حين تتباين مؤشرات "التعرض للذكاء الاصطناعي" بمقدار 11 مرة.. حل إحصائي جديد يعيد الاتساق للأرقام

فجوة بمقدار إحدى عشرة مرة بين مؤشرين يقيسان نفس الظاهرة قد تبدو خطأً هامشياً في الحسابات، لكنها كافية لتغيير اتجاه استنتاج اقتصادي بالكامل. هذه بالضبط المعضلة التي تناولتها ورقة بحثية جديدة نُشرت على أرشيف "آركايف" (arXiv) في 13 يوليو 2026، والتي تطرح طريقة إحصائية لتوحيد مؤشرات "التعرض للذكاء الاصطناعي" (AI Exposure) المتضاربة على مستوى المهن، مع الحفاظ على تقدير هيكلي موثوق لعلاقة الأتمتة بسوق العمل.

المشكلة الأساسية مألوفة لدى الاقتصاديين التطبيقيين: طوّر الباحثون عدة مؤشرات لقياس مدى تعرّض كل مهنة للذكاء الاصطناعي، بعضها يعتمد على النماذج اللغوية الكبيرة (Large Language Models) وأخرى تستند إلى منهجية "ويب" (Webb) القائمة على تحليل نصوص براءات الاختراع. هذه المؤشرات مفترض أنها تقيس ظاهرة واحدة، لكنها تتباين إلى حد أن استخدام أحدها بدل الآخر قد يقلب اتجاه العلاقة الإحصائية المقدَّرة بين التعرض للذكاء الاصطناعي ومعدلات التوظيف. الورقة تُوثّق هذا التناقض بوضوح: معامل الارتباط (Coefficient) بين التعرض للذكاء الاصطناعي والتوظيف بعد عام 2022 ينقلب من موجب إلى سالب - أو العكس - تبعاً لما إذا كان المؤشر المستخدم مبنياً على النماذج اللغوية أو على منهجية "ويب" القائمة على البراءات.

بدلاً من ترجيح مؤشر على آخر، تعامل الباحثون مع المشكلة بمنطق اقتصاد قياسي متقدم يُعرف بـ"المتغيرات الكامنة" (Latent Variables). في هذا النموذج، يُنظر إلى "التعرض الحقيقي للذكاء الاصطناعي" كمتغير غير مرصود مباشرة، يُستدل عليه فقط من خلال عدة قياسات غير دقيقة وغير خطية - وهو ما يُعرف كلاسيكياً بمشكلة "الأخطاء في المتغيرات" (Errors-in-Variables)، حيث تقف عدة مؤشرات ناقصة بديلاً عن إشارة حقيقية واحدة. الحل الذي يطرحونه يشترط أن تكون دالة "التوافق" (Consensus Function) التي تربط بين هذه المؤشرات خطية الشكل، كما يضع حدوداً على مدى اختلاف الانحناء (Curvature) - أي درجة عدم الخطية - في خطأ كل مصدر عن الآخر. هذا الانضباط الرياضي الصارم هو ما يسمح بتثبيت العلاقة الحقيقية رغم تضارب المدخلات وضجيجها الإحصائي.

النتيجة العملية هي مجال قيم مغلق (Closed-form Interval) للمعامل الهيكلي الحقيقي، يتمركز حول مقدّر تماثلي (Symmetric Estimator) مبني من جميع المصادر مجتمعة. وعند تطبيق الطريقة على خمسة مؤشرات معتمدة للتعرض، ينتج معامل توافقي (Loading-invariant) قدره -0.239. والأهم أن مجال التحديد الجزئي (Partial-identification Interval) الناتج ضيق جداً: نصف عرضه لا يتجاوز 1.23% من القيمة المقدّرة نفسها، أي أن مشكلة انقلاب الاتجاه التي ظهرت في المؤشرات الخام تتبخر عملياً بعد تطبيق هذا التصحيح.

اختبار المنهج على نطاق واسع

اختبر الباحثون إطارهم النظري على بيانات حقيقية بحجم كبير: لوحة بيانات من استقصاء المجتمع الأمريكي (American Community Survey) تضم 8.88 مليون رصدة فردية-سنوية، تغطي الفترة من 2015 إلى 2024. هذا الحجم الهائل من البيانات يتيح لهم التحقق من صلابة استراتيجية "التحديد" (Identification) خارج بيئة المحاكاة الافتراضية، وتطبيقها مباشرة على معضلة العلاقة بين التوظيف والتعرض للذكاء الاصطناعي التي دفعتهم لكتابة الورقة أساساً. وفي الحالات التي تتوفر فيها أربع قياسات على الأقل، يُظهر الباحثون أن المجال يمكن تقديره عبر انحدار مساعد بمتغيرات أداتية مقسّمة (Split-instrument Auxiliary Regression)، مقروناً بفواصل ثقة "إمبنز-مانسكي" (Imbens-Manski Confidence Intervals) - وهي تقنية معيارية في اقتصاديات التحديد الجزئي للتعامل مع مجالات قيم بدل نقاط تقدير مفردة.

بالنسبة لاقتصاديي سوق العمل والباحثين في سياسات الذكاء الاصطناعي، الخلاصة العملية بسيطة ومباشرة: اختيار مؤشر التعرض للذكاء الاصطناعي كان مصدراً خفياً لتناقضات كثيرة في الدراسات السابقة. هذه الورقة تقدّم طريقة لاستخراج تقدير مستقر ويمكن الدفاع عنه، حتى حين تفشل أدوات القياس نفسها في الاتفاق على رقم واحد.