参与式系统方法在社区联盟中可视化与测试实施策略及机制：以循证采纳为例

《Implementation Science Communications》：A participatory systems approach for visualizing and testing implementation strategies and mechanisms: evidence adoption in community coalitions

本研究针对传统实施科学方法难以应对现实世界复杂系统挑战的局限，提出并应用了一种名为“参与式实施系统制图（PISM）”的方法。通过结合因果循环图（CLD）和存量流量图（SFD），研究人员与社区咨询委员会（CAC）共同识别了50余个实施决定因素，并设计了包括网络编织、结构化证据审查在内的五项核心策略。模拟结果显示，策略组合（如增加审查频率并辅以决策支持工具）能显著提升知识积累和采纳速度。该研究为在复杂社区环境中设计、操作化和初步测试适应性实施策略提供了可复制的实践范例。

　　

在公共卫生领域，将经过科学验证的循证干预措施（Evidence-Informed Interventions, EIIs）转化为社区实践，是改善人群健康的关键。然而，这一过程往往充满挑战。传统的实施科学方法通常将实施过程视为一个线性序列：识别障碍、应用策略、监测结果。这种简化模型在应对现实世界复杂、动态的社区系统时，常常显得力不从心。社区联盟作为推动变革的重要力量，其内部成员、组织结构和外部环境相互交织，形成了复杂的反馈回路和非线性关系。例如，成员间的信任度会影响知识传播的速度，而知识的普及又会反过来增强信任，形成一个自我强化的循环。因此，如何设计出能够有效应对这种复杂性的实施策略，并清晰地阐明其作用机制，成为实施科学领域亟待解决的问题。

为了填补这一空白，由Travis R. Moore领导的研究团队在《Implementation Science Communications》上发表了一项研究，提出并应用了一种名为“参与式实施系统制图（Participatory Implementation Systems Mapping, PISM）”的创新方法。该方法旨在通过系统科学的工具，将实施策略和机制可视化、操作化，并进行初步测试，从而为在复杂社区环境中设计适应性策略提供实践指导。

本研究主要采用了参与式系统建模（Participatory Systems Modeling）这一核心技术方法。研究团队与一个由5名成员组成的社区咨询委员会（Community Advisory Council, CAC）合作，通过8次结构化的线上会议，共同构建了实施系统模型。具体方法包括：利用因果循环图（Causal Loop Diagram, CLD）来可视化系统决定因素之间的动态关系；利用存量流量图（Stock-and-flow Diagram, SFD）将策略和机制操作化为可量化的系统变量；以及通过模拟（Simulation）来测试不同策略组合对系统行为（如知识积累、采纳决策）的预期影响。整个研究过程严格遵循了实施研究报告标准（Standards for Reporting Implementation Studies, StaRI），并整合了实施科学领域的关键框架，如实施研究综合框架（Consolidated Framework for Implementation Research, CFIR）和实施策略专家建议（Expert Recommendations for Implementing Change, ERIC）。

Stage 1: Surfacing determinants and organizing system relationships

在研究的第一个阶段，研究人员与社区咨询委员会（CAC）共同构建了一个关于影响循证干预措施（EIIs）采纳的决定因素和路径的概念模型。通过两次会议，团队识别并提炼了超过50个潜在的决定因素，并利用联盟理论和实施理论将其组织起来。这些决定因素涵盖了个人层面（如自我效能感、信任）、联盟层面（如群体知识、领导力）以及社区层面（如资源限制、社区优势）等多个维度。最终形成的概念模型以联盟发展的三个阶段（形成、动员、采纳）为框架，强调了集体效能、共同愿景和沟通质量等涌现属性在联盟动态演变中的核心作用。该模型为后续的系统动态建模奠定了坚实的理论基础。

Stage 2: Mapping causal pathways and identifying leverage points

在第二阶段，研究团队与CAC成员合作构建了因果循环图（CLD），以模拟关键实施决定因素之间的动态关系。研究识别出了两个核心的反馈回路。第一个是“知识扩散回路”，它展示了审查证据如何增加个体对EIIs的知识，进而提升群体层面的知识水平。随着群体知识的增长，策略的可见性和可观察性得到改善，从而通过社交网络加速知识扩散，形成一个自我强化的循环。第二个是“强化能动性与积极态度回路”，它始于个体的自我效能感和对EIIs的感知相对优势，这些因素共同促成了对证据的积极态度，进而提高了采纳的可能性。采纳行为反过来又会强化感知的适当性和可行性，进一步增强了自我效能感。基于这些回路，团队识别并优先选择了四项相互关联的实施策略，包括促进网络编织、促进知识交流、告知地方领导者和开展结构化证据审查会议。

Stage 3: Operationalizing strategies through mechanistic system modeling

第三阶段的研究重点是将概念性的因果循环图（CLD）转化为初步的存量流量图（SFD），以定性地表示实施策略如何随时间推移对EIIs的采纳产生因果影响。该模型包含了六个核心存量，例如证据审查、证据知识、群体证据知识等。研究将“结构化证据审查”这一伞形策略分解为四个可操作的组成部分：促进知识交流、促进网络编织、告知地方领导者和结构化证据审查会议。每个组成部分都被嵌入模型中，通过一组实施机制来影响采纳行为。例如，“告知地方领导者”被建模为流入个体知识存量的流量，而“促进网络编织”则被建模为扩大知识扩散范围的辅助变量。这一阶段的研究成功地将抽象的策略转化为具体的、可测量的系统变量。

Stage 4: Refining, quantifying, and testing strategy pathways through simulation

在研究的最后阶段，团队对存量流量图（SFD）进行了量化和简化，并初步模拟了实施策略的路径。模拟结果显示，将证据审查会议的频率从每月一次增加到两次，在12周内使证据知识存量加速了约17%。然而，这种知识增长仅带来了4%的采纳决策改善，表明在缺乏补充策略的情况下存在收益递减效应。知识扩散率受到网络密度、互动质量和结构化知识交流频率的影响，范围在每周0.02至0.08之间。引入决策支持工具后，达到采纳阈值（≥0.5可能性）的平均时间从28周缩短至25周。此外，模拟还发现，感知相对优势对联盟的准备度有强烈影响，在模拟中期引入该变量后，采纳决策存量在随后的15周内加速了22%。这些模拟结果强调了策略组合的重要性，即单纯增加知识积累是不够的，必须辅以决策支持和关注证据特征等策略，才能有效将知识增益转化为采纳行为。

本研究通过应用参与式实施系统制图（PISM）方法，成功地将系统科学工具与实施科学理论相结合，为在复杂社区环境中设计、操作化和初步测试实施策略提供了可复制的实践范例。研究不仅识别了影响社区联盟采纳循证干预措施（EIIs）的关键决定因素和动态反馈回路，更重要的是，它将抽象的实施策略（如“结构化证据审查”）分解为具体的、可测量的组成部分和机制，并通过模拟揭示了策略组合的协同效应。研究结果表明，单纯增加知识供给的策略存在收益递减效应，而将知识积累策略与决策支持工具等策略相结合，才能更有效地将知识转化为行动。这项研究的意义在于，它回应了实施科学领域对应用系统方法的迫切需求，展示了如何通过参与式建模使实施机制变得可见、可测试且可适应，从而推动该领域从线性规划向更具适应性、机制驱动且与利益相关者需求相一致的方法转变。