《Biological Research For Nursing》:Partnering With Generative Artificial Intelligence for Quantitative Data Analysis in Nursing Research: A Practical Workflow for Ethical Collaboration
编辑推荐:
可重复性和可复制性是科学研究与伦理的要求,也是护理科学与研究中信任的基础。二者均依赖于对数据实际分析过程的透明记录。生成式人工智能(generative artificial intelligence, GenAI)在研究中的应用日益广泛,与此要求相交织,既可
可重复性和可复制性是科学研究与伦理的要求,也是护理科学与研究中信任的基础。二者均依赖于对数据实际分析过程的透明记录。生成式人工智能(generative artificial intelligence, GenAI)在研究中的应用日益广泛,与此要求相交织,既可能支持也可能削弱这一要求,然而关于如何开展GenAI辅助定量分析的实践指导仍然有限。这一空白对于护理科学家而言尤为突出,因为他们越来越多地处理涵盖基因组学、症状和患者结局的复杂生物信息数据集。为填补这一空白,研究人员基于一项聚焦于护理领域的基因组学研究实例,提出了一份关于在护理研究定量数据分析中与GenAI合作的实践指南。该指南涵盖了GenAI素养的三个维度(技术、实践和伦理),以及一个包含两个阶段的人机协作工作流程,涵盖规划与预指定、代码开发、正式分析、翻译,以及人类审查和GenAI使用披露。其核心原则是将GenAI作为工具而非决策者使用,因为科学诚信要求人类保留解释权。研究人员进一步提出了一种“合成数据优先”的方法作为隐私保护措施。虽然通过遗传学实例加以说明,但这些原则和工作流程可推广至许多定量护理研究情境。
研究背景与现存问题
可重复性(reproducibility)和可复制性(replicability)是科学研究的伦理要求和信任基础,二者都依赖于对数据分析过程的透明记录。然而,大量研究表明许多研究未能达到这一标准。随着护理科学数据的复杂性不断增加——例如在精准健康研究中,研究人员越来越多地整合基因组学、症状和患者结局等多维大数据集——透明的文档记录变得更具挑战性。与此同时,生成式人工智能(generative artificial intelligence, GenAI)作为研究工具的快速兴起与这一文档记录需求相交织,GenAI既有潜力支持可重复性,也可能削弱它。尽管已有一些关于GenAI使用报告标准的指南(如ICMJE和GAMER),但这些指南侧重于如何报告GenAI的使用,而非如何进行GenAI辅助的分析。因此,研究人员开展本研究,旨在提供一份实用的、有原则的工作流程,用于在护理研究定量数据分析中与GenAI进行伦理协作。
研究方法与关键技术
本研究采用实践导向的指南制定方法,以一项虚构的护理基因组学研究为例进行说明。该示例假设一个研究团队探讨Gene X(一个假想基因)中13个CpG位点的DNA甲基化(DNA methylation, DNAm,一种不改变DNA序列但影响基因表达的化学修饰)是否与动脉瘤性蛛网膜下腔出血(aneurysmal subarachnoid hemorrhage, aSAH)后患者报告的头痛结局相关。研究基于一个现有aSAH队列,共650例患者,其中200例有全基因组DNAm数据。主要技术方法包括:(1)建立GenAI素养框架,涵盖技术、实践和伦理三个维度;(2)提出一个两阶段工作流程,第一阶段为规划与预指定,第二阶段包括基于合成数据的代码开发、扩展到真实数据、统计结果的翻译以及最终的人类审查与披露;(3)采用“合成数据优先”(synthetic-data-first)方法作为隐私保护措施;(4)通过四个示例提示(prompt)展示如何在关键工作节点进行伦理的、有目的的GenAI交互。
研究结果
Phase One: Planning and Pre-Specification(第一阶段:规划与预指定)
在第一阶段,研究人员首先独立阐明研究问题、数据结构、计划的分析方法和已知挑战,然后将GenAI作为推理教练引入,要求其对研究人员的思路进行挑战和完善。有效的提示涉及为GenAI分配特定角色和限定任务。示例提示1展示了如何将GenAI分配为批判性审稿人角色,要求其识别弱点、暴露假设并比较替代方案。研究人员强调,GenAI生成的任何建议都应被批判性评估,包括检查幻觉(hallucinations,听起来合理但不正确的信息)和误用的统计方法,并应交叉参考可信的外部资源。有效的GenAI协作是迭代的,单个提示很少能产生最终答案。一旦分析计划经过迭代讨论和外部验证(如生物统计学家咨询),应将其正式记录为一份简洁的预指定分析提案,并在编写任何代码前提交给整个研究团队审查批准。
Phase Two: Execution, Translation, and Disclosure(第二阶段:执行、翻译与披露)
第二阶段从代码开发开始,基本原则是“合成数据优先”。这意味着在引入任何真实参与者数据之前,先用模拟数据构建和测试完整的分析工作流程。示例提示2展示了如何提示GenAI创建与真实aSAH数据结构匹配的可完全复现的合成数据集。在代码开发过程中,GenAI可用于起草初始代码、调试错误消息、优化注释现有代码以及用通俗语言解释统计输出。示例提示3展示了如何将GenAI分配为代码开发者角色,要求其为主要的回归分析编写带注释的R代码,并构建一个可重用的函数。一旦代码在合成数据上构建并验证,可通过替换数据导入部分扩展到真实数据。研究人员指出,真实数据集比模拟数据更杂乱,需要控制性的真实数据验证阶段,包括模式检查、描述性审查、模型诊断、记录协议修订和独立统计验证。翻译和解释阶段中,GenAI被用作统计翻译器(示例提示4),将数字转化为文字,但研究人员保留全部解释权。工作流程以人类审查和透明披露结束,所有代码由人工逐行审查,并在所有研究产品中披露GenAI参与情况。
讨论与结论
讨论部分指出,本工作流程的每个阶段都对应特定的保障措施:预指定创建可审计的分析决策记录;合成数据优先减少隐私风险;人类审查和披露确保GenAI贡献被记录而非隐藏。这种结构不仅与透明度共存,而且具体化了可重复性和可复制性所依赖的文档记录。GenAI也存在真实限制和风险,包括幻觉、误用的统计方法、有缺陷的代码和微妙的偏见。输出质量因平台和提示而异,同一提示在不同会话中可能产生不同结果。合成数据优先方法的保护并非绝对,从真实数据衍生的分布参数会泄露真实的聚合信息。此外,过度依赖GenAI可能绕过学习空间(learning space),导致“理解错觉”(illusion of understanding)而非持久的能力。证据表明,无保护的GenAI辅助可能显著损害后续的无辅助表现,而更有引导性的提示式GenAI使用则基本避免了这种伤害。本研究提供的指南和实践原则是基于经验和专家意见的,而非经验验证的,未来研究应评估其在多样化护理研究环境中的可行性、可接受性和影响。
结论翻译
护理科学家是患者数据和科学知识的受信赖的管理者,这种信任也延伸到了研究人员如何使用可用工具。对于那些选择在研究中使用GenAI的研究人员,本文提出的原则和工作流程提供了一种在实践中以伦理、负责任和透明的方式使用GenAI的方法,这种方法能够加强而非损害护理科学所需的严谨性和可重复性。