数字时代下跨学科研究问题定义的实践优化：基于名义群体技术的共识研究

为解决数字健康研究中跨学科协作的术语差异和方法冲突问题，苏黎世大学团队通过共识研究方法开发了包含术语表、工作流程和教学工具的创新框架，提出3类适应性调整（现实约束考量、迭代式问题构建、FAIR原则强化），为培养数字健康人才提供了结构化解决方案。

　　

在数字化浪潮席卷医疗健康的今天，社交媒体轨迹、可穿戴设备记录和移动定位数据等"数字生命"信息正成为研究新宠。这些非结构化数据(unstructured data)虽蕴含巨大价值，却给传统健康研究带来双重挑战：一方面，临床医学惯用的线性演绎式研究路径与数据科学探索性迭代方法存在天然冲突；另一方面，缺乏标准化教学框架导致跨学科协作效率低下。这种割裂现象在年轻研究者身上尤为明显——他们不得不同时驾驭假设驱动的严谨性要求与数据驱动的灵活性需求。

苏黎世大学Digital Society Initiative健康社区的VvW和JS领衔的团队，在《JMIR Medical Education》发表的研究给出了破局方案。研究采用名义群体技术(Nominal Group Technique)组织21名跨领域专家，通过文献综述、三轮共识研讨会和术语表构建，形成了一套包含"内容-课程"与"方法-教学"双维度的教育工具包。

关键技术方法包括：(1)快速文献回顾建立基础工作流框架；(2)三阶段德尔菲式专家研讨会（术语共识、工作流验证、适应性调整）；(3)基于FINER（可行、有趣、新颖、伦理、相关）和PICOT（人群、干预、对照、结果、时间）等工具的教学转化设计。研究对象涵盖苏黎世大学13名健康研究者、3名数据科学家和7名社科人文专家。

研究结果
建立共同术语：开发的术语表明确定义了"研究任务"(research task)、"非结构化数据"等12个核心概念，特别区分了探索性研究(exploratory research)与验证性研究(confirmatory research)的方法学差异。

总结既定工作流：构建的标准化流程包含从灵感获取到假设验证的6个步骤，整合了STROBE、TRIPOD等报告规范，强调FINER-SMART-PICOT工具链的协同应用。

适应性调整建议：提出3类关键改进——在"内容"维度增加数据预处理和算法选择步骤；在"方法"维度引入3RG标准（可重复性reproducibility、稳健性robustness、泛化性generalizability）和FAIR（可查找、可访问、可互操作、可重用）数据原则。

教学实施工具：开发的三阶段教学模式（术语共识→流程演练→案例实践）已在课程中验证效果，特别适合指导硕士/博士生的跨学科课题。

这项研究的重要意义在于首次系统梳理了数字健康领域的跨学科研究方法学框架。通过将数据科学的迭代特性与传统研究的严谨性有机结合，提出的"研究任务连续体"概念（将探索性分析与假设验证视为知识积累的不同阶段）弥合了方法论鸿沟。教学工具的推广应用有望培养新一代具备"双语能力"的数字健康研究者，而强调透明度和可重复性的设计原则，则为应对算法黑箱和数据伦理挑战提供了实践指南。研究同时呼吁资助机构重视研究问题定义阶段的资源投入，这将对提升数字健康研究的整体质量产生深远影响。