综述：人工智能与定性或混合方法在传染病研究中的交叉应用：一项范围综述

本综述系统探讨了人工智能（AI）与定性或混合方法（MM）在传染病研究中的融合应用，涵盖AI辅助分析（如自然语言处理NLP、主题建模LDA）、人类-AI协同研究及工具开发验证三大方向。研究强调AI提升大数据处理效率的优势，同时指出人类监督对确保伦理公平、上下文准确性的不可替代性，并为全球多样化研究场景（尤其是中低收入国家）提供方法学建议。

　　

引言

21世纪新发传染病的出现受多种因素驱动，包括森林砍伐、城市化、气候变异及社会动荡。全球合作者正积极投资创新策略以应对传染病威胁，其中人工智能（AI）和机器学习（ML）技术因其在诊断、风险评估、疫情预测和健康政策规划中的突破性应用而备受关注。然而，这些技术的伦理规范、数据隐私保护及技术可及性仍是待解决的关键问题。与此同时，社会科学研究通过定性或混合方法（MM）深入解析人类行为与健康相关的复杂动态，为传染病防控提供关键见解。尽管AI在健康领域的投资显著，但其与定性/MM方法的交叉应用仍缺乏系统探索。本研究通过范围综述，旨在描述AI/ML与定性/MM在传染病研究中的整合现状与方法学趋势。

方法

本研究遵循系统综述与Meta分析扩展范围综述（PRISMA-ScR）指南，检索PubMed、Scopus、Web of Science和Embase平台截至2024年2月12日的文献。纳入标准基于McCarthy（2007）的AI定义，即“使用计算机进行自动化决策以执行通常需要人类智能的任务”，并排除仅使用自动转录作为AI应用的研究。定性方法采纳Hancock等（2007）的定义，聚焦叙事、现象学、扎根理论、民族志等系统性研究；混合方法则参考Creswell和Clark（2017）的定义，强调定性定量数据的整合与解释。检索策略采用MeSH术语，涵盖AI相关词（如“机器学习”“自然语言处理”“神经网络”）及传染病相关词（如“疫情”“传染病”“全球健康安全”）。数据管理使用EndNote X9去重，并通过Excel图表分析出版年份、健康主题、地域、方法学等要素。

结果

初检获得1342条记录，去重后筛选1173篇，最终29篇符合纳入标准。其中86%（25篇）发表于2021年及之后，21篇聚焦COVID-19疫情，其余涉及HIV、mpox、Zika、登革热等疾病。地域分布上，52%（15篇）为多国研究，主要源于社交媒体数据的全球性特征；13篇限定单一国家，包括美国（4篇）、中国（2篇）及孟加拉国、匈牙利等国。

定性方法与混合方法

34%（10篇）研究符合混合方法定义，其余66%（19篇）为定性研究（以主题分析为主）。59%（17篇）研究分析社交媒体数据，其中Twitter（10篇）和Reddit（4篇）为主平台；17%（5篇）为实施科学研究（干预试点或工具开发）；其余涵盖医患通信、网站用户数据、文献综述等。

人工智能与机器学习方法

AI/ML技术分为五类：

1. 1.

   传统机器学习与统计方法（如逻辑回归、支持向量机、随机森林），用于分类与预测任务；

2. 2.

   强化学习（RL），动态优化干预策略；

3. 3.

   概率模型与贝叶斯网络，整合专家知识与观测数据进行推理；

4. 4.

   自然语言处理（NLP）技术，包括潜在狄利克雷分配（LDA）主题建模、情感分析、命名实体识别等，处理社交媒体等非结构化文本；

5. 5.

   深度学习与大语言模型（LLMs），如卷积神经网络（CNN）分析音频数据，Doc2Vec提升文本上下文理解。

方法学交叉与应用

AI与定性/MM的整合分为三类：

1. 1.

   互补分析：人类与AI结果比较整合（如Xue等2020年使用LDA与主题分析深度挖掘Twitter数据）；

2. 2.

   AI辅助主导研究：ML处理大规模数据后人类深化解读（如Al-Ahdal等2022年对比COVID-19与mpox discourse中的“自我化”与“他者化”叙事）；

3. 3.

   实施科学：开发AI工具后通过定性/MM验证（如Hightow-Weidman等2022年测试AI辅助HIV自我披露干预的实用性）。

核心发现

研究普遍强调AI提升数据处理效率与规模的优势，例如Towler等（2023）证实机器辅助主题分析（MATA）大幅节省时间且与人类分析结果高度一致。同时，人类监督被反复强调为确保语境准确性、伦理公平性的必要环节，如Barna等（2021）依赖人类注释者解读反犹主义阴谋论的 nuanced 内容。局限性包括平台偏差（如仅限英语社交媒体）、算法泛化能力不足及文化语境缺失问题。

讨论

AI与定性/MM的整合为传染病研究开辟了新路径，尤其在公共卫生紧急事件中实现大规模数据实时分析。然而，当前研究多停留在方法并行而非真正整合（定义为“迭代性双向反馈融合”）。未来趋势将聚焦生成式AI（GenAI）的应用，如CovLab项目使用LLM管道分析700万条COVID-19推文，提前7.63天预测病例，凸显其在实时监测中的潜力。

整合框架如质量源于设计（QbD）可结合AI预测模型与定性数据，加速疫苗研发；案例包括加州大学戴维斯分校与CEPI合作的VISTA病毒风险评估项目，整合专家洞察与AI数据挖掘支持公共卫生决策。

伦理与公平性挑战尤为突出：仅3项研究聚焦中低收入国家，且AI工具存在文化偏见（如LLM反映英语国家价值观）。建议未来研究强化本地数据所有权、基础设施公平性及算法透明度，并通过社区参与验证工具适用性。

结论

AI与定性/MM的协同显著拓展了传染病研究的广度与深度，但需框架确保方法整合的伦理性与可及性。人类 oversight 不可替代，尤其在捕捉细微社会动态方面。未来工作应注重跨文化验证、偏见 mitigation 及全球多样性包容，以推动这一融合范式在健康研究中的负责任应用。