical intuition

[11] New York Review of Books

[12] Stanford’s Persuasive Technology Lab

[13] برای سهولت مراجعه، من در طول این مقاله از عبارت «پزشک مراقبت اولیه» استفاده کرده‌ام. بااین‌حال، مقصود من از انجام این کار، حذف و نادیده گرفتن سایر ارائه‌کنندگان مراقبت اولیه، مانند پرستار و دستیار پزشک نبوده است.

[14] Michael Polanyi

[15] ontotheologies

[16] entity

[17] essence

[18] Being

[19] engage

[20] eternal return

[21] self-perpetuation                                                                                                                                            

[22] Gestell

[23] Enframing
توضیح مترجم: در این مقاله نظر معنای مشترک و به جهت سهولت در ترجمه از گشتل به عنوان معادل هر دو کلمه Enframing و  Gestellاستفاده شده است.

[24] Bestand or “standing-reserve”  

[25] Technological enframing

[26] توضیح مترجم: منظور نویسنده این است که ما انسان‌ها خودمان را نیز درون این قاب‌بندی قرار داده‌ایم.

[27] challenging–forth

[28] bringing–forth

[29] openings

[30] letting beings be

[31] free relation

[32] device paradigm

[33] material world

[34] focal things

[35] focal practices

[36] simple tool

[37] authentic

[38] best practice advisories

[39] توضیح مترجم: اشارۀ نویسنده به این نکته است که منطق حاکم بر خط تولید، بر مراقبت سلامت نیز حاکم شده است.

[40] Peter-Paul Verbeek

[41] whole patient

[42] Parikh

[43] morality

[44] mindless

[45] mind

[46] توضیح مترجم: در اینجا مراد از حکمت عملی (practical wisdom)، مفهوم فرونسیس است که یکی از انواع فضائل عقل در نزد ارسطو می‌‌باشد. از خوانندگان علاقه‌مند دعوت می‌‌شود جهت درک بهتر این نوشتار، مفهوم موردنظر ارسطو از فرونسیس، تمایز آن با دیگر فضائل عقلانی مانند اپیستمه و تخنه و نیز جایگاه فرونسیس در اندیشه هایدگر را جست‌وجو کنند. 

[47] Alasdair MacIntyre

[48] cohort

[49] What Computers Still Can’t Do

[50] common-sense

[51] know-how؛ معادل حکمت عملی و فرونسیس

[52] ontology

[53] background knowledge

[54] know-how

[55] knowing-that

[56] socialization

[57] Bourdieu

[58] objects of desire

[59] maximum grasp

[60] Garry Kasparov

[61] Google’s DeepDream AI project   

[62] clinician

[63] knowing-that

[64] embodiment

[65] practice 

[66] “only a god can save us”

---

• منابع:

1. Parikh, Ravi B., Meetali Kakad, and David W. Bates. 2016. Integrating predictive analytics into
   high-value care: The dawn of precision delivery. Journal of the American Medical Association
   315: 651–652.
2. Weisberg, Jacob. 2016. We are hopelessly hooked. New York Review of Books. http://www.nyboo
   ks.com/artic les/2016/02/25/we-are-hopel essly -hooke d.
3. Turkle, Sherry. 2015. Reclaiming conversation: The power of talk in a digital age. New York:
   Penguin.
4. Dreyfus, Hubert L. 1992. What computers still can’t do: A critique of artificial reason. Cambridge:
   MIT Press.
5. Heidegger, Martin. 1993. The question concerning technology. In Basic writings, rev. ed, ed.
   David Farrell Krell, 307–341. San Francisco: HarperCollins.
6. Polanyi, Michael. 1958. Personal knowledge: Towards a post-critical philosophy. Chicago: University
   of Chicago Press.
7. Borgmann, Albert. 1984. Technology and the character of contemporary life: A philosophical
   inquiry. Chicago: University of Chicago Press.
8. Heidegger, Martin. 1991. Nietzsche, Vol. 1: The will to power as art; Vol. 2: The eternal recurrence
   of the same. Trans. David Farrell Krell. San Francisco: HarperCollins.
9. Heidegger, Martin. 1991. Nietzsche, Vol. 3: The will to power as knowledge and as metaphysics;
   Vol. 4: Nihilism. Trans. David Farrell Krell. San Francisco: HarperCollins.
10. Thomson, Iain D. 2005. Heidegger on ontotheology: Technology and the politics of education.
    Cambridge: Cambridge University Press.
11. Feenberg, Andrew. 1999. Questioning technology. New York: Routledge.
12. Heidegger, Martin. 1993. On the essence of truth. Trans. John Sallis. In Basic writings, rev. ed,
    ed. David Farrell Krell, 111–138. San Francisco: HarperCollins.
13. Verbeek, Peter-Paul. 2011. Moralizing technology: Understanding and designing the morality of
    things. Chicago: University of Chicago Press.
14. Chi, Jeffrey, Maja Artandi, John Kugler, Errol Ozdalga, Poonam Hosamani, Elizabeth Koehler,
    Lars Osterberg, et al. 2016. The five-minute moment. American Journal of Medicine 129:
    792–795.
15. Dexheimer, Judith W., Thomas R. Talbot, David L. Sanders, S. Trent Rosenbloom, and Dominik
    Aronsky. 2008. Prompting clinicians about preventive care measures: A systematic review of randomized
    controlled trials. Journal of the American Medical Informatics Association 15: 311–320.
16. Goitein, Lara. 2015. Training young doctors: The current crisis. New York Review of Books. http://
    www.nyboo ks.com/artic les/2015/06/04/train ing-young -docto rs-curre nt-crisi s.
17. Caplan, Arthur L. 2016. Physician burnout is a public health crisis, ethicist says. Medscape. http://
    www.medsc ape.com/viewa rticl e/85930 0.
18. MacIntyre, Alasdair. 1984. After virtue: A study in moral theology, 2nd ed. Notre Dame: University
    of Notre Dame Press.
19. Brenner, Hermann, Christian Stock, and Michael Hoffmeister. 2014. Effect of screening sigmoidoscopy
    and screening colonoscopy on colorectal cancer incidence and mortality: Systematic review
    and meta-analysis of randomised controlled trials and observational studies. BMJ 348: g2467.
20. Bourdieu, Pierre. 1977. The objective limits of objectivism. In Outline of a theory of practice, 1–71.
    Trans. Richard Nice. Cambridge: Cambridge University Press.
21. Searle, John R. 1979. Metaphor. In Expression and meaning: Studies in the theory of speech acts,
    76–116. Cambridge: Cambridge University Press.
22. Lenat, Douglas B., and Edward A. Feigenbaum. 1991. On the thresholds of knowledge. Artificial
    Intelligence 47: 250–285.
23. Merleau-Ponty, Maurice. 1962. Phenomenology of perception. Trans. Colin Smith. London: Routledge
    and Kegan Paul.
24. Auerbach, David. 2015. Do androids dream of electric bananas? Slate. http://www.slate .com/artic
    les/techn ology /bitwi se/2015/07/googl e_deepd ream_it_s_dazzl ing_creep y_and_tells us_a_lot_
    about the_futur e.html.
25. Norman, G.R. 1988. Problem-solving skills, solving problems and problem-based learning. Medical
    Education 22: 279–286.
26. Brody, Howard. 2012. On talking and touching in medicine. Journal of Pain and Palliative Care
    Pharmacotherapy 26: 165–166.
27. Anthony, Samuel English. 2016. The trollable self-driving car. Slate. http://www.slate .com/artic les/
    techn ology /futur e_tense /2016/03/googl e_self_drivi ng_cars_lack_a_human s_intui tion_for_what_
    other drive rs.html.
28. MacIntyre, Alasdair. 1999. Dependent rational animals: Why human beings need the virtues. Chicago:
    Open Court.
29. Lake, Christina Bieber. 2013. Prophets of the posthuman: American fiction, biotechnology, and the
    ethics of personhood. Notre Dame: University of Notre Dame Press.
30. Reich, Warren Thomas. 1996. A new era for bioethics: The search for meaning in moral experience.
    In Religion and medical ethics: Looking back, looking forward, ed. Allen Verhey, 96–115. Grand
    Rapids: Eerdmans.
31. Hauerwas, Stanley. 1990. God, medicine, and suffering. Grand Rapids: Eerdmans.
32. Heidegger, Martin. 1976. Only a god can save us: Der Spiegel’s interview with Martin Heidegger.
    Trans. Maria P. Alter and John D. Caputo. Philosophy Today 20: 267–28

---

• ویراستاران نگارشی