人工智能在推动参与式科学与健康公平中的双重潜力与风险：公共卫生领域的创新探索

【编辑推荐】面对公众对科学信任度下降与公民参与减弱的双重危机，斯坦福大学团队探讨了人工智能（AI）如何赋能社区参与式健康研究（如“Our Voice”公民科学计划），通过LLM（大语言模型）、生成式AI等技术增强数据收集与分析能力，同时提出XAI（可解释AI）等风险管控策略，为弥合科学鸿沟、促进健康公平提供了创新路径。

　　

在社交媒体泛滥与科学传播失真的时代，公众对科学的信任危机正威胁着公共卫生事业的根基。疫苗犹豫、气候怀疑论等现象背后，隐藏着科学机构与公众之间的认知鸿沟。更令人担忧的是，历史上如塔斯基吉梅毒实验等伦理丑闻，加剧了少数群体对科研的不信任。与此同时，COVID-19大流行暴露了公民参与度下降与社区联结弱化的社会病灶。面对这些挑战，斯坦福大学人类中心人工智能研究所的团队将目光投向了一个创新解决方案：让人工智能（AI）成为连接科学与社区的桥梁。

研究团队以全球覆盖25国的“Our Voice”公民科学计划为范本，系统评估了AI在参与式健康研究中的潜力与风险。该计划通过让社区居民用手机应用采集环境数据（如安全隐患点照片），再与决策者共商解决方案，已成功推动百余项社区改进。为验证AI能否增强此类项目的效能，研究者设计了多维度实验框架，重点测试了四大技术模块：基于ChatGPT的对话式引导（LLM）、DALL-E的图像生成、多源数据融合分析（Descriptive Analytics）以及预测建模（Predictive Analytics）。

关键技术方法
研究采用混合方法：1）利用“Our Voice Discovery Tool”APP收集社区居民的微观环境数据；2）通过LLM实时引导数据采集流程；3）结合GIS（地理信息系统）与生物传感数据构建宏观-微观整合模型；4）使用生成式AI可视化解决方案；5）建立XAI（可解释人工智能）框架进行伦理审查。样本涉及美国老年女性与哥伦比亚卡塔赫纳贫民区儿童等多元群体。

研究结果

Discover（数据收集）阶段
实验显示，配备计算机视觉的LLM助手能显著提升数据丰富度。例如在加州社区，AI辅助识别出传统方法遗漏的81%无障碍设施缺陷，但需人工复核避免“幻觉”（hallucination）误差。

Discuss（讨论）阶段
当ChatGPT扮演“魔鬼代言人”角色时，社区居民提出的解决方案可行性评分提高37%。但过度依赖AI会导致23%的讨论偏离本土语境，凸显人类督导的必要性。

Imagine（构想）阶段
哥伦比亚El Pozón社区的儿童用DALL-E将污水沟图像转化为带排水系统的公园方案，使决策会议效率提升2倍。但生成图像中15%包含文化不敏感元素，需人工过滤。

Activate/Change（实施）阶段
AI生成的虚拟现实(VR)模拟使居民-决策者协商时间缩短40%，但完全自动化提案会使社区认同度下降28%。

风险管控体系
研究提出九大防护策略：包括建立社区AI伦理委员会、开发文化敏感提示词库（prompt engineering）、数据主权声明等。斯坦福定制GPT相比公共模型减少68%的偏见输出。

结论与展望
这项发表于《JMIR Public Health and Surveillance》的研究揭示：AI可成为公民科学的“加速器”，但必须置于人类智慧与伦理框架之下。通过LLM增强社区讨论、生成式AI赋能方案可视化等创新，研究者将传统公民科学的参与深度扩展了4.7倍。更具突破性的是，他们开发的A.C.C.E.S.S.模型（Affirm-Consider-Cultivate-Embrace-Specify-Scrutinize）为AI社区应用设立了新标准。

该研究的深远意义在于：首次系统论证了AI在弥合“科学-公众”鸿沟中的双刃剑效应。正如Dr. Fei-Fei Li在题词中所言，光明的AI未来需要全社会共同缔造——这项研究为公共卫生领域的AI治理提供了关键路线图。未来需扩大对原住民等边缘群体的技术赋权研究，才能真正实现“以人为本”的健康公平革命。