پیوندهای مفید
اخبار و اعلانات
آمار
| تعداد نشریات | 44 |
| تعداد شمارهها | 1,877 |
| تعداد مقالات | 15,278 |
| تعداد مشاهده مقاله | 43,730,696 |
| تعداد دریافت فایل اصل مقاله | 17,562,994 |
نقش حکمرانی الگوریتمی در تصمیمگیری خیریهها: فرصتها و تهدیدهای مدیریت سایه | |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| مطالعات وقف و امور خیریه | |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| دوره 4، شماره 1 - شماره پیاپی 7، فروردین 1405، صفحه 113-144 اصل مقاله (1.05 M) | |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| نوع مقاله: مقاله پژوهشی | |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| شناسه دیجیتال (DOI): 10.22108/ecs.2026.148576.1180 | |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| نویسندگان | |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| یاسمن چریانی زنجانی1؛ داود کیاکجوری* 2؛ مرتضی موسی خانی3 | |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| 1دانشجوی دکتری گروه مدیریت، واحد چالوس دانشگاه آزاد اسلامی، چالوس، ایران | |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| 2دانشیار گروه مدیریت، واحد چالوس دانشگاه آزاد اسلامی، چالوس، ایران | |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| 3استاد گروه مدیریت، دانشگاه آزاد اسلامی، واحد علوم و تحقیقات، تهران، ایران | |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| چکیده | |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| با گسترش حکمرانی الگوریتمی در تصمیمگیری سازمانهای خیریه، پدیدۀ مدیریت سایه به عنوان قدرت نامرئی با علم، اشراف و تأثیرگذاری بر الگوریتمها، فرصتها و تهدیدهایی را با خود به همراه آورده است. پژوهش حاضر، با هدف واکاوی نقش حکمرانی الگوریتمی در تصمیمگیری خیریهها و تبیین فرصتها و تهدیدهای مدیریت سایه در این بستر، از رویکرد ترکیبی اکتشافی بهره گرفت. در گام اول، روش فراترکیب به کار گرفته شد. برای این منظور، تحلیل بر روی ۶۶ منبع معتبر (۶۰ انگلیسی و ۶ فارسی) انجام شد. نتایج فراترکیب زمینهساز تدوین پرسشنامۀ نیمهساختاریافتۀ تحلیل مضمون با مشارکت ۱۰ خبره از حوزۀ مدیریت دولتی و خیریه شد. در نتیجۀ تحلیل مضمون، فرصتها و تهدیدهای مدیریت سایه در بستر حکمرانی الگوریتمی در سازمانهای خیریه استخراج شدند. یافتهها نشاندهندۀ ماهیت پارادوکسیکال حکمرانی الگوریتمی در سازمانهای خیریه بود که از یک سو، فرصتهایی همچون حکمرانی و شفافیت الگوریتمی، عدالت، اخلاق و کاهش سوگیری، کیفیت داده و مدل، تأثیر بر کارکنان و فرهنگ سازمانی و کارایی، کارکرد و نتایج کسبوکار مثبت را فراهم میکند، و از سوی دیگر، سبب تهدیدهایی مانند ریسکهای کیفیت داده و مدل، ریسکهای اخلاقی و تبعیض الگوریتمی و پیامدهای منفی مدیریت الگوریتمی بر کارکنان میشود. در این بستر بود که مدیریت سایه سبب بروز فرصتها (مانند تعالی مرجعیت خیریه، هدایتگری فرهنگی، توانمندسازی اجتماعی، چابکی نهادی و کاهش نابرابری) و تهدیدها (مانند تضعیف حکمرانی رسمی، چرخش خزندۀ مأموریت، فرسایش اعتماد عمومی و قفلشدگی فناورانه) شد. ضمن ایجاد ظرفیتهای تحولآفرین، حکمرانی الگوریتمی بدون حکمرانی مسئولانه به تهدیدهای جدی منجر میشود. پیشنهادها شامل تدوین منشور اخلاقی، ممیزی مستمر، آموزش سواد الگوریتمی و تقویت نظارت انسانی هستند. | |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| کلیدواژهها | |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| حکمرانی الگوریتمی؛ مدیریت سایه؛ سازمانهای خیریه؛ شفافیت الگوریتمی؛ حکمرانی مسئولانۀ هوش مصنوعی | |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| اصل مقاله | |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
|
- مقدمه و بیان مسأله با گسترش روزافزون هوش مصنوعی (AI) در حوزههای مختلف اجتماعی، از جمله فعالیتهای خیریه و بشردوستانه، سازمانهای خیریه با چالشهای اخلاقی و مدیریتی جدیدی مواجه شدهاند. استفاده از الگوریتمها در فرایندهایی مانند تخصیص کمکها، ارزیابی نیازمندان، اولویتبندی پروژهها و تصمیمگیریهای راهبردی، مسائلی مهم در حوزۀ شفافیت، سوگیری، حریم خصوصی و مسئولیتپذیری ایجاد کرده است (Sari, 2025: 128). حکمرانی الگوریتمی که معمولاً به صورت مدیریت سایه ظاهر میشود، به معنای قدرت نامرئی و غیررسمی الگوریتمها در هدایت تصمیمهاست که فرصتهایی را برای افزایش کارایی و دسترسی به کمکها فراهم میکند، اما همزمان، تهدیدهایی مانند بازتولید نابرابریها و کاهش اعتماد عمومی را به همراه دارد (Aizenberg et al., 2025: 921; Akter et al., 2021: 2). در بخش خیریه که معمولاً بر پایۀ ارزشهای اخلاقی و اجتماعی بنا شده است، سیستمهای هوش مصنوعی بر اساس دادههای تاریخی آموزش میبینند و ممکن است سوگیریهای موجود را تقویت کنند که این امر ممکن است به تبعیض ناخواسته در تخصیص منابع منجر شود (Morse et al., 2020: 2; Akter et al., 2021: 2). علاوه بر این، با وجود پیچیدگی الگوریتمها و ماهیت جعبهسیاه آنها، شفافیت کاهش مییابد و پاسخگویی دشوار میشود (Sari, 2025: 128; Zhong et al., 2025: 3). پایش دادههای شخصی ذینفعان نیز نگرانیهای جدی در حوزۀ حریم خصوصی ایجاد میکند (Akter et al., 2021: 3; Shi & Xing, 2025: 2) و اتکای بیش از حد به تصمیمهای خودکار ممکن است استقلال انسانی و قضاوت اخلاقی را در فعالیتهای خیریه کاهش دهد (El Arab et al., 2025: 13). حکمرانی الگوریتمی یعنی تصمیمهای اجرایی (انتخاب پروژه، اولویتبندی دریافتکننده، ارزیابی عملکرد و ...) به طور سیستماتیک توسط مدلها و داشبوردها هدایت شود، نه فقط مدیران انسانی (Zhang et al., 2025: 4; Keegan & Meijerink, 2025: 396; Stark & Vanden Broeck, 2024: 5). در ترکیب انسان-الگوریتم، بخشی از پاسخگویی به داشبوردها و معیارهای کمّی منتقل میشود؛ این امر ممکن است اختیار لایههای میانی و امنیت روانی کارکنان را کاهش دهد و نوعی پاسخگویی در سایه بسازد که در آن، قدرت واقعی در منطق شاخصهاست، نه ساختار رسمی (Barnes, 2025: 149; Stark & Vanden Broeck, 2024: 2). در سطح کل سازمان، استفادۀ غیررسمی از ابزارهای هوش مصنوعی خارج از چارچوبهای مصوب به عنوان هوش مصنوعی سایه[1] توصیف شده است؛ یعنی کارمندان از ابزارها برای تصمیمهای حساس (برای مثال، غربال کمکگیرندگان) استفاده میکنند، بدون اینکه این استفاده در سیاستها، ناظر و ممیزی منعکس شده باشد (Ross et al., 2025: 2). برای مقابله با این چالشها، سازمانهای خیریه میتوانند از اصول اخلاق سازمانی بهره ببرند، مانند ایجاد چارچوبهای حاکمیت اخلاقی، مدیریت ذینفعان، شفافسازی تصمیمهای الگوریتمی، حفظ نظارت انسانی و آموزش کارکنان (Schultz & Seele, 2022: 101; Salehi, 2025: 233; Aizenberg et al., 2025: 921). پژوهش حاضر، با تمرکز بر فرصتها و تهدیدهای ایجادشده به واسطۀ حکمرانی الگوریتمی در تصمیمگیری خیریهها، فرصتها و تهدیدهای مدیریت سایه را بررسی و الگویی برای تعادل نوآوری فناورانه با مسئولیت اخلاقی پیشنهاد میکند. این رویکرد میتواند به تقویت اعتماد و عدالت در فعالیتهای خیریه کمک کند؛ جایی که قدرت نامرئی الگوریتمها روابط قدرت و ارزشهای ادراکی را بازتعریف میکند (Shaw, 2025: 118). بدون تعبیۀ پیشدستانۀ اخلاق در ساختار الگوریتمی، پیامدهایی مانند تثبیت سوگیریها و کاهش اعتماد ذینفعان اجتنابناپذیر خواهند بود (De Cremer & McGuire, 2022: 35; Liu et al., 2025: 345). کاربرد الگوریتم تأمین مالی مبتنی بر پیوندهای اجتماعی[2] در پلتفرمهای خیریهمحور به سبک یک پلتفرم تأمین مالی جمعیِ غیرمتمرکز برای حمایت از پروژههای عمومی دیجیتال، با تکیه بر ایدۀ حکمرانی باز توزیع یارانه بر اساس پیوندهای اجتماعی و مطلوبیتهای نوعدوستانه بهجای صرف تعداد یا مبلغ کمکهای انفرادی، توانسته است نسبت به تأمین مالی کلاسیک، به بهبود رفاه اجتماعی و افزایش عدالت در توزیع منابع میان پروژهها منجر شود (Miller et al., 2025: 108). همچنین، بهکارگیری همزمان بلاکچین و یادگیری ماشین در تخصیص منابع خیریه، با استفاده از قراردادهای هوشمند برای شفافیت و قفلشدن قواعد و الگوریتمها برای تشخیص تقلب، تطبیق اهداکننده و پیشبینی موفقیت کمپینها، موجب افزایش شفافیت و ردیابی تراکنشها، کاهش تقلب و بهبود کارایی تخصیص و تطبیق نیازمندان شده است (Raphael, 2025: 2; Lakshmanan et al., 2024: 849). طراحی ساختارهای تعهد مالی دیجیتال (مانند تعهد سخت یا همراه با ضربالاجل) میتواند ریسک نکول در جمعآوری کمکهای مردمی را به طرزی معنادار کاهش دهد و پایداری مالی پروژههای خیریه را تقویت کند (عباسنیا و عبدی، ۱۴۰۴: 141). در کنار این موارد، الگوریتمهایی که به قضاوت و جمعبندی در خصوص چگونگی جمعآوری کمکها و همچنین فرایند راستیآزمایی اختصاص دارند، توانستهاند درخواستهای جعلی را کاهش دهند و اعتماد اهداکنندگان را حفظ کنند؛ هرچند همچنان نیازمند نظارت انسانی و پیشبینی پروتکلهای اعتراض و بازبینی هستند (Vasuki, 2025: 4). البته تبلیغات رسانهای و برندسازی دیجیتال مؤسسههای خیریه از طریق مراحل آغاز تا بلوغ و توجه به عوامل سازمانی، اجتماعی و فناورانه، میتواند اعتماد اهداکنندگان و مددجویان را افزایش دهد و پیامدهایی مثبت برای سازمان و جامعه ایجاد کند (کیاکجوری و چریانی زنجانی، ۱۴۰۳: 91؛ صاحبالداری و همکاران، ۱۴۰۴: 199). حکمرانی الگوریتمی که خیریهها از آن بهره میگیرند، به صورت مدیریت سایه عمل میکند که تصمیمگیری را از حوزۀ انسانی به مدلهای محاسباتی پنهان منتقل میکند (Martin, 2019: 837; Jarrahi et al., 2021: 3). این وضعیت چالشهایی مانند سازوکارهای عدم پاسخگویی شفاف، واگذاری مسئولیت تصمیمگیری به الگوریتم توسط مدیران و ابهام الگوریتمی ایجاد میکند (Benlian et al., 2022: 827; Morse et al., 2020: 2). سوگیری الگوریتمی در خیریهها میتواند عدالت در تخصیص کمکها را تهدید کند و گروههای آسیبپذیر را در معرض تبعیض قرار دهد (Akter et al., 2021: 3; Gupta et al., 2022: 3). پژوهشهای پیشین بر جنبههای کلان حکمرانی هوش مصنوعی تمرکز داشتهاند، مانند کاربردها در سلامت (اقتدار و همکاران، 1402: 273)، آموزش (Yuanyuan, 2024: 105) و سیاست (Rakowski & Kowaliková, 2024: 2)، اما کمتر به نقش الگوریتمها در تصمیمگیری خیریهها و تهدیدهای مدیریت سایه توجه کردهاند (دهقانی و همکاران، 1404: 2؛ قاسمی، 1400: 3؛ Furendal, 2023: 4). فقدان مدلی بومی برای ارتقای اخلاق و بهرهوری در بهرهگیری از حکمرانی الگوریتمی در خیریهها شکافی آشکار در ادبیات ایجاد کرده است؛ جایی که سازوکارهای شفافیت، عدالت الگوریتمی و نظارت انسانی نادیده گرفته شدهاند (Carrillo, 2020: 3; Jensen et al., 2020: 4). پژوهش حاضر این خلأ را پر میکند و بر طراحی الگویی تمرکز دارد که رابطۀ میان شفافیت، پاسخگویی و فرهنگ سازمانی را در مواجهه با مدیریت سایه تبیین کند (Hunkenschroer & Luetge, 2022: 978; Schmitt, 2024: 127; Hernández-Lugo, 2024: 8). این الگو میتواند فرصتها و تهدیدهای نوآوری الگوریتمی را در برابر ارزشهای والای خیریه نمایان کند تا فقط به فرصتی برای تقویت عدالت و اعتماد تبدیل شود (Leicht-Deobald et al., 2022: 3; Liao, 2023: 3). بر این اساس، این پژوهش به دنبال ارائۀ مدلی شامل فرصتها و تهدیدهای حکمرانی الگوریتمی و در پی آن، ارائۀ فرصتها و تهدیدهای مدیریت سایهای است که در پی حکمرانی الگوریتمی در تصمیمگیری خیریهها به وجود آمده است.
2- ادبیات پژوهش 1-2 حکمرانی الگوریتمی در تصمیمگیری سازمانهای غیرانتفاعی حکمرانی الگوریتمی در تصمیمگیری سازمانهای غیرانتفاعی، به ویژه خیریهها، به معنای ادغام سیستمهای هوش مصنوعی در فرایندهای کلیدی مانند تخصیص منابع، ارزیابی نیازمندان و راهبردهای جمعآوری کمک است که میتواند از یک سو، شفافیت را کاهش دهد و سوگیریهای موجود را تقویت کند و از سوی دیگر، کارایی، سرعت و دقت تصمیمگیری را افزایش دهد و امکان تخصیص بهینهتر منابع را فراهم کند. بر اساس پژوهشهای موجود، الگوریتمها در کنار ارتقای کارایی بیش از حد، معمولاً بر پایۀ دادههای تاریخی آموزش میبینند که ممکن است سوگیریهای اجتماعی را بازتولید کنند که این امر ممکن است به تبعیض ناخواسته در توزیع کمکها منجر شود (Aizenberg et al., 2025: 922; Akter et al., 2021: 3). در بخش خیریه، حکمرانی الگوریتمی میتواند تصمیمگیری را از قضاوت انسانی به سمت مدلهای محاسباتی سوق دهد؛ جایی که در کنار قابلیتهایی که در بهبود و تسریع تصمیمگیری به همراه دارد، پیچیدگی الگوریتمها شفافیت را کاهش میدهد و مسئولیتپذیری را مبهم میکند (Sari, 2025: 129; Zhong et al., 2025: 2). در سازمانهای خیریه، حکمرانی الگوریتمی فرصتهایی برای بهینهسازی فراهم میکند، مانند پیشبینی نیازهای جامعه یا هدفگیری دقیقتر کمکها، اما تهدیدهایی مانند کاهش استقلال انسانی و افزایش وابستگی به فناوری را نیز به همراه دارد (El Arab et al., 2025: 2; Shi & Xing, 2025: 3). پژوهشها نشان میدهند بهکارگیری الگوریتمها در تصمیمگیری سازمانی میتواند از یک سو، دقت تحلیلی، سرعت پردازش دادهها و انسجام تصمیمها را افزایش دهد، اما اتکای بیش از حد به الگوریتمها میتواند قضاوت حرفهای را فرسوده کند و تصمیمگیری را به فرایندی مکانیکی تبدیل کند (De Cremer & McGuire, 2022: 35; Liu et al., 2025: 343). در رابطه با سازمانهای خیریه، این دوگانگی اهمیت طراحی چارچوبهای اخلاقی و نظارتی را برجسته میکند تا بهرهگیری از نوآوریهای فناورانه در عین حفظ ارزشهای انسانی و مسئولیت اجتماعی صورت گیرد (Schultz & Seele, 2022: 101; Salehi, 2025: 234).
2-2 مدیریت سایه و چالشهای مدیریتی در بخش خیریه مدیریت سایه در بخش خیریه به معنای ساختارهای قدرت نامرئی و غیررسمی است که تصمیمگیری را خارج از چارچوبهای رسمی هدایت میکند و با حکمرانی الگوریتمی میتواند به شکلی جدید از کنترل پنهان تبدیل شود (Morse et al., 2020: 3). در خیریهها، این مدیریت میتواند در پشت پرده از طریق الگوریتمهای جعبهسیاه که روابط قدرت را بازتعریف میکنند، تقویت شود و به تثبیت سوگیریهای تاریخی و کاهش اعتماد منجر شود (: 2 Akter et al., 2021: 3; Gupta et al., 2022). بدون نظارت انسانی، الگوریتمها میتوانند کنترلگری را تشدید و روابط کاری را غیرشخصی کنند (Noponen, 2019: 44; Tursunbayeva, 2024: 118). چالشهای مدیریتی در مدیریت سایۀ خیریهها شامل ابهام در پاسخگویی و کاهش شفافیت هستند؛ جایی که الگوریتمها تصمیمها را بدون توضیح قابل فهم اتخاذ و کارکنان را در برابر نتایج آسیبپذیر میکنند (Liao, 2023: 3; Martin, 2019: 837). برای مقابله، سازمانهای خیریه به رویکردهای پیشبینانه نیاز دارند که اخلاق را در طراحی الگوریتم ادغام کنند و نقشهایی مانند رئیس ارشد هوش مصنوعی را برای پلزنی بین فناوری و مسئولیت اجتماعی ایجاد کنند (Hunkenschroer & Luetge, 2022: 979; Schmitt, 2024: 2). کاهش تصدیگری دولت و تشکیل شورای ملی تعاون میتواند هماهنگی و نظارت بر فعالیتهای خیریه را بهبود بخشد و از مدیریت سایه جلوگیری کند (کیاکجوری، ۱۴۰۳: 185). این امر میتواند عدالت سازمانی را تقویت و از تهدیدهای سایه جلوگیری کند (Hernández-Lugo, 2024: 4; Kandasamy et al., 2025: 1077).
3-2 فرصتها و تهدیدهای ادغام هوش مصنوعی در تصمیمگیری خیریه فرصتهای ادغام هوش مصنوعی در تصمیمگیری خیریه شامل افزایش کارایی در تخصیص کمکها و پیشبینی نیازها هستند؛ جایی که الگوریتمها میتوانند دادههای بزرگ را تحلیل و نوآوری را با مسئولیت اخلاقی متوازن کنند (Akter et al., 2021: 3; Kapate et al., 2025: 2). دیجیتالیشدن خدمات خیریه همراه با شمول مالی، اثر تعاملی منفی و معناداری بر فقر چندبُعدی دارد و میتواند به کاهش متوسط ۱۲درصدی فقر و همافزایی در سیاستهای مداخلۀ اجتماعی هوشمند کمک کند (کاظمی نجفآبادی، ۱۴۰۴: 187). پژوهشها نشان میدهند چارچوبهای حاکمیت اخلاقی میتوانند شفافیت را افزایش دهند و اعتماد را در بخش خیریه تقویت کنند (Aizenberg et al., 2025: 921; Schultz & Seele, 2022: 99). این ادغام میتواند سازمانهای خیریه را به سمت تصمیمگیری دادهمحور سوق دهد و عدالت را در توزیع منابع بهبود بخشد (Jarrahi et al., 2021: 2; Benlian et al., 2022: 827). تهدیدهای این ادغام شامل بازتولید سوگیری الگوریتمی و کاهش پاسخگویی هستند که میتوانند در خیریهها به تبعیض در کمکرسانی منجر شوند (Morse et al., 2020: 3; Akter et al., 2021: 3). پیچیدگی الگوریتمها میتواند شفافیت را کاهش دهد و کارکنان را به تبعیت منفعلانه سوق دهد که این امر تهدیدی برای اخلاق سازمانی است (De Cremer & McGuire, 2022: 35; Leicht-Deobald et al., 2022: 73). برای کاهش تهدیدها، آموزش مستمر و ممیزی الگوریتمها ضروری است تا سازمانهای خیریه بدون افتادن در دام مدیریت سایه و فقط با جذب فرصتهای آن بتوانند از فرصتها بهره ببرند (Liao, 2023: 5).
4-2 مروری بر پیشینۀ پژوهش پژوهشهای خارجی بر حکمرانی الگوریتمی، مدیریت سایه و چالشهای اخلاقی هوش مصنوعی در بخش عمومی تأکید دارند و فرصتها و تهدیدهای تصمیمگیری الگوریتمی را تحلیل میکنند. لیو[3] و همکاران (2025) با روش ترکیبی، نشان دادند مدیریت الگوریتمی از طریق مالکیت روانشناختی، پنهانسازی دانش را افزایش میدهد که این امر ممکن است به مدیریت سایه منجر شود. آراگانی[4] و همکاران (2025) با پیمایش و تحلیل کیفی، فرصتهای هوش مصنوعی در تقویت دموکراسی را بررسی و همزمان، چالشهای عدالت و اخلاق را برجسته میکنند. باتلر[5] (2025) با تحلیل حقوقی، اصل عدم تفویض اختیار را در مواجهه با تصمیمگیری الگوریتمی ناسازگار میداند و خطر کاهش پاسخگویی را هشدار میدهد. همچنین، خاماس[6] و همکاران (2025) با مدلسازی ساختاری، رهبری سایه را به عنوان سازوکاری موازی برای نفوذ توصیف میکنند که شفافیت را تهدید میکند. این مطالعات بیشتر به بخش دولتی اختصاص دارند و کمتر به سازمانهای خیریه توجه کردهاند، اما تهدیدهای سوگیری الگوریتمی و کاهش شفافیت را برجسته میکنند که میتواند به مدیریت سایه در تصمیمگیری خیریهها تعمیم یابد. پژوهشهای داخلی عمدتاً بر نقش هوش مصنوعی در حکمرانی و سیاست عمومی تمرکز دارند و چالشها و فرصتهای آن را در زمینههای دولتی بررسی میکنند. برای مثال، ابوذری (۱۴۰۲) هوش مصنوعی را به عنوان ابزاری برای قدرت نرم در سیاست عمومی معرفی میکند و پیشنهاد میدهد دولتها برای کارآمدی حکمرانی از آن بهره ببرند. همچنین، قاسمی (۱۴۰۰) با تحلیل توصیفی-تحلیلی، بر تطبیق هوش مصنوعی با ارزشهای جامعه و هشدار نسبت به وابستگی فناورانه تأکید دارد، در حالی که روشن و همکاران (۱۴۰۰) با فراترکیب، کاربرد هوش مصنوعی در بخش دولتی را بررسی میکنند و بر سیاستگذاری اخلاقی برای ارتقای خدمات عمومی تمرکز دارند. این پژوهشها بیشتر به جنبههای کلان حکمرانی اشاره دارند و کمتر به حکمرانی الگوریتمی در سازمانهای غیرانتفاعی مانند خیریهها توجه کردهاند، اما چالشهای اخلاقی و شفافیت را برجسته میکنند که ممکن است به فرصتها و تهدیدهای مدیریت سایه مرتبط باشند. در مجموع، پیشینۀ پژوهشهای داخلی و خارجی بر کاربرد هوش مصنوعی در حکمرانی عمومی، چالشهای اخلاقی، سوگیری الگوریتمی و سازوکارهای سایه تمرکز دارد، اما بیشتر به بخش دولتی محدود است و جنبههای خاص سازمانهای غیرانتفاعی مانند خیریهها را نادیده میگیرد. پژوهشهای داخلی مانند قاسمی (۱۴۰۰) و روشن و همکاران (۱۴۰۰) بر سیاستگذاری اخلاقی تأکید دارند، در حالی که خارجیها مانند لیو و همکاران (2025) و خاماس و همکاران (2025) تهدیدهای موجود در حکمرانی الگوریتمی و مدیریت سایه را بررسی میکنند، اما هیچ کدام به طور مستقیم به تهدیدها و فرصتهای موجود در تصمیمگیری در خیریهها در عصر حکمرانی الگوریتمی اشاره نمیکنند. این شکاف پژوهشی ضرورت بررسی نقش حکمرانی الگوریتمی در تصمیمگیری خیریهها را برجسته میکند؛ جایی که فرصتهای بهینهسازی توزیع کمکها با تهدیدهای مدیریت سایه مانند کاهش شفافیت و سوگیری در برابر نیازمندان همراه است و پژوهش حاضر با تمرکز بر این حوزه، خلأ موجود را پر میکند.
3- روش پژوهش در این پژوهش، با هدف واکاوی نقش حکمرانی الگوریتمی در تصمیمگیری خیریهها و تبیین فرصتها و تهدیدهای مدیریت سایه، از یک رویکرد ترکیبی و اکتشافی در دو مرحله بهره گرفته شد. در مرحلۀ نخست پژوهش، به منظور شناسایی ابعاد و مؤلفههای فرصتها و تهدیدهای حکمرانی الگوریتمی در سازمانها، از روش فراترکیب به صورت نظاممند استفاده شد. در این راستا، جستوجوی منابع علمی در پایگاههای بینالمللی شامل Web of Science، Scopus، Scholargoogle و Sciencedirect و نیز پایگاههای فارسی مانند SID، Noormags، Civilica و Elmnet انجام شد. در مرحلۀ شناسایی اولیه، در مجموع، ۱۴۲ منبع علمی استخراج شدند (شکل 1). پس از غربالگری اولیه بر اساس عنوان، ۱۰۵ مقاله باقی ماندند که چکیدۀ آنها بررسی شد. در ادامه، با اعمال معیارهای ورود و خروج پژوهش، از جمله ارتباط مستقیم با موضوع حکمرانی الگوریتمی، دسترسی به متن کامل، کیفیت علمی مناسب و ارتباط دقیق با موضوع، تعداد منابع کاهش یافت. در نهایت، ۶۶ منبع شامل ۶۰ مقالۀ انگلیسی و ۶ منبع فارسی به عنوان مطالعات واجد شرایط انتخاب و برای تحلیل نهایی در فراترکیب استفاده شدند. تحلیل محتوای این متون با استفاده از رویکرد تحلیل اهمیت-عملکرد و تکنیک کدگذاری موضوعی انجام شد که به استخراج چارچوب فرصتها و تهدیدهای حکمرانی الگوریتمی منجر شد. خروجی این مرحله ترسیم تصویری جامع از ساختار چندبُعدی فرصتها و تهدیدهای حکمرانی الگوریتمی بود. یافتههای حاصل از مرحلۀ فراترکیب (جدول 3) مبنای طراحی ابزار گردآوری دادهها در مرحلۀ کیفی دوم پژوهش قرار گرفت. برای این منظور، بر اساس ابعاد و مؤلفههای استخراجشده از تحلیل متون، یک پرسشنامۀ نیمهساختاریافته تدوین شد تا از طریق مصاحبه با خبرگان، دیدگاههای تخصصی آنان با هدف شناسایی و تبیین فرصتها و تهدیدهای شکلگیری مدیریت سایه در پرتو گسترش حکمرانی الگوریتمی جمعآوری شوند تا از طریق تلفیق مبانی نظری و تجربیات خبرگان، ابعاد پنهان این پدیده در سازمانهای خیریه آشکار شوند. در همین راستا، فرصتها و تهدیدهای مدیریت سایه در سازمانهای خیریه شناسایی شدند. این بخش با بهکارگیری روش تحلیل مضمون و از طریق مشارکت ۱۰ خبره شامل اساتید حوزۀ مدیریت دولتی و صاحبنظران دارای سابقۀ اجرایی و پژوهشی چشمگیر در زمینۀ اخلاق، حکمرانی و مدیریت الگوریتمی انجام شد (جدولهای 4 و 5). جدول (1) مشخصات کلی این افراد را بر اساس رشتۀ تخصصی، سابقۀ کاری و حوزۀ پژوهشی ارائه میکند.
جدول 1. معرفی خبرگان مشارکتکننده در بخش تحلیل مضمون ناشی از فرصتها و تهدیدهای مدیریت سایه در تصمیمگیری خیریهها Table 1. Introduction of experts participating in the thematic analysis of opportunities and threats arising from shadow management in charitable decision‑making
در واقع، مرحلۀ فراترکیب در این پژوهش صرفاً با هدف مرور ادبیات انجام نشد، بلکه به عنوان مبنای مفهومی و چارچوب اولیه برای مرحلۀ کیفی دوم پژوهش به کار گرفته شد؛ به این معنا که ابعاد، مؤلفهها و شاخصهای استخراجشده از تحلیل نظاممند متون در حوزۀ حکمرانی الگوریتمی به عنوان چارچوب هدایتگر برای طراحی پرسشنامۀ نیمهساختاریافته مصاحبه استفاده شدند. به بیان دیگر، نتایج فراترکیب نقش «لنز تحلیلی» را ایفا کرد که از طریق آن، مصاحبهها با خبرگان هدایت و ساماندهی شدند تا مشخص شود این مؤلفههای نظری در بستر واقعی سازمانهای خیریه چگونه میتوانند زمینهساز شکلگیری فرصتها یا تهدیدهای مدیریت سایه شوند. بر این اساس، دادههای حاصل از مصاحبهها در فرایند تحلیل مضمون کدگذاری شد و مضامین پایه، سازماندهنده و فراگیر با اتکا به همان چارچوب مفهومی اولیه استخراج شدند. به این ترتیب، مرحلۀ تحلیل مضمون تهدیدها و فرصتهای مدیریت سایه با در نظر گرفتن حکمرانی الگوریتمی نه به صورت مستقل، بلکه در امتداد و تکمیل نتایج مرحلۀ فراترکیب عمل کرده و پیوند میان ادبیات نظری حکمرانی الگوریتمی و تجربۀ خبرگان در حوزۀ تصمیمگیری خیریهها را برقرار کرده است. مشارکتکنندگان با توجه به مدل حکمرانی الگوریتمی استخراجشده، شواهد، تجربیات و دیدگاههای خود را دربارۀ پیامدهای مدیریت سایه در بستر خیریهها ارائه کردند. دادههای حاصل از مصاحبههای عمیق و متمرکز، پس از ثبت و گردآوری، مراحل کدگذاری باز، محوری و انتخابی را طی کردند و مضامین اصلی مرتبط با فرصتها و تهدیدها استخراج و دستهبندی شدند. برای اطمینان از پایایی و توافق میان کدگذاریها، ضریب کاپای کوهن محاسبه شد که مقدار 796/0 نشاندهندۀ قابلیت اتکای زیاد در فرایند تحلیل است. در نهایت، تلفیق یافتههای مرحلۀ فراترکیب و تحلیل مضمون چارچوبی تحلیلی از نقش حکمرانی الگوریتمی در تصمیمگیری خیریهها ارائه داد که در آن، همزمان فرصتهای نوظهور و تهدیدهای مدیریت سایه در این عرصه مورد توجه قرار گرفتهاند.
4- یافتههای پژوهش در مرحلۀ نخست پژوهش که با هدف ارائۀ چارچوب فرصتها و تهدیدهای حکمرانی الگوریتمی در سازمانها انجام شد، از روش فراترکیب استفاده شد. در این مرحله، فرایند انتخاب و غربالگری منابع به صورت گامبهگام و نظاممند مطابق شکل (1) دنبال شد.
شکل 1. چگونگی غربال مقالات به منظور فراترکیب مقالات مرتبط با حکمرانی الگوریتمی Figure 1. The screening process of articles for the meta-synthesis of studies related to algorithmic governance
طبق جدول (2)، مولفههای اصلی از طریق تحلیل اهمیت- عملکرد محتوای تحقیق از منابع زیر به صورت کدبندی برداشت شده است.
جدول 2. توصیف منابع فراترکیب ارائۀ چارچوب فرصتها و تهدیدهای حکمرانی الگوریتمی Table 2. Description of the meta-synthesis sources for developing the framework of opportunities and threats of algorithmic governance
شاخصهای استخراجشده از فراترکیب مطالعات پیشین در دو دستۀ اصلی فرصتها و تهدیدهای حکمرانی الگوریتمی طبقهبندی شدند. فرصتها بیانگر پیامدهای مثبت و ظرفیتهای بهبود عملکرد سازمانی ناشی از بهکارگیری سیستمهای الگوریتمی هستند، در حالی که تهدیدها به ریسکهای اخلاقی، اجتماعی و مدیریتی مرتبط با استفاده از این سیستمها اشاره دارند. بر این اساس، کدهای منابع استخراجی به صورت جدول (3) نمایش داده شدند.
جدول 3. چارچوب ابعاد، مؤلفهها و شاخصهای فرصتها و تهدیدهای حکمرانی الگوریتمی مستخرج از فراترکیب Table 2. Framework of dimensions, components, and indicators of opportunities and threats of algorithmic governance derived from the meta‑synthesis
لازم است تأکید شود که چارچوب ارائهشده در جدول (3) صرفاً یک مرور ادبیات نبود، بلکه به عنوان چارچوب هدایتگر مصاحبههای نیمهساختاریافته با خبرگان عمل کرد؛ به این معنا که پرسشهای پرسشنامه بر اساس همین ابعاد و مؤلفهها طراحی شدند تا خبرگان ضمن ارزیابی این فرصتها و تهدیدها در سازمانهای خیریه، پیامدهای سطح بالاتری را شناسایی کنند که در ادبیات کمتر بررسی شدهاند. بر اساس یافتههای فراترکیب، مجموعهای جامع از مؤلفهها و شاخصهای مرتبط با ابعاد مختلف حکمرانی الگوریتمی در بخش دولتی استخراج شد. این چارچوب مبنای طراحی پرسشنامۀ نیمهساختاریافتۀ تحلیل مضمون قرار گرفت. بر این اساس، با اتکا به درک دقیق فرصتها و تهدیدهای حکمرانی الگوریتمی، از خلال مصاحبههای خبرگان، مضامین مرتبط با فرصتها و تهدیدهای مدیریت سایه در سازمانهای خیریه، در وضعیتی که این سازمانها تحت تأثیر سازوکارهای حکمرانی الگوریتمی عمل میکنند، استخراج میشوند. با اتکا به چارچوب مفهومی و مؤلفههای شناساییشده از مرحلۀ فراترکیب، گام بعدی پژوهش به بررسی چگونگی ظهور پدیدۀ مدیریت سایه در بستر خاص سازمانهای خیریه معطوف شد. در راستای تقویت اعتبار یافتههای پژوهش، فرایند انتخاب خبرگان به صورت هدفمند غیراحتمالی و بر اساس معیارهای مشخص انجام شد. همۀ خبرگان دارای مدرک دکتری و عضو هیئتعلمی دانشگاه بودند. معیارهای خبرگی شامل تخصص علمی مرتبط با حوزههای مدیریت، حکمرانی و فناوری؛ سابقۀ قابل ملاحظۀ اجرایی یا مدیریتی در نهادهای عمومی یا اجتماعی؛ فعالیت علمی و پژوهشی در موضوعهای اخلاقی، سیاستگذاری یا حکمرانی الگوریتمی؛ و توانایی ارائۀ تحلیلهای عمیق و نقادانه بودند. بر این اساس، 10 خبرۀ واجد شرایط در پژوهش مشارکت کردند. بنابراین، در گام بعدی و با تکیه بر همین چارچوب مفهومی (جدول 3)، دادههای حاصل از مصاحبههای نیمهساختاریافته با خبرگان به روش تحلیل مضمون کدگذاری شدند تا مشخص شود هر یک از فرصتها و تهدیدهای حکمرانی الگوریتمی در عمل، چگونه و در قالب چه مضامین مرتبط با مدیریت سایه در سازمانهای خیریه ظاهر میشوند. در این مرحله، با بهکارگیری روش تحلیل مضمون و مشارکت خبرگان یادشده، دادههای کیفی گردآوری و تحلیل شدند تا فرصتهای نهفته در حکمرانی الگوریتمی برای شکلگیری یا تقویت این نوع حکمرانی کشف و دستهبندی شوند. هدف ترسیم نقشهای از امکانات و مجرایی بود که از طریق آن، خیریهها میتوانند، گاه به صورت ناخواسته، نقشهایی فراتر از مأموریت سنتی خود را ایفا کنند. یافتههای این مرحله که در قالب مضامین فراگیر، سازماندهنده و پایه ساختاردهی شدهاند، در جدول (4) ارائه میشوند.
جدول 4. فرصتهای ناشی از مدیریت سایه در تصمیم گیری خیریهها در چارچوب حکمرانی الگوریتمی Table 4. Opportunities arising from shadow management in charitable decision-making within the framework of algorithmic governance
همانطور که در جدول (4) مشاهده میشود، تحلیل عمیق مضامین کیفی این پژوهش نشان داد حکمرانی الگوریتمی در سازمانهای خیریه صرفاً یک ابزار فناورانه برای پردازش دادهها نیست، بلکه میتواند به عنوان بستری برای ارتقای کیفیت تصمیمگیری، افزایش شفافیت و بهبود کارایی تخصیص منابع در فعالیتهای حمایتی عمل کند. خبرگان مشارکتکننده باور داشتند بهرهگیری هوشمندانه و اخلاقی از داده و الگوریتم میتواند خیریهها را از جایگاه سنتی یک واسطۀ خیرخواه به بازیگرانی راهبردی و تأثیرگذار در عرصۀ حکمرانی اجتماعی تبدیل کند. این فرصتها نه فقط در خدمت ارتقای کارایی و اثربخشی داخلی این سازمانها قرار دارند، بلکه میتوانند به تقویت جامعۀ مدنی، توانمندسازی دولت در تصمیمگیری، کاهش نابرابریها و هدایت مسئولانۀ افکار عمومی منجر شوند. جدول (4) این ظرفیتهای تحولآفرین را در قالب مضامین فراگیر و سازماندهنده ارائه میدهد. در مقابل فرصتهای شناساییشده، تحلیل مضامین کیفی بهوضوح نشان داد همین سازوکارهای حکمرانی الگوریتمی، در صورت فقدان نظارت و چارچوبهای اخلاقی مناسب، میتوانند به بستری برای شکلگیری مدیریت سایه در فرایندهای تصمیمگیری تبدیل شوند. این تهدیدها ناظر بر خطراتی هستند که گسترش مدیریت سایه در بستر حکمرانی الگوریتمی میتواند برای سلامت نهادی سازمانهای خیریه، شفافیت تصمیمگیری و اعتماد عمومی به این نهادها ایجاد کند؛ حتی اگر این سازوکارها در کوتاهمدت کارآمد به نظر برسند. جدول (5) این تهدیدها را در قالب مضامین فراگیر، سازماندهنده و پایه طبقهبندی و ارائه میکند.
جدول 5. تهدیدهای ناشی از مدیریت سایه در تصمیمگیری خیریهها در چارچوب حکمرانی الگوریتمی Table 5. Threats arising from shadow management in charitable decision-making within the framework of algorithmic governance
بر این اساس، مدل نهایی تهدیدها و فرصتها به صورت شکل (2) نمایش داده شد. جدول 6. وضعیت شاخص کاپا و نتایج آمارۀ ضریب توافق کاپای کوهن چالشها و فرصتهای ناشی از مدیریت سایه با در نظر گرفتن حکمرانی الگوریتمی Table 6. Kappa index status and the results of Cohen’s Kappa agreement coefficient for the challenges and opportunities Arising from shadow management considering algorithmic governance
با توجه به نتایج جدول (6)، مقدار ضریب توافق کاپای کوهن برابر 796/0 به دست آمد که بر اساس معیارهای تفسیر، نشاندهندۀ سطح توافق بالا و پایایی قابل قبول کدگذاریهاست. همانطور که در جدول (5) مشهود است.
شکل 2. مدل نهایی تهدیدها و فرصتهای ناشی از مدیریت سایه با در نظر گرفتن حکمرانی الگوریتمی Figure 2. Final model of threats and opportunities arising from shadow management considering algorithmic governance تهدیدهای ناشی از مدیریت سایه از سطح فرایندهای تصمیمگیری شروع میشوند و تا عمیقترین لایههای مأموریت، ارزشها، اعتماد عمومی و استقلال سازمانی نفوذ میکنند. این یافتهها تصویری هشداردهنده ترسیم میکنند که در آن، کاربست الگوریتمها بدون ملاحظات حکمرانی مناسب نه فقط ممکن است به تضعیف نهادهای رسمی و پاسخگو بینجامد، بلکه در درون خود خیریه نیز به فرسایش سرمایههای انسانی، اخلاقی و اجتماعی آن منجر میشود. این مجموعه تهدیدها مؤید آن است که مدیریت سایه، با وجود دارابودن پتانسیلهای عملگری سریع، در بلندمدت میتواند پایداری و مشروعیت ذاتی بخش خیریه را به مخاطره بیندازد.
5- بحث و نتیجهگیری پژوهش حاضر با هدف واکاوی نقش حکمرانی الگوریتمی در تصمیمگیری سازمانهای خیریه و تبیین فرصتها و تهدیدهای پدیدۀ مدیریت سایه، با اتخاذ رویکردی ترکیبی و اکتشافی در دو مرحله انجام شد. در مرحلۀ نخست، با استفاده از روش فراترکیب و غربال نظاممند 66 منبع علمی معتبر، ابعاد و مؤلفههای حکمرانی الگوریتمی در سازمانهای خیریه در قالب فرصتها (شامل حکمرانی و شفافیت الگوریتمی؛ عدالت، اخلاق و کاهش سوگیری؛ کیفیت داده و مدل؛ تأثیر بر کارکنان و فرهنگ سازمانی؛ کارایی، کارکرد و نتایج کسبوکار) و تهدیدها (شامل ریسکهای کیفیت داده و مدل؛ ریسکهای اخلاقی و تبعیض الگوریتمی؛ پیامدهای منفی مدیریت الگوریتمی بر کارکنان) دستهبندی شدند. این چارچوب نظری جامع زیرساخت لازم برای ورود به مرحلۀ دوم پژوهش را فراهم آورد و با علم به این چارچوب، پرسشنامۀ نیمهساختاریافتۀ تحلیل مضمون برای استخراج فرصتها و تهدیدهای مدیریت سایه، برآمده از نحوۀ کاربست حکمرانی الگوریتمی تدوین شد و با خبرگان مرتبط مصاحبه انجام شد. در مرحلۀ بعد، با تدوین پرسشنامهای برگرفته از نتایج مرحلۀ نخست، با خبرگان مصاحبۀ باز انجام شد. در این مرحله، از طریق تحلیل مضمون و با مشارکت 10 خبره از حوزههای مدیریت دولتی، فناوری اطلاعات و سیاستگذاری، دادههای کیفی عمیقی گردآوری و تحلیل شدند. پایایی فرایند تحلیل با ضریب کاپای کوهن ۷۹۶/۰ تأیید شد. خروجی مرحلۀ اول یافتهها استخراج دو دسته از مضامین مرتبط با فرصتهایی بود که حکمرانی الگوریتمی برای خیریهها ایجاد میکند و تهدیدهایی که در صورت عدم نظارت، به پیدایش مدیریت سایه منجر میشوند. یافتههای پژوهش نشان میدهد حکمرانی الگوریتمی در سازمانهای خیریه پدیدهای ذاتاً دوگانه و پارادوکسیکال است. از یک سو، این پدیده میتواند با ایجاد ظرفیتهایی همچون تعالی مرجعیت خیریه در خدمترسانی عمومی، توانمندسازی اجتماعی از طریق داده و فناوری، هدایتگری فرهنگی و اخلاقی سازنده، چابکی نهادی و کاهش نابرابری، این سازمانها را از جایگاه سنتی یک واسطۀ خیرخواه به بازیگرانی راهبردی و تأثیرگذار در عرصۀ حکمرانی اجتماعی تبدیل کند. از سوی دیگر، همین سازوکارها در صورت فقدان چارچوبهای نظارتی، اخلاقی و حقوقی متناسب، به تهدیدهایی جدی برای حاکمیت، مأموریت و مشروعیت این سازمانها تبدیل میشوند. تهدیدهایی مانند تضعیف حکمرانی رسمی، تبدیل داده به ابزار نفوذ، چرخش خزندۀ مأموریت، بازتولید نابرابری، فرسایش پاسخگویی و اعتماد عمومی، قفلشدگی حکمرانی در زیرساخت فناورانه و مخاطرات امنیتی و عملیاتی، تصویری هشداردهنده از آسیبپذیریهای این حوزه ترسیم میکنند. آنچه مدیریت سایه را شکل میدهد، نه خود الگوریتمها، بلکه نحوۀ کاربست آنها در فضایی است که ابهامات حقوقی، عدمتقارن دانشی، نابرابری در دسترسی به داده و فقدان پاسخگویی شفاف، زمینه را برای گذار از کارآمدی عملیاتی به سمت شکلگیری سازوکارهای پنهان و غیررسمی تصمیمگیری فراهم میآورند. تبیین نهایی این پژوهش حاکی از آن است که ما با یک گذار پارادایمی در حکمرانی بخش سوم مواجه هستیم؛ گذاری که در آن، مشروعیت و قدرت عمل بهتدریج از نهادهای رسمی و پاسخگو به سمت بازیگرانی منتقل میشود که از مزیت راهبردی داده و الگوریتم برخوردار هستند، حتی اگر مسئولیتپذیری مستقیم و دموکراتیک آنان به طور کامل تعریف نشده باشد. در این چشمانداز نوظهور، خیریهها به واسطۀ دسترسی بیواسطه به دادههای میدانی، توانایی تحلیل پیشرفته و انعطافپذیری نهادی، میتوانند به مراجعی اثرگذار در تعریف مسائل اجتماعی، اولویتبندی تخصیص منابع و حتی هدایت افکار عمومی تبدیل شوند. این تغییر ماهیت، اگرچه فرصتهایی بیسابقه برای کارآمدی و اثربخشی فراهم میآورد، در عین حال، ضمن گشودن افقهایی جدید برای ارتقای شفافیت، پاسخگویی و عدالت توزیعی، میتواند زمینهساز شکلگیری نگرانیهایی جدید دربارۀ محدودشدن نظارت عمومی، تشدید نابرابریهای دادهای و تضعیف سلامت دموکراتیک در عرصۀ عمومی نیز باشد. از این رو، ضرورت طراحی و استقرار یک حکمرانی الگوریتمی مسئولانه برای خیریهها بیش از پیش آشکار میشود؛ نوعی حکمرانی که ضمن بهرهگیری از ظرفیتهای تحولآفرین داده و الگوریتم، بتواند از طریق مکانیسمهای شفافیتبخشی، نظارت انسانی معنادار، تضمین عدالت و کاهش سوگیری و مشارکتدهی ذینفعان، از بروز تهدیدهای مدیریت سایه جلوگیری کند و این سازمانها را در مسیر ایفای نقشهای نوین خود، به عنوان نهادهایی پاسخگو، اخلاقی و توسعهبخش، هدایت کند. جمعبندی یافتههای پژوهش نشان میدهد حکمرانی الگوریتمی در سازمانهای خیریه پدیدهای دووجهی است که میتواند مسیرهایی متفاوت را برای آیندۀ این نهادها رقم بزند. از یک سو، ظرفیتهای دادهمحور و قابلیتهای تحلیلی الگوریتمها امکان ارتقای کارایی، تقویت توان تصمیمسازی، افزایش عدالت در تخصیص منابع و ایفای نقش مؤثرتر در حل مسائل اجتماعی را فراهم میآورند و خیریهها را از یک کنشگر حمایتی سنتی به بازیگری راهبردی در حکمرانی اجتماعی ارتقا میدهند. از سوی دیگر، همین سازوکارها اگر بدون ملاحظات حکمرانی و نظارت شفاف به کار گرفته شوند، میتوانند به شکلگیری مدیریت سایه، تضعیف فرایندهای رسمی تصمیمگیری، بازتولید نابرابری و فرسایش پاسخگویی و سرمایۀ اجتماعی بینجامند. بر این اساس، بهرهگیری از الگوریتمها در بخش خیریه نیازمند رویکردی متوازن است که ضمن استفاده از فرصتهای تحولآفرین آن، مانع از گسترش پیامدهای پرخطر و پنهان در لایههای مأموریت، ارزشها و اعتماد عمومی شود. با عنایت به یافتههای پژوهش که نشاندهندۀ ظرفیتهای تحولآفرین و در عین حال، آسیبپذیریهای جدی حکمرانی الگوریتمی در خیریههاست، نخستین گام برای اعتلای این بخش تدوین و استقرار نظام حکمرانی الگوریتمی مسئولانه در سطح ملی و سازمانی است. پیشنهاد میشود نهادهای سیاستگذار مانند سازمان اوقاف و امور خیریه، با همکاری مراکز علمی و فناورانه، نسبت به تدوین منشور اخلاقی و استانداردهای شفاف برای طراحی و بهکارگیری سامانههای الگوریتمی در خیریهها اقدام کنند. این چارچوب باید شامل الزاماتی مانند قابلیت توضیحدهی و شفافیت عملکرد الگوریتم، ممیزی مستمر برای شناسایی و کاهش سوگیریها، تعیین مسئول مشخص برای خطاهای سیستمی و تضمین امنیت و محرمانگی دادههای اهداکنندگان و مددجویان باشد. ایجاد یک نهاد ناظر تخصصی با مشارکت نمایندگان خیریهها، دولت، دانشگاه و جامعۀ مدنی میتواند ضمن پایش مستمر، زمینه را برای همافزایی راهبردی و جلوگیری از حکمرانی موازی و غیرشفاف فراهم آورد. در سطح سازمانی، به مدیران و متولیان خیریهها توصیه میشود تا به موازات بهرهگیری از فرصتهای الگوریتمی برای افزایش کارایی و اثربخشی، نسبت به توانمندسازی سرمایۀ انسانی خود به طور جدی اقدام کنند. نتایج پژوهش نشان میدهد اتکای بیش از حد به سیستمهای الگوریتمی میتواند به تحلیل ظرفیت قضاوت تخصصی، تضعیف یادگیری سازمانی و حاشیهنشینی دانش زمینهای کارکنان کهنسال منجر شود. بنابراین، ضروری است برنامههای آموزشی مستمر برای ارتقای سواد الگوریتمی کارکنان و مدیران طراحی و اجرا شوند تا آنان بتوانند به عنوان ناظران آگاه و تصمیمگیران نهایی، خروجی سیستمها را با هوشمندی ارزیابی و در موارد ضروری اصلاح کنند. همچنین، بازتعریف فرایندهای تصمیمگیری به گونهای که تعامل پویا و متوازن میان قضاوت انسانی و توصیههای سیستمی برقرار باشد، از جملۀ راهکارهای مؤثر برای حفظ و تقویت ظرفیتهای تحلیلی و اخلاقی درونسازمانی است. سومین محور پیشنهادی بر تقویت اعتماد عمومی و مشارکت فعال ذینفعان از طریق توسعۀ سامانههای الگوریتمی شفاف، فراگیر و پاسخگو تأکید دارد. یافتهها نشان میدهد اگرچه الگوریتمها میتوانند دقت، چابکی و عدالت تصمیمگیری خیریهها را افزایش دهند، فقدان شفافیت و مشارکت میتواند زمینهساز مدیریت سایه، انحصار داده و تضعیف اعتماد عمومی شود. از این رو، توصیه میشود خیریهها با انتشار گزارشهای دورهای دربارۀ نحوۀ تخصیص منابع و معیارهای اولویتبندی، فرایندهای تصمیمسازی خود را برای ذینفعان قابل پیگیری کنند. همچنین، ایجاد سازوکارهای مشارکتجویانه مانند پنلهای مشورتی و سامانههای بازخورد ضروری است تا روایتهای کیفی و صدای گروههای کمبرخوردار در تصمیمگیری وارد شوند. توجه به کاهش نابرابری دادهای و تضمین بازنمایی منصفانۀ گروههای حاشیهای نیز از عناصر کلیدی این رویکرد است. چنین اقداماتی میتوانند خطرات مدیریت سایه را کاهش دهند، مشروعیت و سرمایۀ اجتماعی خیریهها را تقویت و گذار از کمکرسانی مقطعی به توانمندسازی پایدار و عدالتمحور را امکانپذیر کنند. یافتههای پژوهش حاضر در خصوص دوگانۀ فرصت-تهدید حکمرانی الگوریتمی و شکلگیری مدیریت سایه با بخشی قابل ملاحظه از ادبیات داخلی و خارجی همراستاست. به ویژه، شناسایی خطر کاهش پاسخگویی و بازطراحی نامرئی فرایند تصمیمگیری با تحلیل حقوقی باتلر (2025) درباره تعارض تفویض تصمیم به الگوریتمها و تضعیف مسئولیتپذیری نهادی همسو است. همچنین، تأکید این پژوهش بر نفوذ تدریجی و موازی سازوکارهای تصمیمیار با یافتههای خاماس و همکاران (2025) دربارۀ رهبری سایه و سازوکارهای نفوذ غیررسمی انطباق دارد. در بُعد رفتاری و سازمانی نیز نتایج مربوط به انحصار داده و پنهانسازی دانش با مطالعۀ لیو و همکاران (2025) همجهت است که نشان دادند مدیریت الگوریتمی میتواند از طریق سازوکارهای روانشناختی به تقویت قدرتهای غیرشفاف منجر شود. از نظر ریسکهای اخلاقی و تبعیض، یافتههای حاضر با تأکید مورس[7] و همکاران (2020) و نیز سلبست و بارکاس[8] (2018) بر سوگیری و پیامدهای ناعادلانۀ تصمیمهای الگوریتمی همراستاست. در ادبیات داخلی نیز تأکید بر ضرورت سیاستگذاری اخلاقی و پرهیز از وابستگی فناورانه در آثار قاسمی (۱۴۰۰) و روشن و همکاران (۱۴۰۰) با بخش تهدیدهای شناساییشده در این پژوهش، به ویژه در زمینۀ قفلشدگی فناورانه و فرسایش قضاوت انسانی، همخوانی دارد. با این حال، نوآوری پژوهش حاضر در انتقال این مباحث از بستر صرفاً دولتی به زمینۀ خاص سازمانهای خیریه و تبیین پیوند آن با پدیدۀ مدیریت سایه نمایان میشود. پژوهش حاضر با وجود اتخاذ رویکردی نظاممند و ترکیبی، با محدودیتهایی مواجه بوده است که میتوانند مسیر پژوهشهای آتی را روشن کنند. در این پژوهش، سعی شده است تا عمدتاً بر سطح تحلیل سازمانی تمرکز شود. بر این اساس، به نقش متغیرهای زمینهای مانند بسترهای فرهنگی، حقوقی و فناورانۀ کشورها توجه محدودی شده است. پیشنهاد میشود پژوهشهای آتی با رویکردهای کمّی و آزمون مدلهای معادلات ساختاری، روابط علّی میان مؤلفههای حکمرانی الگوریتمی و پیامدهای مدیریت سایه را ارزیابی کنند. همچنین، انجام مطالعات تطبیقی میانکشوری و بررسی نقش نهادهای تنظیمگر در مهار تهدیدها و تقویت فرصتها میتواند افقهایی جدید را بگشاید. علاوه بر این، یافتههای پژوهش حاضر ضرورت بررسی دقیقتر در سطح خرد و نیز تحلیل تعاملات روزمرۀ کارکنان با الگوریتمها را آشکار میکند؛ موضوعی که اگرچه در این مطالعه مطرح شد، واکاوی عمیقتر آن مستلزم انجام پژوهشهای مردمنگارانۀ آتی است. در نهایت، پژوهش در بسترهای خاص مانند خیریههای کوچک و محلی یا خیریههای فعال در بحرانها میتواند به غنای ادبیات نظری و عملی این حوزه بیفزاید.
[1] Shadow AI [2] Connection-Oriented Quadratic Funding (CO-QF) [3] Liu [4] Aragani [5] Butler [6] Khamas [7] Morse [8] Selbst & Barocas | |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| مراجع | |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
|
منابع فارسی
ابوذری، م. (1403). هوش مصنوعی ابزار قدرت نرم در حوزۀ سیاست عمومی. فصلنامۀ علمی مطالعات قدرت نرم، 13(4)، 81-100. https://www.spba.ir/article_194152.html
اقتدار، سامره، مسگرزاده، مریم و اپرناک، فاطمه سارا. (1402). هوش مصنوعی در مراقبتهای پرستاری و مامایی: راهحل جدید یا چالشهای اخلاقی جدید؟ (نامه به سردبیر). مجلۀ دانشکدۀ پرستاری و مامایی ارومیه، 21(4). http://unmf.umsu.ac.ir/article-1-4897-fa.html
خرمشاد، م. ب. (1392). نگرشی دیگر بر نسبت اخلاق و سیاست. مجلۀ علوم سیاسی، 62، 1-18. https://psq.bou.ac.ir/article_12442.html
دهقانی، م.، دژکامه، ف.، دهمرده، م.، و خاشی ناصری، ر. (1404). هوش مصنوعی و نقش آن در تحول فناوریهای نوین. بیستوچهارمین کنفرانس ملی پژوهشهای کاربردی در علوم برق، کامپیوتر و مهندسی پزشکی، شیروان. https://civilica.com/doc/2491173
روشن، س. ع.، یعقوبی، ن. م.، و مؤمنی، ا. ر. (1400). کاربست هوش مصنوعی در بخش دولتی (مطالعهای فراترکیب). فصلنامۀ انجمن مدیریت ایران، 16، 117-145. https://journal.iams.ir/article_349.html?lang=eng
زواری، س. ع. ح. (1402) هوش مصنوعی و گذار به عصر جدید سیاست خارجی. انتشارات اندیشکدۀ روابط بینالملل. https://psq.bou.ac.ir/article_12442.html
ستارند، ز. (1402). حوزۀ روانشناسی هوش مصنوعی: استفادۀ اخلاقی از هوش مصنوعی بر انگیزه و سلامت روان دانشآموزان. اولین همایش بینالمللی پیشروان تعلیم و تربیت، خرمآباد. https://civilica.com/doc/2345085
صاحبالداری، م.، شیرخدایی، م.، یحییزاده فر، م.، عابدین، ب.، و موقر، م. (1404). طراحی الگوی برندسازی دیجیتال مؤسسات خیریه. مطالعات وقف و امور خیریه، 3(2)، 199-230. https://doi.org/10.22108/ecs.2025.146304.1142
عباسنیا، س. م.، و عبدی، م. (1404). تحلیل اثر ساختار تعهدات مالی دیجیتال بر ریسک نکول در جمعآوری کمکهای خیریۀ مردمی برای توسعۀ زیرساخت گردشگری مذهبی: شواهدی از یک تجربۀ میدانی. مطالعات وقف و امور خیریه، 3(2)، 141-170. https://doi.org/10.22108/ecs.2025.146744.1149
قاسمی، م. ر. (1400). هوش مصنوعی و حکمرانی آینده. حوزه، 38(12-13)، 166-179. https://sid.ir/paper/1049584/fa
کاظمی نجفآبادی، مصطفی . (1404). تحلیل اثر تعاملی دیجیتالیشدن خدمات خیریه و شمول مالی بر فقر چندبُعدی در استانهای ایران: روش گشتاورهای تعمیمیافتۀ سیستمی (Panel System GMM). مطالعات وقف و امور خیریه، 3(1)، 187-206. https://doi.org/10.22108/ecs.2025.146178.1136
کیاکجوری، د. (1403). شناسایی ابعاد و مؤلفههای ساختار تعاون در ایران با رویکرد وقف و امور خیریه مبتنی بر پژوهش آمیخته. مطالعات وقف و امور خیریه، 2(1)، 185-202. https://doi.org/10.22108/ecs.2024.140454.1092
کیاکجوری، د.، و چریانی زنجانی، ی. (1403). تأثیر تبلیغات رسانه و دینداری اسلامی بر مشارکت در خیرات و وقف با در نظر گرفتن نقش میانجی نگرش خیران در میان خیران مدرسهساز. مطالعات وقف و امور خیریه، 2(2)، 91-110. https://doi.org/10.22108/ecs.2024.141064.1102
ناصرمقدسی، ع. ر. (1402). هوش مصنوعی و سلامت سیاسی. روزنامۀ شرق، ۴۶۲۲، 11-12. https://www.magiran.com/article/4434651
References Abbasnia, S. M., & Abdi, M. (2025). Analysis of the effect of digital financial commitment structures on default risk in collecting public charitable donations for the development of religious tourism infrastructure: Evidence from a field experiment. Endowment and Charitable Affairs Studies, 3(2), 141-170. https://doi.org/10.22108/ecs.2025.146744.1149 [In Persian] Abuzari, M. (2024) Artificial intelligence as a soft power tool in the field of public policy. Quarterly Journal of Soft Power Studies, 13(4), 81-100. https://www.spba.ir/article_194152.html [In Persian] Aizenberg, E., Dennis, M. J., & van den Hoven, J. (2025). Examining the assumptions of AI hiring assessments and their impact on job seekers’ autonomy over self-representation. AI & Society, 40(2), 919-927. https://doi.org/10.1007/s00146-023-01783-1 Akinrinola, O., Okoye, C. C., Ofodile, O. C., & Ugochukwu, C. E. (2024). Navigating and reviewing ethical dilemmas in AI development: Strategies for transparency, fairness, and accountability. GSC Advanced Research and Reviews, 18(3), 050–058. https://doi.org/10.30574/gscarr.2024.18.3.0088 Akter, S., Dwivedi, Y. K., Biswas, K., Michael, K., Bandara, R. J., & Sajib, S. (2021). Addressing algorithmic bias in AI-driven customer management. Journal of Global Information Management (JGIM), 29(6), 1-27. https://doi.org/10.4018/JGIM.20211101.oa3 Al-Dulaimi, A. O. M., & Mohammed, M. A. A. W. (2025). Legal responsibility for errors caused by artificial intelligence (AI) in the public sector. International Journal of Law and Management. https://doi.org/10.1108/IJLMA-08-2024-0295 Aragani, V. M., Anumolu, V. R., & Selvakumar, P. (2025). Democratization in the age of algorithms: Navigating opportunities and challenges. Democracy and Democratization in the Age of AI, 39-56. https://www.igi-global.com/chapter/democratization-in-the-age-of-algorithms/370854. Arslanturk, S., Siadat, M. R., Ogunyemi, T., Killinger, K., & Diokno, A. (2016). Analysis of incomplete and inconsistent clinical survey data. Knowledge and Information Systems, 46(3), 731-750. https://doi.org/10.1007/s10115-015-0850-7 Barnes, E. (2025). Shadow accountability under hybrid algorithmic–human management: Consequences for psychological safety, autonomy, and middle management. Advances in Social Sciences and Management, 3(05), 148-162. https://doi.org/10.63002/assm.305.1115 Baron, S., Latham, A. J., & Varga, S. (2025). Explainable AI and stakes in medicine: A user study. Artificial Intelligence, 340, 104282. https://doi.org/10.1016/j.artint.2025.104282 Bastopcu, M., & Ulukus, S. (2020). Information freshness in cache updating systems. IEEE Transactions on Wireless Communications, 20(3), 1861-1874. https://doi.org/10.1109/TWC.2020.3037144 Benlian, A., Wiener, M., Cram, W., Krasnova, H., Maedche, A., Möhlmann, M., ..., & Remus, U. (2022). Algorithmic management: Bright and dark sides, practical implications, and research opportunities. Business & Information Systems Engineering, 64(6), 825-839. https://doi.org/10.1007/s12599-022-00764-w Butler, O. (2025). Algorithmic decision-making, delegation and the modern machinery of government. Oxford Journal of Legal Studies, 45, 727-752. https://doi.org/10.1093/ojls/gqaf018 Cappelli, M. A., & Di Marzo Serugendo, G. (2025). A semi-automated software model to support AI ethics compliance assessment of an AI system guided by ethical principles of AI. AI and Ethics, 5(2), 1357-1380. https://doi.org/10.1007/s43681-024-00480-z Carrillo, M. R. (2020). Artificial intelligence: From ethics to law. Telecommunications Policy, 44(6), 101937. https://doi.org/10.1016/j.telpol.2020.101937 Chung, J., & Lee, K. (2023). Credit card fraud detection: An improved strategy for high recall using KNN, LDA, and linear regression. Sensors, 23, 7788. https://doi.org/10.3390/s23187788 Clark, P. G., Gao, C., & Grzymala-Busse, J. W. (2016, September). A comparison of mining incomplete and inconsistent data. In International Conference on Information and Software Technologies (pp. 414-425). Cham: Springer International Publishing. https://doi.org/10.5755/j01.itc.46.2.17330 Cooper, M. C., & Marques-Silva, J. (2023). Tractability of explaining classifier decisions. Artificial Intelligence, 316, 103841. https://doi.org/10.1016/j.artint.2022.103841 Corso, A., Karamadian, D., Valentin, R., Cooper, M., & Kochenderfer, M. J. (2023). A holistic assessment of the reliability of machine learning systems. arXiv preprint:2307.10586. https://doi.org/10.48550/arXiv.2307.10586 Daily, J. A., Dalby, S., & Greiten, L. (2025). Cognitive biases in high-stakes decision-making: implications for joint pediatric cardiology and cardiothoracic surgery conference. Pediatric Cardiology, 46(3), 536-543. https://doi.org/10.1007/s00246-024-03462-4 De Bruijn, H., Warnier, M., & Janssen, M. (2022). The perils and pitfalls of explainable AI: Strategies for explaining algorithmic decision-making. Government Information Quarterly, 39(2), 101666. https://doi.org/10.1016/j.giq.2021.101666 De Cremer, D., & McGuire, J. (2022). Human–algorithm collaboration works best if humans lead (because it is fair!). Social Justice Research, 35(1), 33-55. https://doi.org/10.1007/s11211-021-00382-z. Dehghani, M., Dejkameh, F., Dehmardeh, M., & Khashi Naseri, R. (2025). Artificial intelligence and its role in the evolution of new technologies. Twenty-Fourth National Conference on Applied Research in Electrical, Computer and Medical Engineering Sciences, Shirvan. https://civilica.com/doc/2491173 [In Persian] Deldjoo, Y., Anelli, V. W., Zamani, H., Bellogin, A., & Di Noia, T. (2021). A flexible framework for evaluating user and item fairness in recommender systems. User Modeling & User-Adapted Interaction, 31(3). https://doi.org/10.1007/s11257-020-09285-1 Diakopoulos, N. (2014). Algorithmic accountability reporting: On the investigation of black boxes. Columbia University Libraries. https://doi.org/10.7916/D8ZK5TW2 Ding, W., Abdel-Basset, M., Hawash, H., & Ali, A. M. (2022). Explainability of artificial intelligence methods, applications and challenges: A comprehensive survey. Information Sciences, 615, 238-292. https://doi.org/10.1016/j.ins.2022.10.013 Eghtedar, S., Mesgarzadeh, M., & Aparnak, F. (2023) Artificial intelligence in nursing and midwifery care: a new solution or new ethical challenges?. Nursing and Midwifery Journal, 21(4), 272-276. http://dx.doi.org/10.61186/unmf.21.4.272 [In Persian] El Arab, R. A., Abdulaziz, O., & Sagbakken, M. (2025). Economic, ethical, and regulatory dimensions of artificial intelligence in healthcare: An integrative review. Frontiers in Public Health, 13, 1617138. http://doi.org/10.3389/fpubh.2025.1617138. El Koshiry, A. M., Eliwa, E. H. I., Abd El-Hafeez, T., & Khairy, M. (2024). Detecting cyberbullying using deep learning techniques: a pre-trained glove and focal loss technique. PeerJ Computer Science, 10, e1961. https://doi.org/10.7717/peerj-cs.1961 El Mestari, S. Z., Lenzini, G., & Demirci, H. (2024). Preserving data privacy in machine learning systems. Computers & Security, 137, 103605. https://doi.org/10.1016/j.cose.2023.103605 Farayola, O. A., Olorunfemi, O. L., & Shoetan, P. O. (2024). Data privacy and security in it: A review of techniques and challenges. Computer Science & IT Research Journal, 5(3), 606-615. https://doi.org/10.51594/csitrj.v5i3.909 Folorunso, A., Mohammed, V., Wada, I., & Samuel, B. (2024). The impact of ISO security standards on enhancing cybersecurity posture in organizations. World Journal of Advanced Research and Reviews, 24(1), 2582-2595. https://doi.org/10.1016/j.cose.2023.103605 Fukuda‐Parr, S., & Gibbons, E. (2021). Emerging consensus on ‘ethical AI’: Human rights critique of stakeholder guidelines. Global Policy, 12, 32-44. https://doi.org/10.1111/1758-5899.12965 Furendal, M. (Ed.) (2024). Political theory of the digital age: Where artificial intelligence might take us by Mathias Risse. Political Science Quarterly, 139(1), 154–155. https://doi.org/10.1093/psquar/qqad140 Ghasemi, M. R. (2021). Artificial intelligence and future governance. Hawza, 38(12-13), 166-179. https://sid.ir/paper/1049584/fa [In Persian] Glavin, P., Bierman, A., & Schieman, S. (2024). Private eyes, they see your every move: workplace surveillance and worker well-being. Social Currents, 11(4), 327-345. https://doi.org/10.1177/23294965241228874 Green, B. (2022). The flaws of policies requiring human oversight of government algorithms. Computer Law & Security Review, 45, 105681. https://doi.org/10.1016/j.clsr.2022.105681 Gupta, A., Kozlowska, I., & Than, N. (2022). The golden circle: Creating socio-technical alignment in content moderation. arXiv preprint arXiv:2202.13500. https://doi.org/10.48550/arXiv.2202.13500 Herm, L. V., Heinrich, K., Wanner, J., & Janiesch, C. (2023). Stop ordering machine learning algorithms by their explainability! A user-centered investigation of performance and explainability. International Journal of Information Management, 69, 102538. https://doi.org/10.1016/j.ijinfomgt.2022.102538 Hernández-Lugo, M. D. L. C. (2024). Artificial Intelligence as a tool for analysis in social sciences: Methods and applications. LatIA, 2, 1-11. https://doi.org/10.62486/latia202411 Hunkenschroer, A. L., & Luetge, C. (2022). Ethics of AI-enabled recruiting and selection: A review and research agenda. Journal of Business Ethics, 178(4), 977-1007. https://doi.org/10.1007/s10551-022-05049-6. Izza, Y., Ignatiev, A., & Marques-Silva, J. (2022). On tackling explanation redundancy in decision trees. Journal of Artificial Intelligence Research, 75, 261-321. https://doi.org/10.1613/jair.1.13575 Jarrahi, M., Newlands, G., Lee, M., Wolf, C., Kinder, E., & Sutherland, W. (2021). Algorithmic management in a work context. Big Data & Society, 8(2). https://doi.org/10.1177/20539517211020332 Jensen, B. M., Whyte, C., & Cuomo, S. (2020). Algorithms at war: The promise, peril, and limits of artificial intelligence. International Studies Review, 22(3), 526-550. https://doi.org/10.1093/isr/viz025 Jobin, A., Ienca, M., & Vayena, E. (2019). The global landscape of AI ethics guidelines. Nature Machine Intelligence, 1(9), 389-399. https://doi.org/10.1038/s42256-019-0088-2 Kandasamy, C. A., Haridharshini, E., Prakash, N., Yoganathan, A., Kalyanasundaram, P., & Anitha, P. (2025, March). AI-powered medication reminder and tracker using reinforcement learning algorithm. In 2025 International Conference on Intelligent Computing and Control Systems (ICICCS) (pp. 1075-1080). IEEE. https://books.google.com/books?hl=en&lr=&id=myI6EQAAQBAJ&oi=fnd&pg=PR7&dq=Tursunbayeva+AI&ots=0wklZBbrLs&sig=CYx6wYAkqhgYltX8FT6BP9PMEUE#v=onepage&q=Tursunbayeva%20AI&f=false Kapate, N., Dunne, M., Gottlieb, A. P., Mukherji, M., Suja, V. C., Prakash, S., ..., & Mitragotri, S. (2025). Polymer backpack‐loaded tissue infiltrating monocytes for treating cancer. Advanced Healthcare Materials, 14(5), 2304144. https://doi.org/10.1002/adhm.202304144 Kazemi Najafabadi, M. (2025). Analysis of the interactive effect of digitalization of charitable services and financial inclusion on multidimensional poverty in Iran's provinces: System generalized method of moments (panel system GMM). Endowment and Charitable Affairs Studies, 3(1), 187-206. https://doi.org/10.22108/ecs.2025.146178.1136 [In Persian] Keegan, A., & Meijerink, J. (2025). Algorithmic management in organizations? From edge case to center stage. Annual Review of Organizational Psychology and Organizational Behavior, 12(1), 395-422. https://doi.org/10.1146/annurev-orgpsych-110622-070928 Khamas, H., Dalvi, M., Abbas, Z., & Sadeghi, M. (2025). Developing and presenting a shadow leadership model in the ministry of water resources of Iraq. International Journal of Innovation Management and Organizational Behavior, 2(2), 12-21. https://doi.org/10.61838/kman.ijimob.3770 Khorramshad, M. B. (2013). Another perspective on the relationship between ethics and politics. Political Science Journal, 62, 1-18. https://psq.bou.ac.ir/article_12442.html [In Persian] Kiakajuri, D. (2024). Identifying dimensions and components of cooperative structure in iran with a focus on endowment and charitable affairs based on mixed research. Endowment and Charitable Affairs Studies, 2(1), 185-202. https://doi.org/10.22108/ecs.2024.140454.1092 [In Persian] Kiakajuri, D., & Zanjani, Y. C. (2024). The impact of media advertising and islamic religiosity on participation in charities and endowment with the mediating role of donors' attitudes among school-building donors. Endowment and Charitable Affairs Studies, 2(2), 91-110. https://doi.org/10.22108/ecs.2024.141064.1102 [In Persian] Kim, T. W., & Routledge, B. R. (2022). Why a right to an explanation of algorithmic decision-making should exist: A trust-based approach. Business Ethics Quarterly, 32(1), 75-102. https://doi.org/10.1017/beq.2021.3 Lakshmanan, M., Mala, G. A., Poorni, R., Ilamurugan, G., Sriramkumar, R., & Gnanavel, R. (2024, December). Blockchain for secure and efficient crowdfunding: An optimized particle swarm approach. In 2024 9th International Conference on Communication and Electronics Systems (ICCES) (pp. 848-854). IEEE. https://doi.org/10.1109/icces63552.2024.10860104 Langer, M., & Landers, R. N. (2021). The future of artificial intelligence at work: A review on effects of decision automation and augmentation on workers targeted by algorithms and third-party observers. Computers in Human Behavior, 123, 106878. https://doi.org/10.1016/j.chb.2021.106878 Leicht-Deobald, U., Busch, T., Schank, C., Weibel, A., Schafheitle, S., Wildhaber, I., & Kasper, G. (2022). The challenges of algorithm-based HR decision-making for personal integrity. Business and the Ethical Implications of Technology (pp. 71-86). Cham: Springer Nature Switzerland. https//doi.org/10.1007/978-3-031-18794-0_5 Liao, T. H. (2023). The importance of human interactivity in artificial intelligence use in advertising: Development of a new scale. International Journal of Advertising, 1-36. https://doi.org/10.1080/02650487.2025.2541505 Lim, W. S., Chen, Y. C., Chu, Y. H., Tu, C. H., & Chang, Y. H. (2024). iSAFE: Enabling evenness of data freshness in multi-priority networked intermittent systems. IEEE Transactions on Computer-Aided Design of Integrated Circuits and Systems, 44(6), 2093–2104. https://doi.org/10.1109/TCAD.2024.3522211 Lin, Z. Q., Shafiee, M. J., Bochkarev, S., Jules, M. S., Wang, X. Y., & Wong, A. (2019). Do explanations reflect decisions? A machine-centric strategy to quantify the performance of explainability algorithms. arXiv preprint arXiv:1910.07387. https://doi.org/10.48550/arXiv.1910.07387 Liu, P., Yuan, L., & Jiang, Z. (2025). The dark side of algorithmic management: investigating how and when algorithmic management relates to employee knowledge hiding?. Journal of Knowledge Management, 29(2), 342-371. https://doi.org/10.1108/JKM-04-2024-0507 Loreti, D., & Visani, G. (2024). Parallel approaches for a decision tree-based explainability algorithm. Future Generation Computer Systems, 158, 308-322. https://doi.org/10.1016/j.future.2024.04.044 Marmolejo-Ramos, F., Marrone, R., Korolkiewicz, M., Gabriel, F., Siemens, G., Joksimovic, S., ..., & Tejada, J. (2025). Factors influencing trust in algorithmic decision-making: An indirect scenario-based experiment. Frontiers in Artificial Intelligence, 7, 1465605. https://doi.org/10.3389/frai.2024.1465605 Martin, K. (2019). Ethical implications and accountability of algorithms. Journal of Business Ethics, 160(4), 835-850. https://doi.org/10.1007/s10551-018-3921-3 Mensah, G. B. (2023). Artificial intelligence and ethics: A comprehensive review of bias mitigation, transparency, and accountability in AI Systems. Preprint, November, 10(1), 1. https://doi.org/10.13140/RG.2.2.23381.19685/1 Michelucci, U., & Venturini, F. (2025). New statistical framework for extreme error probability in high-stakes domains for reliable machine learning. arXiv preprint arXiv:2503.24262. https://doi.org/10.48550/arXiv.2503.24262 Miller, J., Weyl, E., & Kanich, C. (2025). Fair decisions through plurality: results from a crowdfunding platform. In Proceedings of the 5th ACM Conference on Equity and Access in Algorithms, Mechanisms, and Optimization (pp. 107-118). https://doi.org/10.1145/3757887.3763019 Moon, D., & Ahn, S. (2025). Metrics and algorithms for identifying and mitigating bias in AI design: A counterfactual fairness approach. IEEE Access. https://doi.org/10.1109/ACCESS.2025.3345860 Morse, L., Teodorescu, M. H., Awwad, Y., & Kane, G. (2020). A framework for fairer machine learning in organizations. arXiv preprint arXiv:2009.04661. https://doi.org/10.48550/arXiv.2009.04661 Munch, L. A., Bjerring, J. C., & Mainz, J. T. (2024). Algorithmic decision-making: The right to explanation and the significance of stakes. Big Data & Society, 11(1). https://doi.org/10.1177/20539517231222872 Naser Moghaddasi, A. (2023). Artificial intelligence and political health. Shargh Newspaper, 4622, 11-12. https://www.magiran.com/article/4434651 [In Persian] Noponen, N. (2019). Impact of artificial intelligence on management. EJBO-Electronic Journal of Business Ethics and Organization Studies, 24(2), 43-50. https://jyx.jyu.fi/jyx/Record/jyx_123456789_66617 Ortega-Bolaños, R., Bernal-Salcedo, J., Germán Ortiz, M., Galeano Sarmiento, J., Ruz, G. A., & Tabares-Soto, R. (2024). Applying the ethics of AI: A systematic review of tools for developing and assessing AI-based systems. Artificial Intelligence Review, 57(5), 110. https://doi.org/10.1007/s10462-024-10740-3 Pagano, T. P., Loureiro, R. B., Lisboa, F. V., Peixoto, R. M., Guimarães, G. A., Cruz, G. O., ..., & Nascimento, E. G. (2023). Bias and unfairness in machine learning models: A systematic review on datasets, tools, fairness metrics, and identification and mitigation methods. Big Data and Cognitive Computing, 7(1), 15. https://doi.org/10.3390/bdcc7010015 Pentyala, D. K. (2023). Cloud-based solutions for AI-enhanced data governance and assurance. International Journal of Social Trends, 1(1), 154-178. https://redcrevistas.com/index.php/Revista/article/view/84 Peringa, I. P., Cox, E. G. M., Wiersema, R., van der Horst, I. C., Meijer, R. R., & Koeze, J. (2025). Human judgment error in the intensive care unit: A perspective on bias and noise. Critical Care, 29(1), 86. https://doi.org/10.1186/s13054-025-05315-9 Piedra-Cascón, W., Burgos-Artizzu, X. P., González-Martin, Ó., Oteo-Morilla, C., Pose-Rodriguez, J. M., & Gallas-Torreira, M. (2025). Evaluation of the accuracy (trueness, precision) and processing time of different 3-dimensional CAD software programs and algorithms for virtual cast alignment. Journal of Dentistry, 155, 105619. https://doi.org/10.1016/j.jdent.2025.105619 Pokhidnia, B. (2025). Ethics in information management: Personal data protection. Economic Scope, (197), 212-216. https://doi.org/10.30838/EP.197.212-216 Radanliev, P., Santos, O., Brandon-Jones, A., & Joinson, A. (2024). Ethics and responsible AI deployment. Frontiers in Artificial Intelligence, 7, 1377011. https://doi.org/10.3389/frai.2024.1377011 Raji, I. D., Smart, A., White, R. N., Mitchell, M., Gebru, T., Hutchinson, B., ..., & Barnes, P. (2020, January). Closing the AI accountability gap: Defining an end-to-end framework for internal algorithmic auditing. In Proceedings of the 2020 Conference on Fairness, Accountability, and Transparency (pp. 33-44). https://doi.org/10.1145/3351095.3372873 Rakowski, R., & Kowaliková, P. (2024). The political and social contradictions of the human and online environment in the context of artificial intelligence applications. Humanities and Social Sciences Communications, 11(1), 1-8. https://www.nature.com/articles/s41599-024-02725-y Raphael, R. (2025). Medical crowdfunding with blockchain and machine learning: A secure and intelligent framework. International Journal for Research in Applied Science and Engineering Technology. https://doi.org/10.22214/ijraset.2025.73061 Ross, J., Hibbert, L., & Moss, E. (2025). Shadow AI: Governance, risk, and organisational resilience. 2025 International Conference on Artificial Intelligence, Computer, Data Sciences and Applications (ACDSA) (pp. 1-9). IEEE. https://doi.org/10.1109/acdsa65407.2025.11166415 Rowshan, S. A., Yaqoubi, N., & Momeni, A. (2021). Application of artificial intelligence in the public sector (meta-combination study). Iranian Journal of Management Sciences, 16, 117-145. https://journal.iams.ir/article_349.html?lang=eng [In Persian] Ryan, M., & Stahl, B. C. (2021). Artificial intelligence ethics guidelines for developers and users: Clarifying their content and normative implications. Journal of Information, Communication and Ethics in Society, 19(1), 61-86. https://doi.org/10.1108/JICES-12-2019-0138 Sachan, V. S., Katiyar, A., Somashekher, C., Chauhan, A. S., & Bhima, C. K. (2024). The role of artificial intelligence in HRM: opportunities, challenges, and ethical considerations. Educational Administration: Theory and Practice, 30(4), 7427-7435. https://doi.org/10.53555/kuey.v30i4.2588 Saheb Aldari, M., Shirkhodaee, M., Yahyazadehfar, M., Abedin, B., & Mowgar, M. (2025). Designing a digital branding model for charitable institutions. Endowment and Charitable Affairs Studies, 3(2), 199-230. https://doi.org/10.22108/ecs.2025.146304.1142 [In Persian] Salehi, F. (2025). Boardroom AI: the governance of AI-assisted corporate decision-making. Global Journal of Economic and Finance Research, 4, 232-235. https://doi.org/10.55677/GJEFR/08-2025-Vol02E4 Sampson, C. J., Arnold, R., Bryan, S., Clarke, P., Ekins, S., Hatswell, A., ..., & Wrightson, T. (2019). Transparency in decision modelling: What, why, who and how?. Pharmacoeconomics, 37(11), 1355-1369. https://doi.org/10.1007/s40273-019-00819-z Sari, D. F. K. (2025). The influence of tiktok social media on adolescent social behavior in the digital era: A case study in Kendari City. Sinergi International Journal of Communication Sciences, 3(2), 127-140. https://doi.org/10.61194/ijcs.v3i2.757 Satarand, Z. (2023). The field of artificial intelligence psychology: Ethical use of artificial intelligence on students' motivation and mental health. First International Conference on Pioneers of Education, Khorramabad. https://civilica.com/doc/2345085 [In Persian] Schmitt, C. (2024). Romanticismo poltico. Ediciones Olejnik. https://books.google.de/books?hl=en&lr=&id=E74CEQAAQBAJ&oi=fnd&pg=PA7&dq=Schmitt+2024&ots=Egds4HQHXn&sig=FzWPcIKo4kpmnl9GE54tkf_-FJg&redir_esc=y#v=onepage&q&f=false. Schultz, M. D., & Seele, P. (2023). Towards AI ethics’ institutionalization: knowledge bridges from business ethics to advance organizational AI ethics. AI and Ethics, 3(1), 99-111. https://doi.org/10.1007/s43681-022-00150-y Selbst, A. D., & Barocas, S. (2018). The intuitive appeal of explainable machines. Fordham Law Review, 87(3), 1085–1139. https://doi.org/10.2139/ssrn.3126971 Shannaq, B., Ali, O., Maqbali, S. A., & Al-Zeidi, A. (2024). Advancing user classification models: A comparative analysis of machine learning approaches to enhance faculty password policies at the University of Buraimi. Journal of Infrastructure Policy and Development, 8, 9311. https://doi.org/10.24294/jipd9311 Shaw, A. N. (2025). Do the ends justify the means? Not according to donors: An analysis of manipulation in charitable marketing. In Rethinking advertising: Ethics and effectiveness (pp. 115-133). Cham: Springer Nature Switzerland. https://doi.org/10.1007/978-3-031-86536-7_7 Shi, L., Li, S., & Xing, J. (2025). Exploring chinese secondary EFL students' self‐regulated learning and task engagement in AI‐assisted classrooms: A latent growth curve modelling study. European Journal of Education, 60(4), e70241. https://doi.org/10.1111/ejed.70241 Singhal, A., Neveditsin, N., Tanveer, H., & Mago, V. (2024). Toward fairness, accountability, transparency, and ethics in AI for social media and health care: scoping review. JMIR Medical Informatics, 12(1), e50048. https://doi.org/10.2196/50048 Stark, D., & Vanden Broeck, P. (2024). Principles of algorithmic management. Organization Theory, 5(2). https://doi.org/10.1177/26317877241257213 Stepin, I., Alonso, J. M., Catala, A., & Pereira-Fariña, M. (2021). A survey of contrastive and counterfactual explanation generation methods for explainable artificial intelligence. IEEE Access, 9, 11974-12001. https://doi.org/10.1109/ACCESS.2021.3051315 Tran, X. T., & Oh, H. (2021). A modified generic second order algorithm with fixed-time stability. ISA Transactions, 109, 72-80. https://doi.org/10.1016/j.isatra.2020.10.021 Tursunbayeva, A. (2024). Augmenting human resource management with artificial intelligence: Towards an inclusive, sustainable, and responsible future. Springer Nature. https://books.google.com/books?hl=en&lr=&id=myI6EQAAQBAJ&oi=fnd&pg=PR7&dq=Tursunbayeva+AI&ots=0wklZBbrLs&sig=CYx6wYAkqhgYltX8FT6BP9PMEUE. Vaghasia, P., Patel, R., Patel, D., Goswami, A., Patel, R., & Vaghasia, R. (2025, June). Improving data security and privacy in cloud-based data analysis: A results-driven approach. In 2025 International Conference on Computing Technologies (ICOCT) (pp. 1-8). IEEE. https://doi.org/10.1109/ICOCT64433.2025.11118763 Van Giffen, B., Herhausen, D., & Fahse, T. (2022). Overcoming the pitfalls and perils of algorithms: A classification of machine learning biases and mitigation methods. Journal of Business Research, 144, 93-106. https://doi.org/10.1016/j.jbusres.2022.01.076 Vasuki, V. (2025). AI-driven medical fundraising verification system to detect and prevent fraudulent treatment requests. International Scientific Journal of Engineering and Management, 4(6), 1-9. https://doi.org/10.55041/isjem04277 Veale, M., Binns, R., & Edwards, L. (2018). Algorithms that remember: model inversion attacks and data protection law. Philosophical Transactions of the Royal Society: A Mathematical, Physical and Engineering Sciences, 376, 20180083. https://doi.org/10.1098/rsta.2018.0083 Wachter, S., Mittelstadt, B., & Russell, C. (2017). Counterfactual explanations without opening the black box: Automated decisions and the GDPR. Harvard Journal of Law & Technology, 31(2), 841. https://doi.org/10.2139/ssrn.3063289 Wang, M., Zhu, S., Liu, X., Wen, S., & Mu, C. (2025). Finite-time input-to-state stability of neural networks with disturbances and prescribed performance. IEEE Transactions on Systems, Man, and Cybernetics: Systems, 55(5), 3742–3751. https://doi.org/10.1109/TSMC.2025.3547499 Wieringa, M. (2020, January). What to account for when accounting for algorithms: a systematic literature review on algorithmic accountability. In Proceedings of the 2020 Conference on Fairness, Accountability, and Transparency (pp. 1-18). Association for Computing Machinery. https://doi.org/10.1145/3351095.3372833 Xu, C., Yang, H. H., Wang, X., & Quek, T. Q. (2019). Optimizing information freshness in computing-enabled IoT networks. IEEE Internet of Things Journal, 7(2), 971-985. https://doi.org/10.1109/JIOT.2019.2947419 Yazdani, D., Nguyen, T. T., & Branke, J. (2018). Robust optimization over time by learning problem space characteristics. IEEE Transactions on Evolutionary Computation, 23(1), 143-155. https://doi.org/10.1109/TEVC.2018.2845361 Yuanyuan, D. O. N. G. (2024). Ethical risks and countermeasures of artificial intelligence empowering ideological and political education. Journal of Beijing University of Aeronautics and Astronautics (Social Sciences Edition), 37(1), 160–165. https://dx.doi.org/10.13766/j.bhsk.1008-2204.2022.0955 Zavari, S. A. H. (2023). Artificial intelligence and the transition to a new era of foreign policy. International Relations Think Tank Publications. https://doi.org/10.1111/ntwe.12343 [In Persian] Zhang, M., Cooke, F., Ahlstrom, D., & McNeil, N. (2025). The rise of algorithmic management and implications for work and organisations. New Technology, 40(3), 659–671. https://doi.org/10.1111/ntwe.12343 Zhong, C., Cai, H., Fang, S., Xue, R., & Shan, Y. (2025). Does artificial intelligence reduce energy intensity in manufacturing? Evidence from country-level data. Energy Economics, 108784. https://doi.org/10.1016/j.eneco.2025.108784
| |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
|
آمار تعداد مشاهده مقاله: 269 تعداد دریافت فایل اصل مقاله: 97 |
|||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||