弥合临床人工智能中的知识鸿沟:基于活动理论的多学科远程医疗数据工作视角
《Proceedings of the ACM on Human-Computer Interaction》:Bridging Knowledge Gaps in Clinical AI: An Activity Theory Perspective on Interdisciplinary Data Work for Telehealth
【字体:
大
中
小
】
时间:2026年10月10日
来源:Proceedings of the ACM on Human-Computer Interaction
编辑推荐:
摘要
人工智能摘要:要查看此AI生成的摘要,您必须拥有高级访问权限。了解更多 | 登录
摘要
先进的AI技术越来越多地整合到临床领域,以推动患者护理的进步。临床AI技术的设计与开发需要临床专家与技术专家之间的无缝协作。然而,此类跨学科团队往往难以取得成功,且缺乏对协作障
摘要
人工智能摘要:要查看此AI生成的摘要,您必须拥有高级访问权限。了解更多 | 登录
摘要
先进的AI技术越来越多地整合到临床领域,以推动患者护理的进步。临床AI技术的设计与开发需要临床专家与技术专家之间的无缝协作。然而,此类跨学科团队往往难以取得成功,且缺乏对协作障碍及应对策略的系统分析。本研究通过半结构化访谈,考察了言语病理学领域中的两项临床AI协作案例,访谈对象包括6名临床专家和7名技术专家。我们采用活动理论(Activity Theory, AT)作为分析视角,考察临床与技术工作流中持续存在的知识差距和协作张力,并展示了临床数据如何作为"边界对象"发挥作用,而跨学科协作人员又可作为"知识中介"来帮助应对这些挑战。我们的发现通过展示共享的临床数据、边界对象和中介角色如何塑造早期临床AI协作中的协调工作,为CSCW领域关于跨学科团队数据工作的研究做出了贡献,并为未来协作提供了最佳实践见解。
AI摘要
AI生成摘要(实验性)
本摘要由自动化工具生成,未经本文作者撰写或审核。其目的是支持文献发现,帮助读者评估相关性,并协助来自邻近研究领域的读者理解该工作。本摘要旨在补充作者提供的摘要,后者仍为论文的权威摘要。全文始终是权威的正式记录版本。点击此处了解更多。点击此处对摘要的准确性、清晰度和实用性进行评论。这样做将有助于改进并生成未来优化版本。要查看此AI生成的通俗语言摘要,您必须拥有高级访问权限。
1 引言
人工智能(AI)的最新进展为跨学科团队协作开辟了广阔的前景,尤其是在临床和医疗领域 [24, 56, 57, 66, 112, 112]。早期的临床AI协作主要集中在对电子病历(EMR)系统中的临床信息进行分析,以支持医院环境中的行政工作(如记录患者入院和组织数据)[50, 81, 83, 85] 和临床查询(如疾病进展建模、治疗效果分析)[24, 32, 52, 68]。近期工作将AI驱动的能力扩展到普适计算场景,其中患者与医疗服务提供者之间的沟通 [109, 114]、临床决策 [57, 80, 110]、远程监测 [67, 93] 以及评估 [108, 113, 115] 都越来越多地得到先进AI技术的支持。这些应用程序的成功设计与开发依赖于临床专家与技术专家之间的紧密协作,以产生符合实际医疗实践的成果。
HCI/CSCW研究者对医疗领域的跨学科工作进行了广泛研究。基础性研究考察了协调临床任务的复杂性以及"协调工作"(articulation work)所涉及的巨大工作量,后者包括在复杂场景中管理依赖关系和协调不同活动所必需的隐形劳动 [91, 92]。虽然临床医生的工作流严格遵循既定的机构指南并优先考虑患者结果,但技术专家主要以数据为导向,专注于明确定义的计算机任务并优化模型性能指标 [53, 75]。这种在特定领域目标和实践方面的错位可能导致关于协作目标、劳动分工甚至成功结果定义的**根本性分歧** [17, 83, 95]。虽然这些障碍在一些分散的个案研究和调查中有所提及 [49, 94],但当前研究缺乏对临床团队与技术团队之间常见产生的深层结构性冲突和张力的深入分析,也缺乏对跨学科团队在将AI整合到复杂临床环境中时如何共同缓解这些挑战的分析。了解跨学科边界的劳动过程有助于CSCW研究者以及健康信息技术的交互设计师和开发者,在创建健康AI技术时更好地沟通与协作。
为弥合这一差距,本研究利用活动理论(AT)作为指导性的分析视角,以识别临床AI协作中临床专家与技术专家之间的挑战及应对策略 [39, 76]。AT是一个概念框架,通过统一的视角来理解人类活动及其社会、文化和历史背景,该视角将人类活动视为一个由相互作用的要素构成的系统:主体(个人或群体)、客体、工具、规则、社区和劳动分工。在医疗领域中,AT已被有效地用于调查和检验临床工具和程序如何塑造协作任务 [27, 38, 41, 43, 48]。AT特别适用于我们对面临床AI跨学科协作的调查研究,基于以下几个关键原因。首先,由于AT可以描述层次结构并分解活动的行动和操作 [51],将AT作为分析框架可以为建模临床专家与技术专家之间不同但相互关联的活动(如数据分析/解释、文档记录和整理)提供系统性的视角。其次,将AT作为分析框架使研究者能够深入探究表面沟通和协调困难之下,在客体、工具或规则层面存在的根本性错位或冲突。第三,由于AT认为活动是由工具中介的,这种认识论立场有助于研究者解释跨学科协作场景中用户与工具之间的关系。综上所述,AT成为一个有前景的框架,有助于识别临床AI中跨学科研究与协作的最佳实践。
基于这些见解,我们将AT应用于分析言语语言病理学家(SLP)与技术专家之间的两个跨学科协作案例,这些技术专家正在应用自然语言处理(NLP)等AI方法来优化远程医疗环境中的临床工作流,通过远程研究协作实现。通过对这些协作中总共13名临床专家(N=6)和技术专家(N=7)进行半结构化访谈,我们调查了这两组人员如何针对下游AI管道导航临床数据的收集、编码和转换过程。我们的分析由以下研究问题指导:
- **RQ1:** 临床医生和技术专业人员如何独立和协作地在临床AI研究中执行其工作流?
- **RQ2:** 出现了哪些沟通张力和数据特定挑战,跨学科团队如何发展应对策略来导航和解决这些挑战?
我们的分析突出了AT如何被用作分析框架,以系统地:1)解析跨学科知识工作者如何利用不同的数据工具执行特定领域的工作流(如临床和技术工作流);2)揭示不同专家群体之间不同但又相互关联的工作流中的张力点;3)识别沟通障碍的出现及相应的应对策略以解决这些挑战。具体来说,我们的发现表明,具体的临床数据通常充当"边界对象" [97],作为讨论的锚点,而具有跨学科专业知识的人类知识中介则引导临床AI协作中关键活动的"双语翻译"——即专门术语的翻译。研究进一步识别了基于不同专业实践(如数据处理方式不同)和目标(如临床文档记录与模型部署)而产生的核心冲突(如分类学知识差距),这些冲突在围绕临床数据的错位工作中最为明显。通过从AT的视角系统地回答研究问题,我们的贡献拓宽了当前CSCW和HCI领域对于复杂的临床和技术工作流如何整合到面向现实领域特定场景的AI开发更大生态系统中的知识。通过AT的视角,我们展示了如何关注共享目标、中介制品以及遵循学科规则的适当劳动分工,可以阐明复杂的协作模式。这一视角为未来的HCI/CSCW研究和系统设计提供了实践指导,旨在赋能AI解决方案以支持跨学科团队协作。这些发现加深了我们对不同的专业知识体系如何共同生产AI赋能的解决方案,同时管理竞争性的术语、专业身份和研究需求的理解。鉴于技术的快速进步,认识并应对这些细致的跨学科动态,是确保团队协作中健壮、可信、有效且以人为本的AI的关键。
2 相关工作
2.1 活动理论作为探索跨学科团队协作的分析框架
AT为理解协作环境中人类活动、工具和社会背景之间复杂的相互作用提供了全面的框架。AT最初源自维果茨基(Vygotsky)的工作,后来由恩格斯特朗(Engestr?m)进行了扩展,它提供了一个视角,通过分析人员、工具和更广泛的组织结构之间如何相互作用来分析跨学科团队协作,使用活动三角形 [27, 38, 39]。如图1(左)所示,恩格斯特朗提出的典型活动三角形 [39] 包括七个关键要素,构成了对个体活动的综合视图,包括主体、客体、工具、规则、社区、劳动分工和成果。特别是,活动三角形中最关键的要素是上部三角形,聚焦于主体、客体和工具之间的关系和交互,恩格斯特朗补充了底部三个要素来完善该图。在本研究中,我们主要利用上部三角形来理解临床专家和技术专家工作流的活动系统,同时也利用完整的AT三角形对临床AI协作中的错位和冲突进行全面分析。此外,卡佩林宁和纳迪(Kaptelinin和Nardi)[59] 提出了活动的层次结构,通过将一个活动分解为更细粒度的级别,并与不同层级的心理学概念作为目标成果进行对齐。如图1(右)所示,层次化AT结构区分了动机驱动的活动、构成它的目标驱动的行动以及条件驱动的操作,这使研究者能够解构复杂的工作流并识别可能不会立即显现的系统性矛盾。
HCI领域的综述解释了AT如何作为分析和设计框架发挥作用,并澄清了它在实证研究中常见的使用方式 [27]。特别是,AT已被以几种不同的方式用于研究复杂的医疗环境。在CSCW领域,研究使用AT分析医院工作并推导设计启示,包括病房和手术室工作流的活动分析以及基于活动的计算来指导支持多任务处理、移动性和临床环境中协调工作的临床基础设施 [7, 8]。此外,AT已被用于定义工作客体并识别挑战,从而为特定健康技术的设计和评估提供信息,例如理解患者的自我量化活动 [3]、管理患者健康信息周围的风险 [103],以及设计不良药物反应报告工具 [43]。AT还作为强有力的视角用于理解和促进学习与组织变革,例如考察医疗团队如何发展专业知识并创新其实践 [41, 61]。尽管已有大量工作,但大多数研究聚焦于特定情境下的临床工作和文档记录,很少将端到端的临床AI开发作为跨越数据工作、建模、评估和整合的联合活动来考察。我们的工作通过使用AT来检验客体、工具、规则和劳动分工在哪里出现错位或冲突,以及采用和使用哪些中介策略,来弥补这一空白——由跨学科的临床与AI团队。理解这些动态可以为开发工具和支持策略提供信息,以更好地支持跨学科团队有效协作并实现共同目标。
图1. 左:恩格斯特朗的活动理论三角形 [40],也称"活动三角形"。右:活动的层次结构 [59]。
恩格斯特朗的活动理论三角形,也称"活动三角形"。在本工作中,我们主要关注AT系统中的上部三角形,它由主体、客体、工具及其相互关系构成。
2.2 跨学科团队协作中的知识中介与边界对象
管理知识边界是跨学科团队协作中长期面临的挑战,知识边界将临床和技术等领域区分开来。知识边界的产生源于教育背景、专业训练、术语和方法论途径的差异,这可能导致沟通困难和误解。边界对象 [97] 和知识中介 [62] 在促进知识边界之间的沟通和协作中发挥着关键作用。具体而言,边界对象被定义为"具有塑性和稳健性"的实体,它们可以被每组人不同地解释,同时保持足够的共同结构,使其能被所有相关方识别和使用 [18]。边界对象在跨学科研究中具有关键价值,因为它们可以帮助弥合学科之间的认知、方法论和认识论鸿沟 [2, 64, 106]。例如,在大规模协作中,数据模型、框架和工具等边界对象使利益相关者能够在拥有不同视角、知识和目标的情况下有效合作 [2]。
在临床AI中,临床专家与AI专家之间不同的教育和培训背景导致了沟通与协作困难,原因在于知识、语言和技能的差异,以及对临床数据文档化和使用的不同优先级 [17, 56, 95]。
临床医生通常使用电子病历(EMR)以及电子病历以外的工具,例如电子表格,来方便地访问、检索和分析结构化患者数据,以更好地支持临床决策和患者预后 [55, 58, 100, 102, 104]。Carlile 等人 [22, 23] 强调了边界对象在促进不同领域间知识共享方面的作用,突出了知识的传递、翻译和转化过程,以克服沟通障碍。Zhou 等人 [116] 探讨了计算机化医师医嘱录入(CPOE)系统如何作为边界对象发挥作用,以及临床医生如何在医疗环境中制定变通方案,以弥合不同工作流程与技术之间的差距。尽管电子病历以外的工具应用广泛,但它们在临床人工智能研究中作为边界对象的作用仍未得到充分探索。例如,电子表格灵活且易于定制,使其成为各种临床和研究环境中用于数据录入、分析和共享的有价值的工具 [33, 55, 56, 86, 102]。临床医生可以使用此类工具来编码患者数据并记录他们的见解,所记录的数据可以作为临床医生与人工智能专家之间知识交流的中介。知识经纪人(Knowledge brokers)与边界对象密切相关,它们在促进不同专业社群之间的知识交流、翻译和应用方面发挥着重要作用 [62, 69]。例如,IT 专业人员通常作为知识经纪人,在组织情境中通过其技术专长促进跨越组织边界的知识共享与整合 [82]。在科学传播的背景下,知识经纪人有助于确保科学研究有效地指导实践和决策 [72]。通过促进更好的沟通、合作和创新,边界对象和知识经纪人对于成功的跨边界协作与创新都至关重要 [21],在跨不同护理学科的专家担任知识经纪人的临床专家中也同样明显 [31, 34, 46, 73, 111]。
在临床人工智能中,临床专家和技术专家可能使用不同的术语来描述诸如"模型"等概念,这将导致在尝试于协作性和跨学科研究环境中应用人工智能方法时,在临床数据的收集、管理、组织和分析方面采取不同的方式。尽管已有大量研究成果报告了在医疗和卫生场景中跨学科团队协作面临的挑战 [31, 34, 46, 73, 111],但在临床人工智能领域的研究中,相关探索仍然匮乏,这可能归因于近年来两个专家领域都相对较新且发展迅速。因此,本研究通过了解临床医生和人工智能专家如何执行工作并进行协作,以及分析此类跨学科团队协作的需求和挑战,填补了这一空白。
2.3 临床人工智能研究中的跨学科团队协作
通过整合跨学科的知识、专长和视角,跨学科团队可以在复杂问题空间中支持创新 [9, 14, 90, 107]。在医疗领域,跨学科协作长期以来一直是计算机支持的协同工作(CSCW)研究的核心。先前的研究表明,理解临床专业人员动态且多样的需求并将其转化为信息系统功能需求的重要性,而非强加一刀切的解决方案 [87]。因此,成功的临床技术需要密切关注人为因素,以及临床医生、工程师、人机交互专家和其他利益相关者之间的密切协作,以改善技术设计和患者预后 [11]。
人工智能在医疗领域的近期扩展为跨学科协作引入了新的需求,通常需要来自不同领域的团队在解决复杂的临床问题上协同工作 [1]。例如,Lyon 等人 [70] 讨论了将人机交互与实施科学相结合以改善公共卫生创新采用、实施和长期使用的重要性。然而,此类协作也带来了独特的挑战。来自不同背景的专家带来不同的视角、优先级和词汇,这可能导致知识鸿沟和沟通障碍 [74]。为应对这些困难,Nagendran 等人 [74] 提出以用户为中心的设计研讨会作为一种调解策略。在另一项对20名学术和行业人工智能开发者的访谈研究中,Guhan 等人 [49] 研究了基于人工智能的计算机感知技术如何为临床决策制定而开发。他们的参与者报告说,这项工作不仅支持了现有的临床工作流程,还促使临床医生考虑对疾病和护理的替代视角。
尽管先前的研究表明跨学科临床人工智能协作可以在临床和技术领域产生创新,但对于临床医生和技术专家在日常协作工作中如何围绕共享数据进行协调,以及在此过程中哪些地方会出现紧张关系,我们的了解仍然有限。本研究通过两个临床人工智能协作的案例研究来填补这一空白,使用活动理论分析数据工作、沟通障碍和调解实践如何塑造跨学科协调。
3 方法
本研究采用基于案例的半结构化访谈方法,考察临床专家与技术专家之间的跨学科协作,特别是在远程研究协作的背景下,即针对儿童和成人的远程医疗项目。我们从语音语言病理学家(SLP)与技术专家(具有人工智能专长)之间的两个团队合作中招募了两类专家,这些专家均来自学术研究背景。尽管每次协作都针对不同的临床挑战,但两者都遵循相似的跨学科团队协作模式:临床专家与技术专家合作,以赋能先进的人工智能模型,使其对语音语言病理学家的临床实践有益。
3.1 研究背景与案例选择
我们选择这两个协作作为案例研究,是因为它们具有以下共同特征。两个案例都与语音语言病理学领域相关,并聚焦于远程医疗场景。两个项目都设定了跨学科团队的两个主要目标:通过人工智能辅助的远程医疗评估或干预改善患者护理,以及探索临床医生如何利用人工智能驱动的见解支持临床决策制定并减轻临床工作负担。团队通过远程方式工作,在整个协作期间依赖 Zoom 会议,这为我们研究跨学科协作提供了理想的背景。这些共同特征使我们能够调查共同的跨学科工作流程模式,而不会过度局限于单一项目的特殊性。然而,每个项目都有独特的患者护理需求和临床任务的个体差异,这导致了与人工智能专家不同类型的沟通和协作。案例1涉及双语临床医生处理双语儿童语言评估数据,而案例2涉及单语临床医生处理患有神经源性疾病成人的数据。此外,临床和技术研究团队隶属于美国不同的学术机构。在本研究中,我们将调查重点放在参与者如何概念化、记录和处理患者数据以开发或改进用于临床的人工智能工具,以及他们如何跨越学科边界进行沟通。
3.1.1 案例1:双语儿童的远程评估
传统的双语儿童语言评估是一项临床挑战,由于双语资源和专业人员短缺,常常导致不准确的诊断 [37]。这个临床人工智能项目旨在开发一种基于网络的远程医疗工具,使家长能够在家监督对其子女的自动化语言评估。虽然该工具促进了数据收集,但临床医生仍然必须进行密集的体力劳动来评分、分析和解释视频数据以进行诊断决策。该项目的主要目标是使用人工智能自动化临床数据分析,旨在减轻临床医生的工作流程负担,并高效地识别亲子二元行为和交流。该协作专注于开发多模态人工智能管道,以支持临床医生、双语儿童及其双语家长。
3.1.2 案例2:脑损伤成人的远程医疗培训
患有认知沟通障碍(例如创伤性脑损伤、失语症或痴呆症)的个人通常使用语音辅助技术(例如 Amazon Alexa)来支持其日常活动的执行,例如药物管理 [36]。然而,由于他们的认知沟通困难,这些患者通常需要临床医生提供额外的培训和练习,以学习如何有效使用这些辅助技术工具。该项目的主要目标是探索人工智能如何提高此远程医疗培训的效率和质量,例如通过简化针对个体患者的语音命令定制。该协作专注于开发人工智能驱动的方法,以支持临床医生、成年患者及其护理人员。
3.2 参与者与招募
为了全面深入了解两个项目中临床专家与技术专家之间的跨学科团队协作,我们采用方便抽样策略进行参与者招募。我们共招募了13人(男性:N=3,女性:N=10),涉及两个案例研究协作(案例1:N=7,案例2:N=6),参与半结构化访谈,参与者的人口统计学信息见表1。为了确保角色-案例分布的平衡和两个案例研究的代表性发现,参与者包括六名语音语言病理学家(案例1:N=3,案例2:N=3)和七名技术专家(案例1:N=4,案例2:N=3)。所有临床医生都拥有至少硕士学位的语音语言病理学专业学位,并积极与患者互动以收集和分析研究数据;所有技术专家都拥有至少学士学位,并在利用临床专家获取的数据设计和实施人工智能方法中发挥积极作用。所有参与者都在积极参与两个协作中的一个,确保他们对临床-技术互动、数据共享实践和沟通挑战具有最近的、第一手的见解。
表1。参与者人口统计学信息(案例1:N=7,案例2:N=6;临床医生:N=6,人工智能专家:N=7)。
| 参与者 | 性别 | 教育 | 专长 | 经验年限(AI/临床) | 案例研究 |
|--------|------|------|------|---------------------|----------|
| P1 | F | 硕士 | 临床医生 | <1年 | 案例2 |
| P2 | F | 硕士 | 临床医生 | <1年 | 案例2 |
| P3 | F | 硕士 | 临床医生 | <1年 | 案例2 |
| P4 | F | 硕士 | 临床医生 | 1-5年 | 案例1 |
| P5 | F | 硕士 | 临床医生 | 1-5年 | 案例1 |
| P6 | M | 博士 | AI专家 | 1-5年 | 案例2 |
| P7 | F | 博士 | AI专家 | <1年 | 案例1 |
| P8 | F | 博士 | AI专家 | 1-5年 | 案例1 |
| P9 | M | 学士 | AI专家 | <1年 | 案例1 |
| P10 | F | 学士 | AI专家 | 1-5年 | 案例2 |
| P11 | M | 硕士 | AI专家 | 1-5年 | 案例1 |
| P12 | F | 博士 | 临床医生 | 1-5年 | 案例1 |
| P13 | F | 博士 | AI专家 | 5+年 | 案例2 |
3.3 访谈开发与数据收集
鉴于跨学科研究的复杂性,涉及跨多个领域的独立工作和协作工作,我们采用活动理论(AT)框架来构建访谈问题的开发。在本研究中,活动理论框架有助于解构临床团队与技术团队之间跨学科协作的固有复杂性,突出项目工作流程中的矛盾和紧张关系。访谈方案(附录A)旨在捕捉临床专家和技术专家之间工作流程的动态、他们使用临床和技术相关工具的经验,以及他们在跨学科项目中协作和沟通时面临的挑战。为了确保相关性和针对性,访谈问题针对每个专业群体的独特角色和经验进行了量身定制,并尊重活动理论框架。例如,我们首先询问临床医生关于患者护理目标的问题,并询问技术专家关于人工智能模型性能目标的问题,以了解活动的目标(Object)。然后我们要求所有参与者描述他们使用的软件、电子表格和协议,并分享他们的屏幕以展示示例,以调查各种临床活动中使用的工具(Tools)。我们收集了关于正式指南(例如临床标准)和塑造临床医生工作的非正式"不成文规则"的信息,以探究规则和准则(例如学科内的最佳实践)。我们还询问参与者描述谁负责特定任务(例如数据收集、清洗、标注和建模),以及交接点在哪里,以绘制劳动分工(Division of Labor)。最后,我们特别询问了在数据解释或交接期间发生的挑战、沮丧或中断,以识别跨学科的错位和冲突。
来自两个协作的全部13名临床和技术专家都通过 Qualtrics 调查完成了人口统计学信息的电子同意书。访谈持续时间为35至60分钟,并在参与者同意后通过 Zoom 进行了视频录制。除了回答访谈问题外,参与者被鼓励通过 Zoom 的屏幕共享功能提供关于他们临床或技术工作的描述性示例,以参考他们的数据。这种方法促进了更好地回忆和解释通过电子表格等工具完成的具体临床或技术活动。本研究获得了参与本研究涉及的人类受试者研究的所属机构的机构审查委员会批准。
3.4 数据分析
所有访谈都逐字转录,并由两位具有相应人工智能和临床背景的研究人员(第一作者和第二作者)分析,以确保跨两个学科的不偏不倚的解释。在解释访谈转录本时使用了两个分析阶段:通过归纳编码和主题分析进行的定性分析 [19, 20, 89],随后是使用活动理论作为分析框架进行研究图表化 [25, 30]。首先,使用归纳编码 [29, 89],第一作者(人工智能专家)使用开放式编码对8份转录本的子集(P1-P8,案例1:N=4,案例2:N=4)进行了编码,然后将编码分组以识别关键主题,同时迭代地细化编码,重点关注各种临床和技术活动。
接下来,基于先前的健康领域活动理论(AT)研究[12, 41, 43, 48, 103],第一作者与第二作者(一位临床专家,对同一组转录文本进行了编码)合作,利用现有活动理论框架中的构念作为分析单元,开发了一个定性编码簿(附录A)。
随后,运用主题分析[19, 20, 42],从转录文本中涌现的关键主题(尤其是与临床和技术活动相关的主题)经过反复审查和完善,以确保它们准确代表数据。为确保编码的一致性和质量,两名编码者在编码过程中讨论分歧,并通过在定性编码簿中达成共识来解决分歧。两位研究者根据研究问题审查最终主题,特别关注:(1)参与者在两个项目中多学科团队协作过程中与患者数据及其不同方法之间的关系;以及(2)作为"边界对象"使用的不同工具及其促进或阻碍多学科团队协作的潜力。
最后,为将活动理论整合为分析框架,运用研究图示法[25, 30],两位作者根据两个案例研究创建了详细插图,以可视化活动三角形的元素(如主体、客体、工具)及其情境化表征(临床与技术)。每个研究图示都标注了不同活动理论实体之间的关键关系,从而揭示了访谈中报告的潜在紧张关系或挑战。为确保研究图示的一致性和质量,两位编码者讨论了图示中的分歧,并通过在研究图示中达成共识来解决分歧。此后,其余五份转录文本进行了转录和分析。需要注意的是,采用演绎和归纳方法来分析转录文本使作者能够自上而下和自下而上地对访谈数据进行解释。这种方法确保了研究结果可以汇聚于活动理论框架的关键构念(如跨学科对数据相关"工具"的使用),同时允许对其他主题(如临床与技术工作流、沟通冲突)进行发散的解读,从而揭示多学科团队协作中的复杂动态。
所有访谈均逐字转录。两名研究者(第一作者和第二作者)分析了转录文本。他们分别具有人工智能和临床实践背景,这支持了对数据的跨学科解释。我们的分析分为两个阶段进行:首先是归纳式定性编码和主题分析,其次是基于活动理论[25, 30]的研究图示。
首先,第一作者对一部分转录文本进行了开放编码[29, 89]。该部分包括案例1的四名参与者和案例2的四名参与者。作者将这些初始代码分组为与临床和技术活动相关的初步主题。第二作者对同一部分转录文本进行了编码。随后两位作者比较了解释并通过讨论完善发展中的编码簿。
我们随后运用主题分析[19, 20, 42]审查并完善了涌现的主题,特别关注参与者如何描述患者数据、跨角色协作以及用于支持协调的工件。为保持一致性,两位编码者讨论了分歧并通过达成共识解决分歧。在稳定编码簿和初步主题后,我们使用相同流程编码了其余五份转录文本。
活动理论指导了分析的后一阶段。两位作者创建了研究图示以可视化活动三角形的元素[25, 30]。我们使用这些图示比较两个案例,并解释临床和技术工作围绕共享数据工件协调时反复出现的紧张关系。这种归纳编码与活动理论指导的解释相结合,使我们能够识别基于参与者叙述的主题,同时考察更广泛的多学科协调模式。
**4 研究结果**
本节呈现我们访谈临床和技术专家在两个临床人工智能项目中协作的结果。我们首先描述临床医生和技术专家如何参与不同但相互依赖的数据工作形式。然后我们探讨这些群体在协调不同术语、分类法和工作流预期时产生的沟通挑战,以及帮助他们管理这些紧张的工件和中介角色。
**4.1 运用活动理论分析理解临床和技术工作流**
活动理论提供了一个结构化且系统化的视角,用于绘制塑造这些协作的互动、对象和动机,而不仅仅是识别表面层面的困难。每个活动三角形统一形成"主体"与"客体"和"工具"之间的"核心"关系。活动理论还可以反映临床和技术行动如何交叉,产生何种矛盾或紧张关系,以及团队如何在更广泛的社会文化背景下(涉及社区、规则和分工)应对这些关系。我们的定性分析表明,尽管数据锚定了临床和计算活动,但临床专家和技术专家之间的协作挑战往往超越表面层面的差异。我们探索临床和技术专家在工作流中如何通过独特但重叠的过程处理患者临床数据。临床规范在不同专业领域差异显著(如教育儿科评估与成人医学康复),包括临床专家的培训经历、日常工作流以及与不同患者群体的互动。另一方面,团队协作中的技术专家从其临床合作伙伴处接收临床数据,然后为计算目的创建或调整技术分类法。
**4.1.1 临床工作流:通过临床数据捕捉患者护理的细微之处**
本研究中的言语语言病理学家(SLPs)通常从面对面或远程医疗服务会话中收集患者数据开始。一名参与者指出,在COVID-19疫情期间及之后,远程会话变得越来越普遍。P2(案例2)解释了当无法亲自出席临床会话时理解临床背景的难度:"当你不在现场时,主观部分很难理解。"这些临床医生的报告表明,指导如何对原始患者数据进行标注的细微临床知识,可能不会对技术方面的协作者显而易见。在这些情况下,患者与远程医疗平台互动,在互动过程中记录各种患者数据,包括音频和视频录音、患者言语交流的转录本以及与远程医疗平台的交互历史。临床医生工作流中的关键步骤是开发或采用临床数据分类法,将每位患者的症状、行为或反应表示为有意义且有用的类别。此类分类法必须遵循领域特定规则,如规范和指南。一名临床医生(P12,案例1)解释了双语儿童语言评估的临床工作流和文档记录:"当父母和孩子交谈时,这种互动是最难的部分(在会话前或会话后)——你应该在会话前多久/会话后多久开始/停止在电子表格中记录。有时这很重要,但有些是不相关的,时间戳标记非常重要。"
收集和编码患者数据的核心动机在于确保未来的临床决策与专业标准和医学指南一致,并维持患者就诊的一致性。例如,言语语言病理学家通常使用反映沟通障碍专业标准的专门分类法,在远程会话中对儿童的行为和言语模式进行编码。这些分类法指导临床医生如何解释和记录不同类型的言语错误及相关情境因素。临床医生P1(案例2)通过解释言语语言病理学家的角色和临床活动,描述了教授创伤性脑损伤(TBI)患者在家使用智能家居技术(如Alexa)的目标:"当我们试图帮助促进沟通和清晰发音时,试图让他们执行命令,我们会使用某些提示,比如言语提示、视觉提示,或者我们可能尝试使用一些行为方法,比如让他们放慢语速,或者让他们使用某些发音动作来更清晰地说出命令。"
P2(案例2)还描述了她基于临床协议使用远程医疗服务并与患者合作的工作流程以及电子表格文档记录过程。
**图2. 两个案例研究的临床工作流活动三角形(左:案例1,右:案例2)**
该图使用活动理论三角形比较两个案例研究的临床工作流。在案例1中,双语言语语言病理学家使用远程医疗系统、Zoom和电子表格,通过基于远程医疗的言语语言评估对双语儿童进行评估。在案例2中,言语语言病理学家使用Amazon Alexa、Zoom、Google电子表格和相关工具,训练成人创伤性脑损伤患者在日常活动中使用Alexa。
"对于用户需求评估,我们开始时通常有一个问题模板。我们每周根据那个特定主题进行,为该种模板提供足够的指导。然后培训部分,我们有电子表格,包含准确回答和命令类型、所需提示等列。因此我们所有这些都记录在那里。"
数据收集完成后,临床医生将原始材料转化为可用的临床文档或记录。他们在电子表格或电子健康记录(EHR)系统等专门软件中对每次观察进行编码,在标注的视频片段中验证特定症状,并在患者报告中总结关键发现。这些数据转换旨在帮助临床医生规划干预措施或诊断潜在疾病,并必须符合机构指南和医疗法规。然而,这些标注的复杂性和领域特异性可能对临床领域内外协作者的解读构成挑战。临床医生P5(案例1)描述了与另一位临床医生合作处理双语数据的过程:"我与另一位同事一起工作,我们讨论了每个定义,无论是普通话还是英语。它是在普通话中发生的吗?是在英语中发生的吗?就是与这位也是言语(治疗)人员的人合作,确保我们对编码簿的定义是一致的,编码簿非常重要。"
总之,通过活动理论分析的可视化展示,言语语言病理学家作为主体,利用专业实践协议、指南和远程医疗系统(工具)将患者的原始观察(客体)转化为有意义的临床数据文档,如图2所述。
**4.1.2 技术工作流:为模型管道准备数据**
临床医生专注于识别和捕捉患者护理中的临床细微之处,而技术专家则强调训练和验证机器学习模型等计算任务。技术专家工作流中与数据转换过程相关的步骤通常包括清理低质量条目、去除噪声、将数据拆分为训练集和测试集,以及验证标签分布是否与模型假设一致(图3)。一名技术参与者(P9,案例1)描述了他处理临床数据和开发临床AI系统的过程:"找到LLM将音频数据转录为文本数据,非常清晰地划分说话者语言时间戳,让临床医生使用机器学习进行转录,并有用户界面让临床医生轻松地进行人工检查。"在此过程中,P9探索了不同的音频LLM和商用产品,如"Microsoft、OpenAI Whisper、科大讯飞",并明确区分了该临床AI项目的临床与技术目标:"对于音频,如果临床医生想寻找模式,临床医生需要逐秒听视频并手动完成所有标注。对我们来说,我们找到了一种方法来提高他们的工作效率,减少他们在音频标注上花费的时间。我们的目标是让他们不花太多时间,并准确找到他们从音频中需要看到的内容。"
**图3. 蓝色的技术流程活动三角形。绿色代表为技术团队生成临床数据的临床工作流。**
该图显示了与技术工作流活动三角形(蓝色)相连的临床工作流(绿色)。临床医生与患者和辅助工具互动,在电子表格中生成临床数据。技术专家然后使用电子表格数据和辅助工具构建模型就绪数据集,支持技术开发和现实世界部署。
在此案例中,技术专家的动机转变为解释和转换临床数据,使其与技术分类法对齐,以符合应用机器学习模型和评估管道的要求。
此外,对于缺乏临床训练和知识的非临床专家而言,临床数据仍然是不透明的,尽管这些非临床专家肩负着理解和利用此类数据来开发计算模型的任务。与另一位与另一位临床医生合作进行协作式双语数据标注的临床医生P5不同,P9独立评估了多种AI工具以识别最佳模型性能:"我们尝试先按语言(中文/英文)进行分割,然后将所有内容交给大语言模型进行转写;另一种方法是先按说话人分割,再让大语言模型将音频转为文本,然后看哪种组合方法效果最好。随后我们意识到,或许先用PyAnnotate分割说话人,再用OpenAI Whisper进行转写可能是最佳方案。"处理临床医生通过远程医疗整理的不同类型的多模态数据,为AI团队的数据处理带来了额外挑战。例如,另一位技术参与者P11在案例1中也与P5合作,她描述了研究团队如何开发了一款视频标注工具,可从临床医生的视频远程医疗会话中提取原始音频数据(mp3格式):"当我们使用该工具时,还需要另一种JSON格式的机器生成转录数据,可以通过发布代码获取。使用AI大语言模型(LLMs),这些是原始机器生成的。在我们使用这些工具生成机器数据后,我们会生成CSV/JSON文件。"从活动理论的角度来看,数据作为共享活动中的关键对象,却被嵌入在不同的专业语境中(即社区、分工和工具)。技术专家作为主体,采用计算框架(工具)将临床数据(对象)转换为模型输入。在建立技术数据分类体系并完成基于该分类体系的数据转换之后,技术专家会继续进行预测算法的设计和精炼,例如对患者的观察进行分类或预测临床决策。技术专家通常使用定量指标来评估这些算法,如准确率、召回率和精确率,并将性能报告反馈给临床团队。
4.1.3 用于理解跨学科工作流的活动理论层级
活动理论的一个关键概念在于活动的层级结构。最初由Leontiev [65] 提出,他指出:"我们将一个过程称为行动,如果它从属于对必须达到的结果的表征。" 后来,Kaptelinin和Nardi [60] 提出了一个三层次的活动理论层级体系,以反映某一项特定活动的内部扩展,如图4所示。具体而言,活动并非孤立存在且与其他活动相互割裂的;相反,活动在层级上是扩展的,由一系列低层次的子活动构成,这些子活动即为"行动" [65]。当一个行动变成自动化的、无意识的行为时,它就会被识别为操作,并在活动理论的框架下被归类为"操作"。操作与活动和行动不同,通常没有明确的目标。在我们的案例中,我们主要关注活动-行动层级,较少关注操作,因为我们的焦点在于利益相关者工作流中具有明确动机和目标的过程。
图4展示了三级活动层级结构,其中活动由"行动"表示的层级结构组成,行动导致特定的"成果",操作导致特定的"条件"。该图展示了三级活动理论层级:在最顶层,一项活动与动机和成果相关联;在中间层,活动被分解为与目标相关联的行动;在最底层,行动被分解为与条件相关联的操作。
图5展示了临床工作流的活动层级(案例2),展示了描绘行动和操作以及相应目标和条件的活动三角形。该图展示了为脑外伤成年人创建个性化Alexa命令的临床工作流层级。最顶层的活动涉及言语语言病理学家和脑外伤成年人,共同致力于个性化Alexa命令的使用。该活动被分解为单独的分小组会议,这些会议得到Alexa命令模板和口头提示或提示等操作的支持。
此外,两个活动可以相互"链接",如果其中一个活动的某个组成部分与另一个活动的不同组成部分共享,且具有直接因果关系,即被另一个活动的对应组成部分"消费或产生" [96]。在临床AI团队协作的背景下,我们可以将活动理论的层级框架应用于临床或技术专家的工作流。对于每一个工作流,我们可以将顶层活动分解为一个包含一系列"链接"行动级别过程的活动层级。例如,临床医生从事患者护理的高层次活动,该活动由一系列"链接"的临床行动组成,包括原始数据收集、数据分类体系创建、数据转换和决策(图5)。通过并行比较不同利益相关者的这些活动理论层级,我们可以很容易地观察到专家工作流之间在活动目标上的显著重叠。具体来说,数据分类体系创建和数据转换在两个工作流中都是共享的。当一方的子活动依赖于另一方以不适合下游使用格式产出的制品时,不对齐就显现出来了。例如,我们看到临床医生根据临床标准对原始数据进行编码,而技术专家则为机器学习流水线精炼这些数据,如图6所示。尽管双方都转换相同的源数据,但他们这样做是为了通过不同的工作流实现不同的目标。这种差异通常会在不同领域的分类体系和对"有效性"的定义未被相互理解时导致紧张关系。一位技术参与者(P6,案例2)解释道:"最具挑战性的是沟通部分。我需要理解他们的数据,理解他们的动机,他们会从临床医生的角度来解释,但我则会从NLP专家的角度来理解。因此这可能在临床医生和我之间存在一个鸿沟。"
图6展示了临床AI团队协作的活动理论网络,其中包含临床专家和技术专家。两个利益相关者(临床与技术)的不同工作流中识别出了共同阶段以及共享制品"记录的患者数据"。该图展示了连接临床和技术工作流的活动理论网络,跨越了原始数据收集、数据分类体系创建、数据转换、模型开发和最终决策等阶段。临床活动产生记录的患者数据,这些数据成为技术活动的共享制品,如分类体系开发、数据预处理和模型输出生成。该图表突出了围绕记录的患者数据的重叠区域,并展示了临床和技术工作流相互连接的节点。
尽管这些报告具有价值,但临床医生往往难以在概念上将模型性能指标与患者护理的实际现实联系起来。如果临床专家无法看到或理解模型输出如何或为何可能影响现实世界的临床决策,他们可能会对模型的可信度产生怀疑,或者不愿采用该模型。毕竟,我们的研究结果强调了同一件制品(患者数据)如何在一个拥有自身规则和分工的不同社区中经历第二轮转换。
4.1.4 在团队协作中跨学科链接活动
活动理论层级不足以捕捉不同行动如何相互连接,以及为各种工作流带来哪些具体挑战。活动网络的概念 [15, 40] 弥补了这一空白,通过考察活动之间的关系来解决问题。正如Bodker [15] 所定义的:"……其中一个活动的对象可以充当另一个活动的中介。" 活动网络的概念对于人机交互研究至关重要,因为它支持对协作工作的深入理解,这对以人为本的辅助计算系统设计具有重要益处 [59, 77]。在临床AI协作中,当临床专家生成标注数据时,他们有效地产生了一种输出,技术团队将其作为输入来使用。相反,一旦模型训练完成,临床医生可能希望解释其预测或理解其错误。通过图7所示的临床AI协作活动网络的可视化表示,可以清楚地看到"临床数据"如何在临床和技术工作流中都处于核心地位。这种可视化表示对于帮助人机交互研究者理清专家在团队协作中的工作流非常有益,特别是每个行动中的目的、所需信息、所用工具以及任何相关细节。
图7展示了临床活动网络,说明临床团队内数据转换的序列。该图展示了临床活动的序列,其中临床医生将原始临床数据转换为电子表格中的临床数据,然后转换为精炼的干预数据,最终转换为患者护理决策。每个活动都表现为一个活动理论三角形,每一步的输出都成为下一步的输入。
4.2 张力、挑战与应对策略
尽管临床医生和技术专家的工作都围绕数据展开,但他们经常面临由广泛分化的知识边界、专业培训差异以及具有专业词汇和术语的领域特定语言所导致的持续性沟通障碍。当这些专业工作流在团队协作中交汇时,由于分类体系不对齐、对数据格式的预期不一致以及使用不同的专业语言,沟通困难经常出现。在本小节中,我们首先剖析跨学科研究者在进行独特工作流时所面临的不同张力点(第4.2.1节),然后识别导致沟通挑战的知识鸿沟(第4.2.2节),并探讨可以通过两种主要应对策略来解决阻碍协作的沟通障碍:将数据作为边界对象使用(第4.2.3节)以及依赖知识中介(第4.2.4节)。当跨学科研究者成为能够有效地将边界对象作为中介制品来使用的知识中介时,他们可以通过各种应对策略成功地解决沟通障碍和协作挑战。
4.2.1 交汇工作流中的张力点
尽管临床医生和技术专家都依赖系统方法来对临床医生的观察进行编码和标注,但他们基于各自不同的领域专业知识,创建和定义出截然不同的编码主题和标注类别。源数据的临床编码主题可能无法直接映射到技术分类体系上,因为具有临床意义的类别可能不对应算法的数据架构。正如技术参与者P7(案例1)所注意到的,尽管遵循相同的代码本,临床医生的数据收集和分析本质上难以组织为统一的计算语言。她表示:"我发现电子表格中的数据确实来源于不同的标注风格、标注习惯、不同组合……这真的让我产生了一种误解或错误概念……那些领域之间是如何对齐的?我认为如果临床医生能同意一些统一的风格,或者在其他情况下,不同行为类别可以数字化标注,那么我的NLP过程会容易得多。"
同样,临床上的细微区分也可能被广泛定义的技术标签所忽略。例如,在言语语言治疗的语境中,"模型"一词对于临床医生来说指的是"提供由临床医生主导的示范,向患者展示如何准确发出语音或语言"。此外,在案例2(VAT项目)中,"模型"具体指的是"使用正确话语展示如何说出Alexa命令的示范"。然而,对于技术研究人员来说,"模型"意味着"用于解读人类语音和语言的机器学习系统或算法"。在诸如项目会议等协作交流中,这些术语(例如模型、提示)经常被临床团队和技术团队使用,但可能指代完全不同的概念。这些不匹配的分类体系可能导致技术专家试图理解临床数据时产生困惑,或者当临床医生试图理解模型预测和结果时产生困惑。AI专家P12(案例1)观察到,当对临床医生的临床数据应用使用大语言模型的自动分类时,大语言模型可能识别出新的模式,这需要临床医生和技术专家的见解和解释:"我认为困难之处在于让他们(临床医生)了解为什么父母行为很重要,什么类型的父母行为很重要,以及如何对它们进行分类。区分不同类型的父母行为对于临床医生来说也很难澄清,对我们双方(作为临床医生和作为AI专家)来说都很困难。"
如果此类困惑不能及时解决,它可能会随时间积累,并对项目后续阶段(如模型评估或系统部署)产生重大影响。这种张力凸显了临床数据的双重角色。临床数据作为核心制品,在团队协作期间桥接了两个截然不同的专业领域的工作流,但当协作者以相互冲突的方式解释同一数据时,它也可能会引入混乱。
根据活动理论(AT)框架,协作者们共享一个宏观目标对象(即原始患者观察数据)。然而,他们使用不同的工具、遵循不同的规则,并处于不同的社区和劳动分工体系中,所有这些都会以不同的方式塑造产出。因此,数据作为一种共享工件,被反复地通过领域特定的视角进行转换。
应用活动理论框架并以活动三角作为图示,图8展示了沟通中的紧张关系如何由与AT若干关键组件相关的多个核心冲突所引发(例如,由于任务责任和交接不明确导致的"劳动分工"问题,以及由于临床专家与AI专家之间专业实践差异导致的"领域特定规则"不一致)。在设计过程中考虑劳动分工的同时,设计者还应考虑AI应在何时参与沟通、应呈现何种信息,以及应利用哪种类型的交互,从而使AI系统不会中断协作文档工作流程,而是恰当地在必要时介入。这一愿景需要精心设计的界面,以确保AI的建议或解释不会引入新的误解形式。活动理论明确指出,如果工具忽视了协作所处的更广泛的社会和制度背景,那么仅仅添加计算功能是不够的。
此外,活动理论网络中的共享工件可能会暴露出根植于知识鸿沟、术语不一致或目标不一致中的紧张关系,例如团队需要将其理解对齐到共同基础上的情况。这些紧张关系凸显了两种动机不同的活动有时依赖于同一个中介工件,但却以截然不同的方式进行解读。如果数据仅按照纯粹的临床分类体系进行编码,而从未被转化为计算标签,技术团队就无法有效地利用这些数据来开发模型。然而,不一致的规则、规范和劳动分工可能会引入矛盾。例如,为法律保护而限制临床医生标注患者数据的制度政策,可能与有效AI开发所需的灵活标注方法相冲突。我们的数据表明,劳动分工(例如,谁负责数据清洗、如何验证最终决策)对于缓解上述紧张关系尤为关键。明确每个团队成员的责任,并就每种任务中哪些数据表示形式至关重要达成明确共识,有可能缓解部分误解。
4.2.2 知识鸿沟与领域特定语言
在团队协作文档中,技术专家的整体工作流程以理解临床数据为前提,从而支持模型开发中的技术决策。然而,对于非医学专家来说,理解临床数据是一项非平凡的任务,因为这些数据是按照融入了专业知识的临床分类体系进行记录的。缺乏临床经验与知识通常会阻碍技术专家理解临床数据和分类体系的能力。类似地,临床专家也不具备理解技术专家所提供的模型预测数据和技术结果的技术知识。因此,临床专家可能难以判断模型输出对其工作流程是否有用,或是否足够可靠以指导实践。这些困难往往源于临床专家和技术专家各自使用的专门语言。每个学科的专门语言植根于专业教育的开端以及领域专家的持续实践。这类语言包含专门的术语、具有领域特定含义的概念以及缩写,只有经过相同教育和培训的人才能熟练使用和理解。经过多年实践与经验积累,领域专家在与同样背景的人讨论专业内容时,越来越熟悉如何使用领域特定的词汇——换言之,那些使用同一种语言的人。
例如,临床专家利用专业词汇来描述和记录其临床活动,如观察、诊断和干预措施。在医学教育和培训期间,所有具有相同专科的临床专业人员都会学习并掌握这些词汇,这使得临床专家能够在日常临床工作流程中彼此无歧义地沟通。类似地,技术专家也学会了使用带有专门术语和概念的专业语言,来一致地描述和理解技术规范(例如数据、计算算法和任务),并在与其他技术专家沟通时做到这一点。虽然领域特定语言促进了学科内部无缝的沟通,但这类排他性语言往往阻碍了跨学科之间的互动。从活动理论的角度来看,不同领域所使用的不同语言以及语言背后的领域特定知识,凸显了反映各社区内部规范的规则和工具。
在跨学科团队协作文档中,某个领域的专家——无论是临床还是技术领域的——在向非专家解释其领域特定知识时,可能并未意识到自己正在使用专门词汇。例如,当临床专家无法准确理解技术专家使用的某些技术术语并寻求进一步解释时,技术专家提供的额外解释可能会无意中涉及更多专业词汇的使用。在这样的沟通场景中,双方都很容易经历严重的挫败感,并可能因长期无法理解对方的解释,或无数次尝试阐明自己的观点却一再被误解而引发争执。
一位临床参与者在解释数据时强调了这种知识鸿沟的深度:
"我想我们之间有些沟通不畅,但我猜测那大概是我们唯一一次使用了不同术语的时候。或者,我不知道是不是跟我们无法理解的术语有关。"(P2,案例2)
另一位参与者进一步强调了在与临床医生沟通时降低技术门槛的重要性:
"我在和临床医生交谈时不会使用任何术语。在进行自然语言处理研究时,我们需要让它对临床用户友好,所以我们会尝试使用临床语言而非自然语言处理语言。大多数临床医生拥有硕士学位和统计训练背景,所有这些术语(机器学习、AI智能体)在他们的产品中都不适用。但当我们试图向他们推销产品时,可以展示产品是如何运作的。没必要向临床医生解释这些术语;那听起来让人不知所措。"(P12,案例1)
未解决的沟通问题会阻碍数据交接和模型评估。临床专家可能需要花费大量时间澄清标注的含义,而技术专家可能因误解而反复在重新标注或合并数据类别时遇到障碍。参与者指出,每次重新标注都有引入新的不一致的风险,尤其是在缺乏术语共享理解指导的情况下。这种动态与先前关于协作文档数据工作的CSCW文献相一致,但在这里它被临床实践的利害关系所放大。例如,对标签的误解可能会使整个模型预测的有效性受到质疑。
4.2.3 将数据作为边界客体
当知识鸿沟导致沟通不畅时,临床专家和AI专家自然会进行沟通以进行解释或澄清。然而,他们所使用的不同语言往往会进一步加剧解决沟通不畅问题的困难。为缓解沟通不畅,在访谈中双方专家都提到了一种特定方法,即利用临床数据作为"边界客体"。在CSCW文献中,边界客体指的是在多个实践社区中具有稳定身份但允许不同解读的对象[97]。我们的分析表明,临床数据具体如何实现这一功能,充当具体锚点以支撑抽象的临床和技术术语。当跨学科团队聚焦于特定电子表格、视频片段或文本块时,他们关注的是在领域特定分类体系下的源信息的有形工件。特别是,临床数据具有跨学科性,它传达了从临床场景中收集的相同底层源信息,并允许不同领域的专家根据自己的专业知识对其进行不同解读。在这种情况下,临床数据具有足够的"可塑性",可以借助不同的分类体系转化为各种表示形式(例如,临床专家使用的电子表格行/列,AI专家使用的模型就绪格式),同时又保持足够的"稳健性",使两个学科的专家都能识别出它指向的是相同的底层信息(即患者或临床事件)。通过保持这一共享参考点,临床数据成为口头解释和领域特定术语的可靠替代方案,无论其具体格式如何。
一位AI专家参与者指出,通过共享标注样本并将其作为模板提供,所有人可以就未来数据条目应如何结构化达成一致。通过这种方式,具体数据实例化了介于专业词汇之间的锚点:"我会先完成部分数据,然后给他们发送一个样本,他们可以根据我提供的样本完成剩余的数据。"(P6,案例2)
另一位AI专家参与者评论说,使用不同格式的多模态数据的好处使她能够重新获得临床洞察:
"将视频和音频录制与书面转录稿并行使用对我非常有帮助,尤其是因为转录功能不一定能捕获所有口述信息(例如,人们互相打断、说话人识别、确定某个声音来自某个人,能够回去识别到底是谁在谈论谁)。"(P10,案例2)
将临床数据作为边界客体,使协作者能够"通过"实际示例进行交流,而不仅仅依赖抽象解释。临床医生可以轻松解释为何某些患者属性或症状具有临床意义,而技术专家则可以展示这些属性可能被如何编码或处理以用于下游AI预测任务。这种方法使得澄清误解更加高效,并在细化项目范围或验证模型输出时形成更紧密的反馈循环。如果出现分歧,团队可以使用带有示例的数据表示作为演示,精确定位理解差距所在,并进行修改以寻求共识。
4.2.4 跨学科协作文档中知识中介的应对策略
虽然临床数据可以作为边界客体来帮助锚定跨学科讨论,但由于专门领域之间的语言障碍,持续存在的语言或概念差距仍未得到解决。在跨学科团队中,可能存在一些对两个领域都有足够熟悉的人,他们充当"知识中介"[21, 62, 69, 72, 82]。这些人在两个领域的交叉点发挥专长,可能是因为他们从先前的跨学科协作文档经验中学习了另一个领域的知识,或者在两个学科都接受过专家培训。这些人作为关键的沟通中介,通过发现误解并将专业知识转化为双方都能统一理解的格式来发挥作用。我们的主题分析确定了知识中介有效利用的三种应对策略。
(1)熟悉各领域的知识边界
知识鸿沟从根本上说是由各专业领域的知识边界之间的差距所界定的。有能力的知识中介需要对跨学科团队协作文档中涉及领域的知识边界有充分的了解。具体来说,知识边界包含两类信息:领域特定知识和专门语言。在临床AI协作文档中,领域特定知识通常包括医学或临床术语(例如诊断标签、标准干预措施)以及机器学习的基本原理(例如数据标注、模型评估指标)。对于每个领域,都制定了一套包含术语、概念和缩写的专门语言来定义和解释领域特定知识。领域专家统一学习专门语言,并在其专业工作流程中使用此类语言。因此,对知识边界的充分熟悉确保了知识中介拥有足够的信息来识别在团队协作文档中何时以及什么信息会导致误解。
一位技术专家描述了他处理超出其专业领域模糊信息的过程:
"模型有时无法捕捉到那些部分,有时模型会遗漏那部分。我们不知道在临床医生听来什么样的方法算好……在我们的设计中,我们不能忽略那些信息,因为我们不知道那些信息对临床医生是否重要……保留这些信息,把所有内容都放入'其他'类别,向临床医生征求意见,而不是直接划掉这些信息……我确实有过与不同团队合作的经验,每个人都有自己的领域知识,很难讨论顾虑/目标,也很难询问之前做过什么。"(P9,案例1)
(2)及时发现沟通不畅
鉴于对两个学科的知识边界和专业词汇的意识,知识中介需要能够及时识别沟通误解的迹象。例如,知识中介可以识别一方(例如临床专家)陈述的某些信息超出了另一方(例如技术专家)的知识边界。误解情况包括当某些概念和短语在不同的学科中转换完全不同领域的特定信息时,但两组的专家都没有意识到这种差异。在这种情况下,两组的专家都会错误地认为他们正确理解了对方,而误解的信号可能很难被检测到。例如,P13(案例 2)和 P11(案例 1)都是在不同项目的不同临床数据上工作的技术专家。然而,他们都遇到了难以表述的模棱两可的标注/临床文档实践。P13 不得不向临床专家解释自动语音识别(ASR)和“大型音频模型如何提供文本转录”的概念,而不使用技术术语,因此她在与临床专家沟通时想出了一个例子,就好像她必须向“小学生”教授这个概念一样:“如果你面前有一台食品机,你想从中获取可乐,这台机器就像大型数字模型。你想要可乐。你如何得到可乐?你通常需要付款并选择编号,对吧?对于大型语言模型来说,情况也是如此。你需要提供输入,比如我们的音频数据,然后你需要明确告诉它你想要什么,大型语言模型就可以给你结果。”(P13,案例 2)
图 8. 临床人工智能跨学科团队协作的活动三角视角。不同的背景颜色代表临床、技术和共享领域的知识边界。左侧三角形展示了在没有知识中介协助的情况下,临床专家和技术专家尝试在 AI 辅助工具上进行协作时的无效性,而右侧三角形展示了知识中介如何有效地利用临床数据作为边界对象来促进无缝协作。
该图比较了用于跨学科临床人工智能协作的两个活动理论三角形。左侧三角形显示了由于数据分类体系不一致、规则和标准不一致、任务责任和交接不明确以及沟通语言不同,导致临床医生和人工智能专家之间的协作无效。右侧三角形显示了当知识中介将临床数据用作边界对象、识别沟通偏差、将概念转化为共同语言以及协调临床和技术领域之间的分类体系时,协作得到了改善。
P11 通过“查看电子表格……(其中包含)非常鲜艳的颜色……红色、蓝色和橙色”进行了初步的临床数据工作,但这没有被清楚和一致地解释,导致难以理解。然而,通过多次持续的研究会议,他逐渐了解到他这边的工作是“主要适应那些起初确实说不通的事情……但它们可能对其他人(比如临床专家)具有某些重要的目的。”最终,他通过颜色编码学习了具体的行为分类推理,并评论道:“人们真的无法线索,了解它为什么是这样的背后的逻辑。我认为这是一个挑战,不仅是对临床专家,对我们研究人员自己也是如此。”
及时识别误解的能力对于促进有效沟通至关重要,因为如果不加以解决,误解会不断累积,并导致后期出现更严重的对抗。另一位技术专家描述了她与另一位临床医生在共同转录任务上进行沟通和协作的经历:“我与另一位临床医生合作进行数据清理,她也承担了人工处理数据的负担,倾听转录内容,进行对比,并捕捉不一致之处。这部分协作——因为她晚一点加入——需要向她解释我在过程中注意到的所有事情/挑战,以及我是如何解决它们的,学习如何重新传达我完全理解但我可能基于她的假设而做出假设的指令,这很有趣。进行开放的对话和协作——‘哦我遇到了这个挑战’——回去修补这些挑战。”(P10,案例 2)
(3)将专门语言转化为共同语言。能够识别知识差距对于在两个专业领域都有专业知识或知识的人来说是容易实现的。然而,解决由知识差距引起的沟通挑战是一个复杂得多的任务,需要知识中介仔细决定他们将要使用什么方法来解决这个问题。具体来说,这种决定往往会导致一个问题:知识中介需要用什么语言才不会引起新的混淆。重要的是,知识中介必须将领域特定的行话翻译成双方都能统一理解的一种特定语言。一位领导某项目人工智能工作的技术专家评论了她尝试翻译在与临床医生协作时的不同目标和沟通障碍的经历:“我们的思维方式非常不同,在最初,我试图理解那里的问题是什么,我后来了解到他们很难在最初识别问题。我认为我在这次协作中的个人经验是,我们花了一些精力来确定人工智能团队可以在项目中做的事情,这需要时间来最终确定。这是我做出的一个有趣的观察。除此之外,每次我们有问题时,他们都会试图回答我们。”(P13,案例 2)
在实践中,这三种能力反映了知识中介的功能类似于双语翻译员。他们必须不断在临床和技术参考框架之间切换,并确保不丢失任何重要细节。预期知识中介将不同的专业语言翻译成团队中每个人使用和共享的共同语言。通过这样做,不同领域的专家将能够使用相同的语言理解同一页面上的所有内容。对于所使用的语言重叠非常少的学科,例如临床领域和技术领域,每个人都能理解的共同语言通常是不包含任何专业行话或概念的通俗语言。因此,知识中介需要将发言人的专业语言翻译成每个人都能正确且统一理解的通俗语言,并且在沟通期间仅使用通俗语言,同时提供进一步的解释或澄清。
除了这些主题之外,使用活动理论(AT)还可以为人工智能在团队协作中辅助功能提供实际设计启示,具体涉及人类知识中介进行的活动。一种弥合知识差距的应对策略是利用数据示例作为边界对象,来“代表”它们所代表的信息“说话”。临床数据这一共享对象跨越了具有不同规则、工具和分工的多个社区;然而,语言障碍仍未解决。另一种策略是依靠有能力扮演知识中介角色的个人。如图 8 右侧图表所示,知识中介实现了不同领域专家之间共同语言的使用,以弥合沟通困难。
我们确定的这套知识跨越需求,如图 9 所示,确实为 HCI 和 CSCW 领域提供了重要的研究机会,以探索如何利用先进的人工智能技术更好地支持跨学科协作。诸如大型语言模型(LLMs)等人工智能技术有可能通过精心设计的人本交互和界面来实现上述前提条件。
图 9. 临床人工智能团队协作中的沟通障碍和应对策略插图。由于知识差距和语言障碍,领域专家之间的直接沟通是无效的,而可用的边界对象和知识中介可以帮助弥合误解。
该图左侧显示临床言语语言病理学专家,右侧显示技术人工智能专家,由于知识差距和语言障碍导致的无效沟通将两者分开。在他们下方,边界对象和知识中介被展示为应对策略。边界对象帮助对齐领域特定的分类体系,提供数据示例,并识别误解,而知识中介通过共享的知识定义和双方都能理解的共同解释来支持有效沟通。
总之,我们的发现表明,临床数据虽然是跨学科人工智能协作的核心,但当临床专家和技术专家带来关于如何标注、处理和解释数据的截然不同的领域特定视角时,它仍可能引发深层混淆。沟通障碍通常源于专业知识边界之间的差距和专业词汇的分歧。两种主要策略——利用数据作为边界对象和依靠知识中介——可以帮助缓解这些问题。活动理论通过将这些挑战置于每组动机、行动和共同规则的结构化视角中,进一步丰富了我们的理解。这种视角揭示了旨在弥合沟通差距的人工智能系统的多个设计机会。通过借鉴知识中介的技能组合并围绕定义明确的边界对象锚定交互,像大型语言模型等新兴技术可以被更有效地利用来支持真正的协作式临床人工智能开发。
5 讨论
我们的研究通过关注临床医生和技术专家如何共同利用共享的临床数据,以及在两个将人工智能整合到言语语言病理学评估和干预服务的项目中如何管理错位的分类体系、专业术语和知识差距,对临床人工智能中的跨学科团队协作进行了系统检查。通过采用活动理论(AT)[39, 76] 作为分析视角来评估两个案例研究,我们的工作调查了表面沟通挑战之外的内容,以分析与专业规则、分工和社区规范相关的潜在结构性错位和冲突。下面,我们结合现有的 CSCW/HCI 研究反思这些发现,提炼出对现有理论的贡献、对最佳实践的启示、基于人工智能的知识跨越工具的设计考虑,以及超越临床人工智能协作直接背景的未来工作机会。
5.1 利用活动理论揭示临床人工智能协作的结构性紧张
我们的发现强调了数据在临床人工智能协作中连接临床专家和技术专家的关键但有时具有问题性的作用。先前的工作强调了数据和代表性工件如何中介跨边界协作和分类工作 [14, 18, 22, 23, 71, 83, 97]。然而,我们认识到当不同的目标和专门的数据主题塑造临床专家和技术专家如何标注和解释相同的原始观察时,数据仍然是一把“双刃剑”。活动理论有助于解释为什么这些紧张局势反复出现:每个领域都遵循不同的规则和标准,同时追求独特的目标,但两者都依赖重叠的工件和工具 [92, 98]。与 healthcare 技术协作中沟通中断的零散、逐案分析 [17, 24, 68] 不同,我们使用 AT 框架的分析揭示了两个不同的临床人工智能协作中反复出现的结构性错位和冲突。随着人工智能扩展到专门的医疗领域 [57, 108, 114],系统级视角变得必不可少,以支持更无缝的协作和实际成果。活动理论强调,数据编码方案和领域特定语言的不匹配是交叉活动系统的模式化后果,而不是孤立异常 [23, 92]。
5.2 使用边界对象调解不对称性
我们研究的关键洞察之一是电子表格、标注转录本和其他有形工件可以充当“边界对象”[22, 97],它们足够灵活以适应每组的视角,又足够稳定以跨领域承载共享信息。跨学科团队不必依赖抽象定义,而是可以通过数据示例进行“对话”来建立上述的知识共同点。这与早期关于物理或数字工件如何锚定协作并澄清误解的 CSCW 工作相呼应 [6, 16, 35, 54]。除了简单地共享信息外,这些对象还起到调解这些团队内在的认识论不对称性的作用 [23, 99]。这种不对称性不仅根植于不同的知识,还根植于对关键资源的控制权,其中临床专家拥有临床数据资源,而技术专家拥有计算方法的专业知识。他们之间的相互依赖性创造了一种微妙的权力平衡,必须不断进行协商。
例如,原型系统使临床医生能够基于工作流集成情况对AI系统进行评估,这为他们提供了切切实实的方式来展现其临床专业知识,并平衡原本可能倾向于纯技术指标的权力动态[4]。在这种情况下,边界对象可能作为情境行动的场所发挥作用[99],其所承载的信息并非固定不变的,而是在协作者通过该制品互动时被积极协商的。在某些情况下,非数据类制品(如旅程图或界面原型)能够比原始数据更直接地揭示工作流中的不匹配问题[6]。然而,仅靠边界对象往往远远不够,当专业人员缺乏解释彼此领域特定术语、数据主题和分析框架的概念桥梁时尤为如此[23, 92, 101]。
5.3 知识中介与劳动分工
每个领域都使用各自的专业术语,这些术语在领域内部虽然功能正常,但在跨学科语境中使用时却可能造成混淆并强化知识边界[10, 44, 79]。我们的分析证实,"知识中介"[21, 62, 69]在跨学科团队中扮演着不可或缺的角色,其主要功能类似于"双语翻译者"[72, 105]。他们理解知识边界、迅速识别术语差异并将专业语言翻译为共享工作语言的能力,与先前的组织中介研究相符[21, 69]。这一角色通常通过"协调工作"来可视化[91, 92],后者描述了在复杂环境中协调相互依赖任务所需的、往往是隐形的努力。从这一视角来看,中介者是协调工作的主要推动者,他们管理着活动系统之间概念性、技术性和时间性的相互依赖关系[91]。跨边界协调可以被理解为在一个"交易区"中运作[28, 47],这是一个概念空间,各社区在其中开发本地接触语言或洋泾浜语以进行协作。在我们的案例中,中介者策划的制品(如数据术语表)发挥了洋泾浜语的功能,使得生产性交流成为可能。专业知识在不同个体间是动态且不均衡的,这要求中介者不断评估和调整其翻译。在我们的研究中,知识中介使得关于临床编码数据如何被重新用于AI建模以及AI结果如何以临床可解释的方式反馈给临床医生的协商更加富有成效。然而,正如其他研究者所指出的[21, 72],这些人员往往极其稀缺,当跨学科团队协作需求急剧增加而知识中介的可用性却停滞不前时,这可能放大了瓶颈或中断的风险。
尽管边界对象和知识中介似乎在中架协作鸿沟方面发挥了核心作用,我们的研究证实,跨学科团队也在明确的规章制度和机构指导方针下运作,这些规则在AT中被概念化为规则[41]。对于临床AI协作而言,这些规则可能包括伦理考量(如根据HIPAA规定的患者保密[5])、诊断疾病的职业标准,或影响模型开发时间线以及资源分配的数据共享指导方针。忽视这些规则可能导致协作停滞,即使边界对象和中介者本身运作有效也是如此。同样,"劳动分工"[65, 96]至关重要,却常被团队忽视。研究者们长期以来一直指出,在医疗等高风险环境中,参与者职责界定不清会产生摩擦和不信任[1, 11]。我们的发现进一步阐明了劳动分工以及管理它们所需的协调工作如何在AI系统开发的不同阶段发生变化。
5.4 跨学科团队协作最佳实践的启示
未来团队的一项最佳实践是在协作早期建立共同学习机会,以确保不同群体能够建立领域特定知识的共同基础。定期的知识交流会议,由临床专家和技术专家提供领域特定的培训或研讨会,有助于建立基础的跨学科理解。这一实践与先前的研究一致,后者强调了创建共享知识空间以促进学科间理解的重要性[26, 63, 78]。将共同基础工作作为明确的项目活动来处理,可以使这种劳动变得可见并受到重视,而不是临时性的[92]。我们还建议共同创建一个活的术语表,以减少混淆并从一开始就统一定义;这一策略与关于术语变异和跨学科协调的研究结果一致[10, 45]。此类制品使协调工作可见并分散在整个团队中,从而减轻了单一知识中介的负担。
尽管我们的案例特别聚焦于临床专家和技术专家,但临床AI协作经常涉及人机交互专家和利益相关者(如产品经理、数据分析师等),他们为团队带来各自的领域特定视角[88]。未来团队应考虑如何整合这些额外角色可能引入的新术语或需要新类型的边界对象,从而突出制定明确的沟通指南以管理这种增加的复杂性的必要性[26, 78]。
6 局限与未来工作
尽管我们的研究为临床AI领域的跨学科协作提供了新颖的见解,特别是在言语-语言病理学领域,但仍需注意若干局限性。首先,我们的实证背景专门局限于言语-语言病理学的临床实践以及涉及临床医生和AI专家小团队的远程医疗应用。塑造我们分析的活动三角形、网络和边界对象反映了这一专业领域,可能无法直接映射到其他领域或具有更广泛的临床AI工作意义的团队协作情境。我们识别出的挑战和缓解策略是否能够推广到更广泛或更复杂的跨学科环境(如大型工业研究协作)仍是一个待解问题。其次,虽然我们调查了不同领域的专家如何概念化、记录和解读数据,但我们并未深入研究从协作过程中衍生出的交互系统或界面的开发,例如基于网页的评估平台或基于应用程序的患者管理工具。第三,当前的案例研究由开发早期阶段的协作组成,模型尚未应用于临床实践。当前的分析侧重于"数据工作",如数据输入和准备(例如临床医生提供患者护理数据,技术专家处理数据用于模型管道)。因此,关于技术专家开发后的模型输出及其临床实用性的讨论是有限的。
我们的发现指出了未来研究的特定领域,这些领域直接基于上述局限性。首先,尽管临床数据在这些情境中发挥了有效的边界对象作用,但未来的研究必须考察这些协作动态和知识中介的作用是否在其他高度专业化的医学领域中同样运作,以期为类似临床-AI协作工作提供更普遍的研究贡献。其次,尽管我们的研究并未广泛调查协作系统的设计与开发以更好地促进跨学科团队协作,但AT的分析视角对于未来关于具体界面设计和系统原型开发的研究至关重要。借助关于临床人员和AI工作者知识边界和沟通需求的实证见解,未来工作可以使AI驱动的解决方案更易于使用并具有临床相关性。此外,尽管我们的参与者依赖于电子表格和转录本等静态制品,未来工作可以探索动态的或AI中介的边界对象如何主动识别和澄清术语不匹配问题,从而进一步支撑我们在案例中识别出的跨学科数据工作。最后,由于我们的分析主要捕捉了开发早期阶段的上游数据工作,纵向研究提供了一个必要的下一步。跟踪边界对象如何随时间推移而适应——随着模型的部署和临床团队评估下游AI输出——将揭示其对团队绩效和项目结果的长期影响[13, 84]。
7 结论
本研究考察了临床专家和技术专家如何就临床AI项目进行协作。通过采用活动理论(AT)作为结构化的视角,我们发现临床医生和技术专家从事着不同但相互依赖的数据工作,这在领域知识、专业术语和数据分类法方面产生了反复出现的协调张力和沟通障碍。虽然共享的临床数据作为重要的协调制品,但我们的发现表明,仅靠数据无法弥合更深层的诠释和工作流期望差异。相反,能够在临床和技术领域之间穿梭的人类知识中介者,在翻译概念、澄清假设和支持协作方面发挥了重要作用。总体而言,本研究通过展示共享制品、中介者角色和协调张力如何塑造临床AI协作的早期阶段,为计算机支持的协同工作(CSCW)领域的跨学科数据工作研究做出了贡献。未来的研究可以考察这些动态如何在开发的后期阶段演变,以及新工具是否能够更好地支持专业临床环境中的跨学科协调。