الاجتماعات والملاحظات والتقارير / ما يمكنك فعله فعليًا بالذكاء الاصطناعي

الاجتماعات والملاحظات والتقارير

تحويل الملاحظات الأولية والتسجيلات الطويلة إلى كتابة نظيفة هو حيث يوفّر الذكاء الاصطناعي أكبر قدر من الوقت يوميًا. فهو يصوغ البنية، وأنت المسؤول عن كل حقيقة.

حوّل ملاحظات الجلسة أو الزيارة الأولية إلى ملاحظة حالة منظّمة، ثم صحّح كل سطر مقابل ما تتذكره.
لخّص اجتماع فريق أو مكالمة طويلة إلى قرارات وبنود عمل، لكل منها مسؤول محدد وخطوة تالية.
إذا كان لديك نص مكتوب من تسجيل معتمد، اختصره في ملخص قصير وقابل للاستخدام، واحتفظ بالنص المكتوب كي تتحقق من أي شيء غير واضح.
اكتب سردًا للنتائج أو تحديثًا عن التقدّم لجهة تمويل انطلاقًا من قائمة أرقام وإنجازات، مع الالتزام بدقة بالأرقام التي تقدّمها.
اكتب ملخص إشراف أو تسليم انطلاقًا من ملاحظاتك كي يحصل الشخص التالي على الصورة الكاملة.
توقّع أن يخطئ النص الآلي المكتوب في سماع الأسماء والأدوية والمبالغ المالية والمصطلحات غير المألوفة، وتحقّق من كل واحدة مقابل التسجيل أو ملاحظاتك.
تذكّر أن تلخيص نص مكتوب يضغط المعلومة مرتين، مرة في النص المكتوب ومرة في الملخص، لذا يمكن أن تُفقد تفصيلة في أي من الخطوتين.

كيف يعمل، وأين يتعطّل

التفريغ الصوتي تخمين بشأن الصوت، والأسماء والأرقام هي نقاط الضعف

يحوّل التفريغ الصوتي الآلي، أو التعرّف على الكلام (speech recognition)، الصوت إلى نص بتوقّع الكلمات الأكثر احتمالاً لكل مقطع صوتي (Radford وزملاؤه، 2022). ويؤدي أداءً جيدًا مع الكلام الواضح والشائع، ويتعثّر في الأجزاء الأكثر أهمية في عمل المؤسسة: الأسماء الخاصة، والأدوية، والمبالغ المالية، والمصطلحات التي نادرًا ما سمعها أثناء التدريب. والدقة أيضًا ليست متساوية بين المتحدثين. وجدت دراسة لأنظمة تحويل الكلام إلى نص الرئيسية أن معدلات الخطأ لدى المتحدثين السود تقارب ضعف تلك لدى المتحدثين البيض، بسبب اللكنة واللهجة التي تعاملت معها الأنظمة بشكل رديء (Koenecke وزملاؤه، 2020). بالنسبة للعملاء الذين يتحدثون بلكنة أو بلغة ثانية، توقّع مزيدًا من الأخطاء، وتحقّق من كل اسم ورقم.

ثم يضغط الملخص ما غيّره النص المكتوب بالفعل

يمرّر ملخص الاجتماع عادةً النص المكتوب عبر عملية توقّع الكلمة التالية نفسها التي تكتب بها أي نص، فتتراكم الأخطاء. فقد يخطئ النص المكتوب أولاً في سماع كلمة، ثم قد يُسقط الملخص نقطة أو يعيد صياغتها. يمكن لنماذج اللغة أن تنتج ملخصات قوية للحالات السريرية والاجتماعات، وتُظهر الدراسات أنها تضاهي أحيانًا ملخصات كتبها خبراء، إلا أن العمل نفسه يشدد على أن النواتج لا تزال تحتاج إلى مراجعة بشرية قبل استخدامها لأنها قد تُغفل تفصيلة أو تُغيّرها (Van Veen وزملاؤه، 2024). اقرأ الملخص مقابل النص المكتوب، والنص المكتوب مقابل ذاكرتك، قبل أن يستند إليه قرار أو سجل.

الدقة هي ما يحوّل مسودة مقروءة إلى سجل

ملاحظة الحالة وتقرير جهة التمويل سجلان يتصرف بناءً عليهما آخرون وقد يُراجَعان لاحقًا. تدعوك المسودة التي تبدو نظيفة إلى الثقة بها، وهذه هي اللحظة بالتحديد التي يتسرّب فيها مبلغ أُسيء سماعه أو بند عمل أُسقط. تعامل مع المسودة بوصفها مادة خامًا، ومع تحققك منها بوصفه ما يحوّلها إلى سجل يمكنك الوقوف خلفه.

ملاحظات جلسة أولية ملاحظة حالة منظّمة

حوّل ملاحظات الجلسة الأولية إلى ملاحظة حالة منظّمة

حوّل هذه الملاحظات الأولية إلى ملاحظة حالة واضحة بأقسام قصيرة لما حدث، والاحتياجات المحددة، والإجراءات المتخذة، والخطوات التالية. اجعلها واقعية ومحايدة، ولا تضف أي شيء لم أكتبه. [الصق ملاحظاتك، دون معرّفات العميل]

قاعدة أمان. اقرأ كل سطر مقابل ما تتذكره، واتبع قواعد التوثيق في مؤسستك.

ملاحظات اجتماع أو مكالمة ملخص ببنود العمل

حوّل ملاحظات اجتماع أو مكالمة إلى ملخص ببنود العمل

لخّص هذه الملاحظات إلى قرارات اتُّخذت وبنود عمل. لكل بند عمل، اذكر من هو المسؤول عنه وما هي الخطوة التالية. اجعله قصيرًا. [الصق الملاحظات أو النص المكتوب، دون معرّفات]

قاعدة أمان. أكّد كل إجراء ومسؤول مع المجموعة قبل إرساله.

قائمة أرقام وإنجازات سرد لتقرير منحة

اكتب سرد نتائج لتقرير انطلاقًا من نقاط موجزة

اكتب سرد نتائج قصيرًا وبسيطًا لجهة تمويل انطلاقًا من هذه النقاط الموجزة. التزم بدقة بالأرقام التي أعطيك إياها، واستخدم نبرة دافئة وملموسة، ولا تضف أي إنجاز لم أذكره. [الصق نقاطك الموجزة وأرقامك]

قاعدة أمان. تحقّق من كل رقم مقابل سجلاتك، وتأكّد من أن القصة تطابق ما حدث فعليًا.

نص مكتوب من تسجيل معتمد ملخص مع قائمة بمواضع عدم اليقين المشار إليها

لخّص نصًا مكتوبًا معتمدًا وأشر إلى ما ينبغي التحقق منه مرتين

لخّص هذا النص المكتوب إلى قرارات، وبنود عمل مع تحديد المسؤولين، وأسئلة مفتوحة. اجعله قصيرًا. وفي النهاية، اذكر أي أسماء أو أرقام أو تواريخ أو مصطلحات تبدو غير مؤكدة أو مشوّهة في النص المكتوب كي أتحقق منها مقابل التسجيل. [الصق النص المكتوب من تسجيل معتمد، دون معرّفات العميل]

قاعدة أمان. تحقّق من كل اسم ورقم أُشير إليهما مقابل التسجيل، واتبع قواعد مؤسستك بشأن ما يجوز تسجيله وتخزينه. انظر الوحدة 4.

ملاحظاتك في نهاية المناوبة ملخص تسليم واضح

اكتب ملخص تسليم كي يحصل الشخص التالي على الصورة الكاملة

حوّل هذه الملاحظات إلى ملخص تسليم قصير بأقسام لما هو مفتوح، وما تم إنجازه، وما ينبغي للشخص التالي الانتباه إليه. التزم بالوقائع، ولا تضف أي شيء لم أكتبه، وحدّد أي شيء يبدو ناقصًا كي أكمله. [الصق ملاحظاتك، دون معرّفات العميل]

قاعدة أمان. اقرأ الملخص مقابل ملاحظاتك قبل تسليمه، إذ إن تفصيلة مُسقَطة تصبح نقطة عمياء للشخص التالي. انظر الوحدة 2.

مثال عملي

رقم أُسيء سماعه في ملخص نظيف

لديك تسجيل معتمد لاجتماع بشأن مزايا، فتمرّره عبر أداة تفريغ صوتي، ثم تطلب ملخصًا بالقرارات وبنود العمل.
يبدو الملخص مرتبًا ويُقرأ كسجل جاهز. فهو يذكر أن العميل حصل على موافقة على مبلغ شهري، ويسرد مهمتي متابعة.
وعند التحقق من النص المكتوب مقابل التسجيل، تجد أن الأداة أخطأت في سماع اسم أخصائي الحالة، ونسخت المبلغ المالي كرقم أكبر مما قيل فعلاً. حمل الملخص الخطأين معًا دون أي إشارة إلى الشك.
تصحّح الاسم والمبلغ، وتؤكّد المهمتين مع المجموعة، ولا تحفظ الملاحظة إلا بعد ذلك. لقد قام التفريغ الصوتي والملخص بالصياغة؛ أما تحققك مقابل التسجيل فهو ما جعلها سجلاً يمكنك الوقوف خلفه.

قاعدة أمان. ملاحظة الحالة أو التقرير سجل. اقرأ كل سطر للتحقق من الدقة، وأبقِ معرّفات العميل خارج أي أداة. انظر الوحدة 2 والوحدة 4.

المصادر

Radford, A., Kim, J. W., Xu, T., Brockman, G., McLeavey, C., & Sutskever, I. (2022). Robust speech recognition via large-scale weak supervision. arXiv. https://arxiv.org/abs/2212.04356
Koenecke, A., Nam, A., Lake, E., Nudell, J., Quartey, M., Mengesha, Z., Toups, C., Rickford, J. R., Jurafsky, D., & Goel, S. (2020). Racial disparities in automated speech recognition. Proceedings of the National Academy of Sciences, 117(14), 7684-7689. https://doi.org/10.1073/pnas.1915768117
Van Veen, D., Van Uden, C., Blankemeier, L., Delbrouck, J.-B., Aali, A., Bluethgen, C., Pareek, A., Polacin, M., Reis, E. P., Seehofnerova, A., Rohatgi, N., Hosamani, P., Collins, W., Ahuja, N., Langlotz, C. P., Hom, J., Gatidis, S., Pauly, J., & Chaudhari, A. S. (2024). Adapted large language models can outperform medical experts in clinical text summarization. Nature Medicine, 30, 1134-1142. https://doi.org/10.1038/s41591-024-02855-5