弥合临床人工智能中的知识鸿沟:基于活动理论的远程医疗跨学科数据工作视角

《Proceedings of the ACM on Human-Computer Interaction》:Bridging Knowledge Gaps in Clinical AI: An Activity Theory Perspective on Interdisciplinary Data Work for Telehealth

【字体: 大 中 小 】 时间:2026年10月16日 来源:Proceedings of the ACM on Human-Computer Interaction

编辑推荐:

   摘要 随着人工智能技术的不断发展,其正被日益广泛地整合到临床领域,以推动患者护理的进步。临床人工智能技术的设计与开发需要临床专家与技术专家之间实现无缝协作。然而,这类跨学科团队往往难以取得成功,且缺乏对协作障碍及应对策略的系统分析。本研究在言语语言病理学的背景下,通过对六名

  

摘要

随着人工智能技术的不断发展,其正被日益广泛地整合到临床领域,以推动患者护理的进步。临床人工智能技术的设计与开发需要临床专家与技术专家之间实现无缝协作。然而,这类跨学科团队往往难以取得成功,且缺乏对协作障碍及应对策略的系统分析。本研究在言语语言病理学的背景下,通过对六名临床专家和七名技术专家的半结构化访谈,考察了两项临床人工智能协作案例。我们以活动理论作为分析视角,探讨了临床与技术工作流之间持续存在的知识鸿沟和协作紧张关系,并展示了临床数据如何发挥边界对象的作用,而跨学科协作者又如何充当知识中介来帮助解决这些挑战。

我们的研究结果为CSCW领域关于跨学科团队数据工作的研究做出了贡献,揭示了共享临床数据、边界对象和中介角色如何塑造早期临床人工智能协作中的协调工作,并为未来的协作最佳实践提供了洞察。

第一章 引言

人工智能的最新进展为跨学科团队协作开辟了广阔的机会,尤其是在临床和健康领域。早期的临床人工智能协作主要聚焦于分析电子病历系统中的临床信息,以支持医院环境中的管理性需求(如记录患者入院和组织数据)和临床查询(如疾病进展建模、治疗效果分析)。近年来,相关工作将人工智能驱动的能力扩展到普适计算场景,其中患者-医疗提供者沟通、临床决策、远程监测以及评估等方面日益依赖先进的AI技术。这些应用的成功设计与开发依赖于临床专家和技术专家之间的紧密合作,以产出符合现实医疗实践的成果。

人机交互/计算机支持协同工作(CSCW)研究人员对医疗领域的跨学科工作进行了广泛研究。基础性研究考察了协调临床任务的复杂性以及在复杂场景中管理依赖关系、协调不同活动所涉及的巨大工作量。尽管临床医生的工作流程严格遵循既定机构指南并优先考虑患者结果,但技术专家主要以数据为导向,专注于定义明确的计算任务并优化模型性能指标。这种领域特定目标和实践的错位可能导致在协作目标、劳动分配甚至成功结果定义方面的根本分歧。尽管这些障碍在零星的个案研究和调查中有所提及,但当前研究缺乏对临床团队与技术团队之间常见的结构性冲突和紧张的深层分析,以及跨学科团队在将人工智能整合到复杂临床环境时如何共同缓解这些挑战的探讨。理解跨学科边界的工作流程有助于CSCW研究人员、以及医疗健康信息技术的交互设计师和开发人员,在为健康领域创建AI技术时更好地沟通和协作。

为弥合这一差距,本研究以活动理论为指导性分析视角,识别临床人工智能协作中临床专家与技术专家之间的挑战与应对策略。活动理论是一个理解人类活动及其社会、文化和历史背景的概念框架,它通过统一视角将人类活动视为一个交互元素的系统:主体(个人或群体)、客体、工具、规则、共同体和劳动分工。在医疗背景下,活动理论已被有效地用于调查和考察临床工具和程序如何塑造协作任务。活动理论尤其适用于我们关于跨学科临床人工智能协作的调查,原因如下:首先,由于活动理论可以描述层次结构并分解活动的行动和操作,使用活动理论作为分析框架可以系统性地建模临床和技术专家之间不同但相互关联的活动(如数据分析与解释、记录和整理)。其次,利用活动理论作为分析框架使研究人员能够深入探究表面上沟通协调困难之下的根本性错位或冲突。第三,由于活动理论认识到活动是通过工具中介的,这种认识论立场有助于研究人员解释跨学科协作语境中用户与工具之间的关系。综合来看,活动理论成为帮助识别临床人工智能跨学科研究和协作最佳实践的一个有前景的框架。

基于这些见解,我们运用活动理论分析了两项言语语言病理学家与技术专家之间的跨学科协作案例,这些技术专家正在远程研究协作的背景下应用人工智能方法(如自然语言处理)来优化远程医疗环境中的临床工作流程。通过对这两项协作中的13名临床专家(6名)和技术专家(7名)进行半结构化访谈,我们调查了两组人如何独立和协同地完成临床数据的收集、编码和转换,以供下游人工智能管线使用。我们的分析由以下研究问题引导:

研究问题1:临床人员和技术人员在临床人工智能研究中如何独立和协同地执行其工作流程?

研究问题2:出现了哪些沟通紧张和数据相关挑战,跨学科团队如何制定应对策略来应对和解决这些挑战?

我们的分析强调了活动理论如何被用作分析框架来系统性地:1)剖析跨学科知识工作者如何利用不同的数据工具执行领域特定的工作流程(如临床和技术);2)揭示不同专家组之间不同但相互交织的工作流程中的紧张点;3)识别沟通障碍及相应的应对策略来解决这些挑战。具体而言,我们的发现表明,具体的临床数据通常充当"边界对象",锚定讨论,而具备跨学科专业知识的人类知识中介则引导临床人工智能协作中专业语言的"双语翻译"等关键活动。研究进一步识别了根植于不同的专业实践(如不同的数据处理方式)和目标(如临床记录与模型部署)中的核心冲突(如分类法知识缺口),这些冲突在围绕临床数据的错位工作中最为明显。通过活动理论视角系统地回答研究问题,我们的贡献拓宽了当前CSCW和HCI领域对复杂临床和技术工作流如何整合到面向现实领域特定场景的人工智能开发更广泛生态系统的认知。通过活动理论视角,我们展示了如何聚焦于共享目标、中介制品以及遵循学科规则的适当劳动分工,可以揭示复杂的协作模式。这一视角为未来旨在赋能AI解决方案支持跨学科团队协作的HCI/CSCW研究和系统设计提供了实用指导。研究结果深化了我们对不同专业知识体如何协同产出AI赋能解决方案、同时管理相互竞争的行话、专业身份和研究需求的理解。鉴于技术的快速进步,识别并应对这些细微的跨学科动态是确保团队协作中稳健、可信且有效的人本主义AI的关键。

第二章 相关工作

2.1 活动理论作为探索跨学科团队协作的分析框架

活动理论提供了一个全面的框架,用于理解协作场景中人类活动、工具和社会背景之间的复杂相互作用。活动理论最初源自维果茨基的工作,后由恩格斯特朗扩展,它为分析跨学科团队协作提供了一个视角,聚焦于人们、工具和更广泛的组织结构之间的互动方式,通过使用活动三角模型。如图1(左)所示,恩格斯特朗提出的典型活动三角包含构成个体活动全面视图的七个关键元素,包括主体、客体、工具、规则、共同体、劳动分工和成果。特别是,活动三角中最关键的元素是顶部三角形,它聚焦于主体、客体和工具之间的关系与互动,恩格斯特朗通过增加底部三个元素来补充该图。在本研究中,我们主要使用顶部三角形来理解临床和技术专家工作流的活动系统,同时也利用完整的活动理论三角模型对临床人工智能协作中的错位和冲突进行全面分析。此外,卡佩尔尼宁和纳尔迪呈现了活动的层次结构,通过分解活动为更高粒度并使其与不同层次的心理学概念作为目标成果相一致。如图1(右)所示,层次化的活动理论结构区分了动机驱动的活动、构成它的目标驱动的行动,以及条件驱动的操作,这使得研究人员能够解构复杂的工作流程并识别可能不那么明显的系统性矛盾。

人机交互领域的综述文章解释了活动理论如何作为分析和设计框架运作,并阐明了它在实证研究中常见的使用方式。特别是,活动理论已被以几种不同的方式用于研究复杂的医疗环境。在CSCW领域,研究使用活动理论分析医院工作并得出设计启示,包括病房和手术室工作流程的活动分析,以及基于活动的计算来指导支持临床场景中多任务处理、移动性和协调的临床基础设施。此外,活动理论已被用于定义工作客体并识别信息设计特定健康技术设计和评估的挑战,如理解患者在自我量化中的活动、管理患者健康信息周围的风险以及设计不良反应报告工具。活动理论还作为理解学习和促进组织变革的有力视角,如考察医疗团队如何发展专业能力并创新其实践。尽管有这些大量研究工作,大多数研究聚焦于情境化的临床工作和记录,但很少有研究将端到端的临床人工智能开发视为跨越数据工作、建模、评估和集成的联合活动。我们的工作通过活动理论来审视客体、工具、规则和劳动分工在何处错位或冲突,以及跨学科临床团队与AI团队采用了哪些中介策略,从而填补了这一空白。理解这些动态可以为开发更好地支持跨学科团队有效协作和实现共同目标的工具和策略提供信息。

图1。左:活动理论的恩格斯特朗三角模型,也称为"活动三角"。右:活动的层次结构。在本工作中,我们主要关注活动理论系统中的顶部三角形,包括主体、客体、工具及其关系。

2.2 跨学科团队协作中的知识中介与边界对象

跨学科团队协作中长期存在的挑战是管理分离专家领域(如临床领域和技术领域)的知识边界。知识边界是由于教育、专业培训、术语和方法论方法的差异而产生的,这可能导致沟通困难和误解。边界对象和知识中介在促进知识边界之间的沟通和协作方面发挥着关键作用。具体而言,边界对象被定义为"具有可塑性和稳健性"的实体,它们可以被每组人不同地解释,同时保持足以让所有相关方识别和使用的共同结构。边界对象在跨学科研究中具有重要价值,因为它们可以帮助弥合学科之间的认知、方法论和认识论差距。例如,在大型协作中,数据模型、框架和工具等边界对象使利益相关者能够在具有不同视角、知识和目标的情况下有效合作。

在临床人工智能中,临床专家与AI专家之间不同的教育和培训背景导致了沟通和协作困难,因为他们在知识、语言、技能以及临床数据记录和使用的优先级方面存在差异。

临床医生通常使用电子病历(EMRs)和其他非EMR工具(如电子表格),以方便地访问、检索和分析结构化的患者数据,从而改善临床决策和患者预后 [55, 58, 100, 102, 104]。Carlile等人 [22, 23] 强调了边界对象在促进不同领域之间知识共享中的作用,突出了知识转移、翻译和转化的过程,以克服沟通障碍。Zhou等人 [116] 探讨了计算机化医嘱录入(CPOE)系统如何作为边界对象发挥作用,以及临床医生如何开发变通方法以弥合医疗保健环境中不同工作实践与技术之间的差距。尽管非EMR工具普遍存在,但它们在临床AI研究中作为边界对象的作用仍未得到充分探索。例如,电子表格灵活且易于定制,使其成为各种临床和研究环境中数据录入、分析和共享的有价值工具 [33, 55, 56, 86, 102]。临床医生可以使用这些工具来编码患者数据并记录他们的见解,其中记录的数据可以作为临床医生与AI专家之间知识交换的中介。知识中介与边界对象密切相关,在促进不同专业社区之间知识的交换、翻译和应用方面具有相似作用 [62, 69]。例如,IT专业人员经常作为知识中介,通过他们在组织环境中的专业技术能力来促进组织边界之间的知识共享和整合 [82]。在科学传播的背景下,知识中介有助于确保科学研究有效地为实践和决策提供信息 [72]。通过促进更好的沟通、协作和创新,边界对象和知识中介对于成功的跨界协作和创新至关重要 [21],这在担任不同护理学科之间知识中介的临床专家中也得到了体现 [31, 34, 46, 73, 111]。

在临床AI中,临床专家和技术专家可能使用不同的术语来描述诸如"模型"等概念,这将在尝试在协作和跨学科研究环境中应用AI方法时,导致临床数据收集、管理、组织和分析方式的不同。尽管已有丰硕的研究成果报告了医学和医疗保健场景中跨学科团队协作面临的挑战 [31, 34, 46, 73, 111],但在临床AI背景下仍缺乏相关工作,这可能归因于近年来这两个专业领域的相对较新和快速发展。因此,本研究通过了解临床医生和AI专家如何进行工作和协作,并分析此类跨学科团队协作的需求和挑战,来填补这一空白。

**2.3 临床AI研究中的跨学科团队协作**

通过整合跨学科的知识、专长和视角,跨学科团队可以在复杂的问题空间中支持创新 [9, 14, 90, 107]。在医疗保健领域,跨学科协作长期以来一直是计算机支持协作工作(CSCW)研究的核心。先前的研究表明,理解临床专业人员动态和多样化的需求并将其转化为信息系统功能需求的重要性,而不是强加一刀切的解决方案 [87]。因此,成功的临床技术需要对人为因素给予仔细关注,并需要临床医生、工程师、人机交互专家和其他利益相关者之间的密切协作,以改善技术设计和患者预后 [11]。

AI在医疗保健中的近期扩展引入了对跨学科协作的新需求,通常要求来自不同领域的团队共同解决复杂的临床问题 [1]。例如,Lyon等人 [70] 讨论了将人机交互与实施科学整合以提高公共卫生创新采纳、实施和长期使用的重要性。然而,此类协作也带来了独特的挑战。来自不同背景的专家带来了不同的视角、优先事项和词汇,这可能导致知识差距和沟通障碍 [74]。为应对这些困难,Nagendran等人 [74] 提出以用户为中心的设计研讨会作为一种中介策略。在另一项针对20位学术界和工业界AI开发者的访谈研究中,Guhan等人 [49] 探讨了基于AI的计算机感知技术如何为临床决策而开发。其参与者报告称,这项工作不仅支持了现有的临床工作流程,还促使临床医生考虑对疾病和护理的替代视角。

尽管先前的研究表明,跨学科临床AI协作可以在临床和技术领域产生创新,但我们仍然对临床医生和技术专家如何在日常协作工作中围绕共享数据进行协调,以及在此过程中哪里会出现紧张关系知之甚少。我们的研究通过两个临床AI协作的案例研究来弥补这一空白,使用活动理论来分析数据工作、沟通障碍和中介实践如何塑造跨学科协调。

**3 方法**

本研究采用基于案例的半结构化访谈方法,考察临床专家与技术专家之间的跨学科协作,特别是在儿童和成人远程医疗项目的远程研究协作背景下。我们从两个语音语言病理学家(SLPs)与技术专家(具有AI专长)之间的团队协作中招募了两类专家,这两组专家均来自学术研究背景。尽管每次协作解决的临床挑战各不相同,但两者都遵循了类似的跨学科团队协作模式:临床专家与技术专家合作,以增强先进的AI模型,使其能够有益于SLPs的临床实践。

**3.1 研究背景与案例选择**

我们选择这两个协作作为案例研究,是因为它们具有以下共同特征。两个案例都与语音语言病理学领域相关,并聚焦于远程医疗场景。两个项目为跨学科团队设定了两个主要目标:通过AI辅助的远程医疗评估或干预改善患者护理,以及探索临床医生如何利用AI驱动的见解来支持临床决策并减轻临床工作负担。团队以远程方式工作,在协作期间依赖Zoom会议,这为我们研究跨学科协作提供了理想的背景。这些共同特征使我们能够研究常见的跨学科工作流程模式,而不至于过度局限于单个项目的特殊性。尽管如此,每个项目都有独特的患者护理需求和临床任务的个体差异,导致与AI专家进行不同类型的沟通和协作。案例1涉及双语临床医生,处理双语儿童语言评估数据;案例2涉及单语临床医生,处理患有神经源性疾病的成人患者。此外,两个临床和技术研究团队均隶属于美国不同的学术机构。在我们的研究中,我们将探究的重点放在参与者如何概念化、记录和处理患者数据以开发或完善临床使用的AI工具,以及他们如何跨越学科边界进行沟通。

**3.1.1 案例1:双语儿童的远程评估**

传统的双语儿童语言评估是一个临床挑战,由于双语资源和专业人员短缺,往往导致诊断不准确 [37]。这个临床AI项目旨在开发一个基于网络的远程医疗工具,使家长能够在家监督其子女的自动化语言评估。虽然该工具促进了数据收集,但临床医生仍必须进行密集的体力劳动来评分、分析和解释视频数据,以进行诊断决策。该项目的主要目标是利用AI自动化临床数据分析,旨在减轻临床医生的工作负担并高效地识别亲子二元行为和沟通。协作的重点是开发多模态AI管线,以支持临床医生、双语儿童及其双语家长。

**3.1.2 案例2:成人脑损伤患者的远程医疗培训**

患有认知-沟通障碍(如创伤性脑损伤、失语症或痴呆症)的个人通常使用语音辅助技术(如Amazon Alexa)来支持其日常活动,如药物管理 [36]。然而,由于他们的认知-沟通困难,这些患者通常需要临床医生提供额外的培训和练习,以学习如何有效使用这些辅助技术工具。该项目的主要目标是探索AI如何提高这种远程医疗培训的效率和质量,例如通过简化针对个别患者的语音命令定制。协作的重点是开发AI驱动的方法来支持临床医生、成人患者及其护理人员。

**3.2 参与者与招募**

为全面深入了解两个项目中临床专家与技术专家之间的跨学科团队协作,我们采用便利抽样策略招募参与者。我们共招募了13人(男性:N=3,女性:N=10)参与了两个案例研究协作(案例1:N=7,案例2:N=6),参加半结构化访谈,参与者的基本信息见表1。为确保角色-案例分布的平衡和两个案例研究的代表性发现,参与者包括六名SLPs(案例1 N=3,案例2 N=3)和七名技术专家(案例1:N=4,案例2:N=3)。所有临床医生均拥有至少语音语言病理学硕士学位,并积极参与与患者的互动以收集和分析研究数据;所有技术专家均拥有至少本科学位,并在利用从临床专家获取的数据设计或实施AI方法中发挥积极作用。所有参与者都积极参与两个协作之一,确保他们对临床-技术互动、数据共享实践和沟通挑战具有近期的一手见解。

表1。参与者信息

| 参与者 | 性别 | 学历 | 专长 | 经验年限(AI/临床) | 案例研究 |
|---|---|---|---|---|---|
| P1 | 女 | 硕士 | 临床医生 | <1年 | 案例2 |
| P2 | 女 | 硕士 | 临床医生 | <1年 | 案例2 |
| P3 | 女 | 硕士 | 临床医生 | <1年 | 案例2 |
| P4 | 女 | 硕士 | 临床医生 | 1-5年 | 案例1 |
| P5 | 女 | 硕士 | 临床医生 | 1-5年 | 案例1 |
| P6 | 男 | 博士 | AI专家 | 1-5年 | 案例2 |
| P7 | 女 | 博士 | AI专家 | <1年 | 案例1 |
| P8 | 女 | 博士 | AI专家 | 1-5年 | 案例1 |
| P9 | 男 | 本科 | AI专家 | <1年 | 案例1 |
| P10 | 女 | 本科 | AI专家 | 1-5年 | 案例2 |
| P11 | 男 | 硕士 | AI专家 | 1-5年 | 案例1 |
| P12 | 女 | 博士 | 临床医生 | 1-5年 | 案例1 |
| P13 | 女 | 博士 | AI专家 | 5年以上 | 案例2 |

参与者人口学信息(案例1 N=7,案例2 N=6;临床医生 N=6,AI专家 N=7)。

**3.3 访谈开发与数据收集**

鉴于跨学科研究的复杂性质,涉及不同领域的独立工作和协作工作,我们采用AT(活动理论)框架来结构化访谈问题的开发。在本研究中,AT框架有助于解构临床团队与技术团队之间跨学科协作固有的复杂性,突出项目工作流程中的矛盾和紧张关系。访谈方案(附录A)旨在捕捉临床专家和技术专家之间工作流程的动态性、他们与临床和技术相关工具的使用经验,以及他们在跨学科项目中协作和沟通所面临的挑战。为确保相关性和针对性,根据AT框架,访谈问题针对每个专业群体的独特角色和经验进行了量身定制。例如,我们首先询问临床医生关于患者护理的目标和技术专家关于AI模型性能的目标,以了解活动的目标(对象)。然后,我们要求所有参与者描述他们使用的软件、电子表格和方案,并通过屏幕共享展示示例,以调查各种临床活动中使用的工具。我们收集了关于正式指南(如临床标准)和非正式"不成文规则"的信息,以探究塑造临床医生工作的规则和准则(如各学科内的最佳实践)。我们还询问参与者具体任务的负责人(如数据收集、清洗、标注和建模)以及交接发生的位置,以绘制劳动分工。最后,我们专门询问了在数据解释或交接期间发生的挑战、沮丧或故障,以识别跨学科的对齐偏差和冲突。

两个协作中的所有13名临床和技术专家均通过Qualtrics调查完成了人口学信息的电子同意书。访谈持续时间为35至60分钟,经参与者同意通过Zoom进行视频录制。除了回答访谈问题外,参与者还被鼓励通过Zoom的屏幕共享功能提供其临床或技术工作的描述性示例,以引用其数据。这种方法促进了更好的回忆和对通过电子表格等工具完成的具体临床或技术活动的解释。本研究获得了研究者所属机构的机构审查委员会(IRB)批准,用于涉及人类受试者的研究。

**3.4 数据分析**

所有访谈均逐字转录,由两位研究者(第一作者和第二作者)进行分析,他们分别具有相应的AI和临床背景,以确保跨两个学科的不偏不倚的解读。访谈转录分析采用了两个阶段:通过归纳编码和主题分析进行定性分析 [19, 20, 89],随后使用AT作为分析框架进行研究图表绘制 [25, 30]。首先,使用归纳编码 [29, 89],第一作者(一名AI专家)对8份转录的样本(P1-P8,案例1 N=4,案例2 N=4)进行开放式编码,然后将编码分组以识别关键主题,同时迭代地完善编码,重点关注各种临床和技术活动。

接下来,基于先前在健康领域的活动理论(AT)研究[12, 41, 43, 48, 103],第一作者与第二作者(一位临床专家,对同一组文本进行了编码)合作,将AT框架中现有的构念作为单独的分析单位,开发了一份定性编码手册(附录A)。随后,运用主题分析法[19, 20, 42],对从访谈文本中浮现的关键主题(尤其是与临床和技术活动相关的主题)进行了迭代式的审阅和修订,以确保它们准确反映数据。为在编码中保持一致性和质量,两位编码员在编码过程中讨论分歧,并通过在定性编码手册中达成共识来解决。两位研究者在本研究的研究问题语境下审阅了最终主题,特别关注(1)在两个项目中,参与者及其多样化的患者数据处理方式与跨学科团队协作之间的关系,以及(2)作为"边界对象"使用的不同工具及其促进或阻碍跨学科团队协作的潜在影响。最后,为将AT整合为分析框架,两位作者运用研究图示法[25, 30]制作了详细的图示,以可视化活动三角形的各个要素(例如主体、对象和工具),并基于两个案例研究呈现情境化表征(临床与技术)。每一幅研究图示都标注了不同AT实体之间的关键关系,从而提供了揭示访谈中报告的潜在张力或挑战的启示。为确保研究图示的一致性和质量,两位编码员讨论了图示中的分歧,并通过在研究图示中达成共识来解决。此后,其余五份文本被转录并进行了分析。需要指出的是,采用演绎和归纳相结合的方法来分析文本,使作者能够为访谈数据提供自下而上和自上而下的解释。这种方法确保了研究发现能够在两个学科之间就AT框架的关键构念(例如与数据相关的"工具"的使用)达成共识,同时也能对其他主题(例如跨学科团队协作中的临床与技术工作流程、沟通冲突)进行发散式解读。这种方法还使研究者能够分析参与者为相互沟通与协作所采用的中介策略和解决方案,从而为临床团队与自然语言处理(NLP)团队内部及之间的跨学科协作的复杂动态提供洞见。

所有访谈均逐字转录。两位研究者(第一作者和第二作者)分析了这些文本。他们分别拥有人工智能和临床实践背景,这支持了对数据进行跨学科解读。我们的分析分两个阶段进行。我们首先进行归纳式定性编码和主题分析,然后进行受活动理论(AT)[25, 30]启发的研究图示。

首先,第一作者对部分文本子集进行了开放编码[29, 89]。该子集包括案例1中的四位参与者和案例2中的四位参与者。作者将这些初始编码归类为与临床和技术活动相关的初步主题。第二作者对同一组文本进行了编码。随后,两位作者比较了各自的解读,并通过讨论对正在形成的编码手册进行了修订。

随后,我们运用主题分析法[19, 20, 42]对浮现出的主题进行了审阅和修订。我们特别关注参与者如何描述患者数据、跨角色协作,以及用于支持协调的工件。为保证一致性,两位编码员讨论了分歧,并通过达成共识来解决。在编码手册和初步主题稳定后,我们采用同样的流程对其余五份文本进行了编码。

活动理论(AT)启发了分析的后续阶段。两位作者制作了研究图示,以可视化活动三角形的各个要素[25, 30]。我们利用这些图示比较两个案例,并解读围绕共享数据工件协调临床与技术工作时反复出现的张力。这种归纳编码与AT启发的解读相结合的方法,使我们能够识别出扎根于参与者陈述的主题,同时还能审视更广泛的跨学科协调模式。

4 研究发现

本节呈现我们对临床专家和技术专家在两个临床人工智能项目中协作访谈所获得的发现。我们首先描述临床医生和技术专家如何进行彼此不同却又相互依赖的数据工作形式。随后,我们考察了当这些群体在不同术语、分类法和流程期望之间进行协调时所出现的沟通挑战,以及帮助他们管理这些张力的工件和中介角色。

4.1 运用AT分析理解临床与技术工作流程

AT(活动理论)提供了一个结构化、系统化的视角,用于描绘塑造这些协作的互动、对象与动机,而不仅仅是识别表层的困难。每个AT三角形都一致地构成"主体—对象—工具"的核心关系。AT还能反映临床与技术行为如何交叉,产生了何种矛盾或张力,以及团队在更广泛的社会文化情境中——结合共同体、规则与分工——如何驾驭这些张力。我们的定性分析表明,虽然数据锚定了临床与计算活动,但临床专家与技术专家之间的协作挑战往往超越表层的差异。我们探讨临床专家与技术专家如何在各自工作流程中以不同但又相互交织的方式处理患者临床数据。

不同专业方向之间的临床规范存在显著差异(例如教育性儿科评估与成人医疗康复社区),这在临床专家的培训经历、日常工作流程以及与不同患者群体的互动方式上均有体现。另一方面,在团队协作中,技术专家从其临床合作方接收临床数据,随后为计算目的创建或适配一套技术分类法。

4.1.1 临床工作流程:通过临床数据捕捉患者照料的细微差别

本研究中的言语语言病理学家(SLP)通常从面对面或远程远程医疗会谈中收集患者数据开始。一位参与者指出,在新冠疫情期间及之后,远程会诊变得越来越常见。P2(案例2)解释了她无法亲临临床会诊现场时理解临床语境的困难:"在你不在会话现场的时候,主观部分很难理解。"这些临床医生的报告表明,细微的临床知识——它指导着如何将原始患者数据进行标注——对于技术侧的合作方而言可能并不显而易见。在这些情形下,患者与远程医疗平台互动,互动过程中会记录各类患者数据,包括音视频录像、患者言语交流的转录文本,以及与远程医疗平台的互动历史。临床医生工作流程中的关键一步是制定或采用一套临床数据分类法,将每位患者的症状、行为或反应转化为有意义且实用的类别。此类分类法必须遵循领域特定的规则,如规范和指南。一位临床医生(P12,案例1)就双语儿童语言评估的临床工作流程与文档记录作了如下说明:"当父母与孩子交谈时,这类互动最难处理(会话之前或之后),会话之前多久、之后多久你应该开始在电子表格中记录。有时它很重要,但其中有些并不相关,时间戳的标注非常重要。"收集和编码患者数据并使用定义良好的分类法,其动机在于确保未来的临床决策与专业标准和医疗指南保持一致,并在患者诊疗过程中维持一致性。例如,SLP经常使用反映沟通障碍专业规范的专门分类法,对远程会诊中儿童的行为与言语模式进行编码。这些分类法指导临床医生如何解读和记录不同类型的言语错误以及相关情境因素。临床医生P1(案例2)通过解释SLP的角色和临床活动,描述了她教授创伤性脑损伤(TBI)患者在家使用智能家居技术(如Alexa)的动机:"所以当我们试图帮助促进沟通和清晰表达时,当我们尝试让他们执行指令时,我们会使用某些提示,比如言语提示、视觉提示,或者我们可能尝试使用一些行为方法,比如让他们放慢语速,或者让他们——该怎么说呢——使用某些发音动作,让他们更清晰地说出指令。"P2(案例2)还根据临床协议描述了她在远程医疗中使用电子表格记录与患者合作时的临床流程:

图2. 两个案例研究中临床工作流程的活动三角形(左:案例1;右:案例2)

本图运用活动理论三角形比较了两个案例研究中的临床工作流程。在案例1中,双语言语语言病理学家使用远程医疗系统、Zoom和电子表格,通过基于远程医疗的言语语言评估来评估双语儿童。在案例2中,言语语言病理学家使用Amazon Alexa、Zoom、Google电子表格及相关工具,训练受创伤性脑损伤的成年人在日常活动中使用Alexa。"对于用户需求评估,开始时我们有一套通常遵循的问题模板。我们每周根据该特定主题逐一推进,这为这类模板提供了足够的指导。然后,在培训部分,我们有一张电子表格,其中包含响应准确性、指令类型、所需提示等列。所以我们会在那上面记录所有这些信息。"数据收集完成后,临床医生会将原始材料转化为可用的临床文档或记录。他们使用电子表格或电子健康记录(EHR)系统等专用软件对每一观察结果进行编码,在标注的视频片段中核实特定症状,并在患者报告中总结关键发现。这些数据的转化旨在帮助临床医生规划干预措施或诊断潜在障碍,并须符合机构指南和医疗法规。然而,这些标注的复杂性和领域特定性可能会给临床领域内外的合作方带来理解上的挑战。临床医生P5(案例1)描述了与另一位临床医生合作处理双语数据的过程:"我和另一位同事一起工作,我们一起讨论每个定义,无论是中文还是英文。那是发生在中文里吗?是发生在英文里吗?就是与这位同样是言语(治疗)从业者的人合作,确保我们对编码手册中的定义理解一致——编码手册非常重要。"综上所述,运用AT分析进行可视化呈现,SLP作为主体(subject),借助专业实践协议、指南和远程医疗系统(工具,tools)将患者(object,对象)的原始观察转化为有意义的临床数据文档,如图2所示。

4.1.2 技术工作流程:为模型流水线准备数据

虽然临床医生专注于识别和捕捉临床细微差别以提供患者照护,技术专家则侧重于计算任务,如训练和验证机器学习模型。技术专家工作流程中与数据转化过程相关的步骤通常包括清理低质量条目、去除噪声、将数据划分为训练集和测试集,以及验证标签分布是否与模型假设一致(图3)。一位技术参与者(P9,案例1)描述了他处理临床数据并开发临床AI系统的过程:"找到LLM将音频数据转录为文本数据,非常清晰地区分说话人语言时间戳,让临床医生使用机器学习进行转录,并为临床医生提供一个UI界面以便进行人工且简便的检查。"在此过程中,P9探索了不同的音频LLM及诸如"Microsoft、OpenAI Whisper、科大讯飞"等商业产品,并明确区分了该临床AI项目的临床目标与技术目标:"对于音频,如果临床医生想找到模式,临床医生就需要逐秒听视频并手动完成所有标注。对我们而言,我们找到一种方法来提高他们工作的效率并减少他们在音频标注上花费的时间。我们的目标是让他们不要花太多时间,并准确找出他们从音频中需要看到的内容。"

图3. 蓝色的技术流程活动三角形。绿色代表为技术团队产生临床数据的临床工作流程。

本图展示了一个蓝色的技术工作流程活动三角形,与绿色的临床工作流程相连。临床医生通过与患者及辅助工具互动,在电子表格中产生临床数据。技术专家随后使用电子表格数据及辅助工具构建可用于模型的数据集,支持技术开发与现实世界的部署。在此案例中,技术专家的动机转变为对临床数据进行解读和转化,以形成与机器学习模型和评估流水线应用要求相一致的技术分类法。

此外,对于那些缺乏临床训练和知识的人来说,临床数据可能仍然晦涩难懂,尽管这些非临床专家被要求理解和使用这些数据来开发计算模型。与进行了协作式双语数据标注的另一位临床医生P5不同,参与者P9独立评估了多种AI工具以识别最佳模型性能:"我们尝试将语言(中文/英文)拆分然后交给大语言模型进行转录,另一种方法是先拆分说话人,让大语言模型将音频转录为文本,然后看哪种组合方法最好。然后我们意识到,也许先使用PyAnnotate拆分说话人,再用OpenAI Whisper进行转录是最好的方案。"处理临床医生通过远程医疗整理的不同类型的多模态数据,给AI团队的数据处理带来了额外挑战。例如,另一位在案例1中与P5合作的技术监督参与者P11描述了研究团队开发了一种视频标注工具,从临床医生的视频远程医疗会话中提取原始音频数据(mp3格式):"当我们使用这个工具时,需要另一种JSON格式机器生成的转录,可以通过发布的代码获取。使用AI大语言模型,这些是原始的机器生成的。在我们使用这些工具生成机器生成数据后,我们生成一个CSV/JSON文件。"

从活动理论(AT)的视角来看,数据作为共享活动的重要对象,却被嵌入在不同的专业背景中(即社区、分工和工具)。技术专家作为主体,采用计算框架(即工具)将临床数据(对象)转化为模型输入。在建立技术数据分类体系并完成基于该分类体系的数据转换后,技术专家继续进行预测算法的设计和精炼,例如对患者观察进行分类或预测临床决策。技术专家通常使用准确率、召回率和精确度等定量指标来评估这些算法,并将性能报告反馈给临床团队。

4.1.3 用于理解跨学科工作流程的活动理论层次结构

活动理论的一个关键概念在于活动的层次性。最初由Leontiev提出[65],他指出:"我们将一个过程称为行动,如果它从属于必须达到的结果表征。"后来,Kaptelinin和Nardi[60]提出了三级活动理论层次结构,以反映某一特定活动的内部扩展,如图4所示。具体而言,活动并不是孤立存在的,也不是与其他活动断联的;相反,活动是层次性扩展的,由一系列次级活动构成,即"行动"[65]。当一个行动变成自动的、无意识的行为时,它就会被识别为操作性的,并在活动理论中被归类为"操作"。与活动和行动不同,操作通常没有明确的目标。在我们的案例中,我们主要关注活动-行动层次结构,较少关注操作,因为我们的关注点集中在利益相关者工作流程中具有明确动机和目标的过程上。

图4展示了三级活动层次结构,显示了活动层次结构由表示"行动"的"行动"组成,这些行动导致特定的"结果",而"操作"导致特定的"条件"。该图呈现了三级活动理论层次结构。在最顶层,一个活动与动机和结果相关联。在中间层,活动被分解为与目标相关联的行动。在最底层,行动被分解为与条件相关联的操作。

图5展示了临床工作流程的活动层次结构(案例2),显示了描绘行动和操作的三角形活动,以及相应的目标和条件。该图显示了为创建面向遭受创伤性脑损伤成人的个性化Alexa命令而设计的临床工作流程层次结构。顶层活动涉及言语语言病理学家和遭受创伤性脑损伤的成人,朝着使用个性化Alexa命令的目标前进。该活动被分解为个别分组会议,这些会议得到了诸如Alexa命令模板和口头提示等操作的支持。

此外,如果两个活动中的一个组成部分被另一个活动的不同组成部分共享,且两者之间存在直接的因果关系,即被另一个活动的相应组成部分"消费"或"为其生产",则这两个活动可以"链式连接"[96]。在临床AI团队协作的背景下,我们可以将活动理论的层次框架应用于临床或技术专家的工作流程。对于每个工作流程,我们可以将顶层活动分解为具有"链式"行动级过程的层次结构。例如,临床医生从事的是患者护理的高层活动,该活动由一系列"链式"临床行动组成,包括源数据收集、数据分类体系创建、数据转换和决策制定(图5)。

通过并行比较不同利益相关者的这些活动理论层次结构,我们可以轻松观察到专家工作流程在行动目标方面的显著重叠。具体来说,数据分类体系创建和数据转换是两种工作流程共同拥有的环节。当一方的子活动依赖于另一方以不适合下游使用的格式生成的工件时,不一致就会显现出来。例如,我们看到临床医生根据临床标准对原始数据进行编码,而技术专家则为机器学习流程精炼这些数据,如图6所示。尽管双方都对同一源数据进行转换,但他们的目的是通过不同的工作流程实现不同的目标。这种差异往往导致紧张,当不同领域中的分类体系和"有效性"定义互不理解时更是如此。一位技术参与者(P6,案例2)解释道:

"最具挑战性的是沟通部分。我需要理解他们的数据,了解他们的动机,而他们将从临床医生的视角来解释,但我则会从NLP专家的视角来理解。所以这可能在临床医生和我之间存在一个差距。"

图6展示了临床AI团队协作的活动理论网络,涉及临床和技术专家。共同的阶段以及"已记录的患者数据"这一共享工件在两种不同的利益相关者工作流程(临床与技术)中被识别出来。该图显示了一个连接临床和技术工作流程的活动理论网络,跨越源数据收集、数据分类体系创建、数据转换、模型开发和最终决策制定等阶段。临床活动产生已记录的患者数据,这些数据成为技术活动的共享工件,例如分类体系开发、数据预处理和模型输出生成。该图突出了围绕已记录患者数据的重叠部分,并显示了临床和技术工作流程连接的位置。

虽然这些报告是有价值的,但临床医生可能经常难以在概念上将模型性能指标与患者护理的实际现实联系起来。如果临床专家看不到模型输出如何或为何可能影响现实世界的临床决策,他们可能对模型的可信度产生怀疑或不愿采用。毕竟,我们的发现强调,同一工件(患者数据)可以在具有自身规则和分工的不同社区中经历第二个转换轨迹。

4.1.4 团队协作中跨学科活动的网络化

活动理论层次结构不足以捕捉不同行动如何相互连接以及各种工作流程遇到了什么具体挑战。活动网络的概念[15, 40]弥补了这一差距,通过考察活动之间的关系来实现。正如Bodker[15]所定义的,"……其中一个活动的对象可以充当另一个活动的中介。"活动网络的概念对HCI研究至关重要,因为它支持对协作工作的深入理解,这对辅助计算系统的人本设计具有重要益处[59, 77]。在临床AI协作中,当临床专家生成标注数据时,他们实际上产生了一个输出,技术团队将其作为输入消费。反过来,一旦模型经过训练,临床医生可能想要解释其预测或理解其错误。通过图7所示的临床AI协作者活动网络的可视化表示,可以清楚地看到"临床数据"如何成为临床和技术工作流程的核心。这种可视化表示非常有益,有助于帮助HCI研究人员理清团队协作中专家的工作流程,特别是每个行动中目的、所需信息、使用的工具和相关细节。

图7展示了临床活动网络,说明临床团队内数据转换的序列。该图显示了一系列临床活动,其中临床医生将原始临床数据转化为电子表格中的临床数据,然后转化为精炼的干预数据,最终转化为患者护理决策。每个活动都表示为活动理论三角形,每一步的输出成为下一步的输入。

4.2 紧张、挑战与应对策略

虽然临床医生和技术专家都以数据为中心开展工作,但他们经常面临持续的沟通障碍,这是由于广泛的知识边界差异、专业培训差异以及使用专门术语和行话的领域特定语言所致。当这些专业工作流程在团队协作中汇合时,由于分类体系不对齐、数据格式期望不一致以及使用不同的专门语言,沟通困难经常出现。在本小节中,我们首先剖析跨学科研究人员在从事各自独特工作流程时的不同紧张点(第4.2.1节),然后确定导致沟通挑战的知识差距(第4.2.2节),并考察阻碍协作的沟通障碍如何通过两种主要应对策略加以解决:将数据作为边界对象使用(第4.2.3节)和依靠知识中介(第4.2.4节)。当跨学科研究人员成为能够有效利用边界对象作为中介工件的知识中介时,他们可以通过多种应对策略成功解决沟通障碍和协作挑战。

4.2.1 汇聚工作流程中的紧张点

虽然临床医生和技术专家都依赖系统方法来编码和标注来自临床医生观察的临床数据,但他们基于各自不同的领域专业知识创建和定义不同的编码主题和标注类别。源数据的临床编码主题可能无法直接映射到技术分类体系上,因为临床上有意义的类别可能不对应于算法的数据模式。技术监督参与者P7(案例1)注意到,尽管遵循相同的代码本,临床医生的数据收集和分析本质上不容易被组织成统一的计算语言。她表示:

"我发现电子表格中的数据……确实来自不同的标注风格、标注习惯、不同的组合……这真的让我产生了误解或错误认知……在这些领域中对齐是如何发生的?我认为如果临床医生同意一些统一的风格,或者在其他情况下,不同行为类别可以用数字标注,"那么她的NLP流程就会容易得多。

同样,一个微妙的临床区别可能会被一个广泛定义的技术标签所忽视。例如,对于言语语言治疗背景中的临床医生而言,"模型"一词指的是"提供由临床医生主导的示范来向患者展示如何准确地产生语音或语言"。此外,在案例2(VAT项目)中,模型特指"使用正确的话语方式示范如何说出Alexa命令"。然而,对于技术研究人员而言,"模型"意味着"用于解释人类语音和语言的机器学习系统或算法"。在协作沟通中,如项目会议等场合,这些术语(例如模型、提示)被临床团队和技术团队频繁使用,但可能指的是完全不同的概念。这些不匹配的分类体系可能导致混淆,当技术专家试图理解临床数据,或当临床医生试图理解模型预测和结果时尤为如此。AI专家P12(案例1)观察到,当使用大语言模型对临床医生的临床数据进行自动分类时,大语言模型可能会识别出新颖的模式,这需要临床医生和技术专家双方的洞察和解释:

"我认为最难的部分是让他们(临床医生)了解为什么父母行为很重要,什么样的父母行为很重要,以及如何分类它们。区分不同类型的父母行为对临床医生来说也很难澄清,对我们双方(作为临床医生和AI专家)来说都很困难。"

这种混淆如果得不到及时解决,可能会随时间推移而积累,并显著影响后续项目阶段,如模型评估或系统部署。这种紧张凸显了临床数据的双重角色。临床数据作为核心工件,在团队协作中架起了两个截然不同的专业领域工作流程之间的桥梁,但它也可能在协作者以相互冲突的方式解释相同数据时引入混淆。

根据活动理论(AT)框架,协作者共享一个总体目标(即原始的患者观察记录)。然而,他们使用不同的工具,遵循不同的规则,并处于不同的社区和劳动分工之中,所有这些都会以不同的方式塑造产出。数据因此作为一种共享的人工制品,通过特定领域的视角被反复转化。应用AT框架并以活动三角形为示意,图8展示了沟通中的紧张关系如何因与AT的若干关键要素相关的多个核心冲突而产生(例如,由于任务责任和交接不明确而导致的"劳动分工"问题,由于临床专家与AI专家的专业实践差异而导致的"领域特定规则"不一致)。考虑到劳动分工,设计者还应考虑AI何时应介入沟通、应呈现哪些信息以及应采用何种类型的交互方式,从而使AI系统不会打断协作流程,而是在必要阶段参与。这一愿景需要谨慎的界面设计,以确保AI的建议或解释不会引入新的误解形式。AT明确指出,如果这些工具忽视了协作发生的更广泛的社会和制度背景,仅仅添加计算功能是不够的。

此外,AT网络中的共享人工制品可能暴露出源于知识差距、术语不一致或目标不一致的紧张关系,例如当团队需要将其理解对齐到一个共同的基础上时。这些紧张关系凸显了两个动机不同的活动有时依赖于单一的中介人工制品,却以截然不同的方式对其进行解读。如果数据仅按照纯临床分类法进行编码,却从未被转化为计算标签,技术团队就无法有效利用这些数据来开发模型。然而,不一致的规则、规范和劳动分工可能引入矛盾。例如,限制临床医生如何对患者数据进行标注以进行法律保护的组织政策,可能与有效开发AI所需的灵活标注方法相冲突。我们的数据表明,劳动分工(例如谁负责数据清洗、最终决策如何验证)对于缓解上述紧张关系尤为关键。明确每个团队成员的职责,并就哪些数据表示对各项任务重要达成共识,有望缓解一些误解。

**4.2.2 知识差距与领域特定语言**

技术专家在团队协作中的整个工作流程建立在对临床数据理解的前提之上,以支持模型开发的技术决策。然而,理解临床数据对于非医学专家来说是一项非微不足道的任务,因为数据是遵循充满专业知识临床分类法进行记录的。缺乏临床经验与知识往往阻碍了技术专家理解临床数据和分类法的能力。同样,临床专家也不具备技术知识,无法理解技术专家所展示的模型预测数据和技术结果。因此,临床专家可能难以判断模型输出对其工作流程是否实用,或者是否足够可靠以指导实践。这些困难往往源于临床专家和技术专家所使用的专门语言。各学科的专业语言植根于专业教育的开端和领域专家的持续实践。这种语言包含专业术语、具有领域特定含义的概念和缩写,只有经过相同教育和培训的人才能熟练地使用和理解。经过多年的实践和经验,领域专家越来越熟悉在使用领域特定词汇时,与同样背景的人(即说同一种语言的人)讨论专业内容。

例如,临床专家利用专业词汇来描述和记录他们的临床活动,如观察、诊断和干预。这种词汇是同一专科的所有临床专业人士在医学教育和培训期间学习并掌握的,这使得临床专家在日常临床工作流程中能够毫无歧义地相互沟通。类似地,技术专家也学会了使用带有专业术语和概念的专业语言来一致地描述和理解技术规格(例如数据、计算算法和任务),同时与其他技术专家进行交流。虽然领域特定语言促进了学科内部的无缝沟通,但这种排他性语言往往会阻碍不同学科之间的交互。从AT的角度来看,不同领域所使用的不同语言以及语言背后的领域特定知识,凸显了反映每个社区内部规范的规则和工具。

在跨学科团队协作中,某一领域的专家,无论是临床还是技术方面,可能没有意识到自己在向非专家解释领域特定知识时正在使用专门词汇。例如,当临床专家未能准确理解技术专家使用的某些技术术语并寻求进一步解释时,技术专家提供的额外解释可能会不自觉地涉及更多专门词汇的使用。在这种沟通场景中,双方都很容易感到严重沮丧,并可能因长时间无法理解对方所解释的内容,或因无数次尝试阐述自己的观点却反复被误解而产生争端。一位临床参与者指出了解释数据时这种知识差距的深度:

"我想我们之间有点沟通不畅,但我想那大概是我们唯一一次可能使用了不同术语的时候。或者,我不知道是否与我们没有理解的术语有关。"(P2,案例2)

另一位参与者进一步强调了与临床医生沟通时降低技术壁垒的重要性:

"我跟临床医生说话不用任何术语。在进行NLP研究时,我们需要它临床用户友好,所以我们会尝试使用临床语言而不是NLP语言。大多数临床医生拥有硕士学位和统计学训练,所有这些术语(机器学习、AI智能体)在他们的产品中都没用,但当我们要向他们推销产品时,我们可以展示它是如何运作的。没有必要告诉临床医生那些术语;那听起来让人不知所措。"(P12,案例1)

未解决的沟通问题会阻碍数据交接和模型评估。一位临床专家可能需要大量时间来澄清某个标注的含义,而一位技术专家可能会反复遇到障碍,因误解而尝试重新标注或合并数据类别。参与者指出,每次重新标注都可能引入新的不一致,尤其是如果没有共同的理解术语的指导。这种动态与先前的CSCW文献中关于协作数据工作的研究相符,但在这里由于临床实践的风险而被放大。例如,对一个标签的误解可能会让人怀疑整个模型预测的有效性。

**4.2.3 将数据用作边界对象**

当知识差距导致的误解出现时,临床专家和AI专家自然会进行沟通以进行解释或澄清。然而,他们所说的不同语言通常会进一步加剧解决误解的难度。为了缓解误解,一种特定方法在专家们的访谈中被提及,即他们利用临床数据作为"边界对象"。在CSCW文献中,边界对象指的是在多个实践社区中保持稳定身份但允许不同解读的事物[97]。我们的分析显示了临床数据如何具体地发挥这一功能,作为将抽象的临床和技术术语落实的具体锚点。

当一个跨学科团队关注一个特定的电子表格、视频片段或文本块时,他们关注的是领域特定分类法下源信息的有形人工制品的理解。具体来说,临床数据是跨学科的,它传达了从临床场景收集的相同底层源信息,并允许不同领域的专家运用他们的专业知识进行不同的解读。在这种情况下,临床数据具有足够的"可塑性",可以被转化为各种表示形式(例如,临床专家的电子表格行/列,AI专家的就绪模型格式),具有不同的分类法,同时保持足够的"稳健性",使两个学科的专家都能认识到它指的是相同的底层信息(即患者或临床事件)。通过维持这一共享参照点,无论具体格式如何,临床数据都作为口头解释和领域特定术语的可靠替代。一位AI专家参与者指出,通过共享标注样本并作为模板提供,每个人都可以就未来数据条目应如何结构化达成共识。这样,具体数据实现了一个在专门词汇之间进行调解的锚点:"我会先完成部分数据,然后给他们发送一个样本,他们可能会按照我提供的样本完成剩余数据。"(P6,案例2)

另一位AI专家参与者评论说,使用不同格式的多模态数据使她能够重新获得临床洞察:"同时使用视频和音频录制以及书面转录,对我真的很有帮助,尤其是因为转录功能不一定能捕获所有所说的信息(例如,人们互相打断、说话人识别、确定这个声音来自这个人,能够回去识别到底在谈论谁)。"(P10,案例2)

将临床数据作为边界对象使协作者能够"通过"实际案例进行交流,而不是仅仅依赖抽象解释。临床医生可以轻松地解释为什么某些患者属性或症状具有临床意义,而技术专家可以展示这些属性如何被编码或处理以供下游AI预测任务使用。这种方法允许更高效地澄清误解,并在细化项目范围或验证模型输出时形成更紧密的反馈循环。如果出现分歧,团队可以使用带有示例的数据表示作为演示,精确定位理解差距所在并进行修订以达成共识。

**4.2.4 跨学科协作中知识中介的应对策略**

虽然临床数据可以作为边界对象来帮助锚定跨学科讨论,但由于专门领域之间的语言障碍,持续存在的语言或概念差距仍然无法解决。在跨学科团队中,可能存在对两个领域都有足够熟悉的人,充当"知识中介"[21, 62, 69, 72, 82]。这些个体可能在两个领域的交叉点实践专业知识,因为他们可能通过先前的跨学科协作经验学习了另一个领域的知识,或者接受了两个学科的专家培训。这些人通过发现误解并将专业知识转化为双方都能一致理解的格式,充当关键的沟通调解者。我们的主题分析确定了知识中介有效利用的三种应对策略。

(1)熟悉各领域的知识边界。知识差距从根本上是由各专业领域之间的知识边界差距定义的。胜任的知识中介需要对跨学科团队协作中涉及领域的知识边界有充分的了解。具体来说,知识边界包括两类信息:领域特定知识和专业语言。在临床AI协作中,领域特定知识通常包括医学或临床术语(例如诊断标签、标准干预措施)以及机器学习的基本概念(例如数据标注、模型评估指标)。对于每个领域,一种包含术语、概念和缩写的专业语言被制定出来以定义和解释领域特定知识。领域专家统一学习这种专业语言并在其专业工作流程中使用。因此,对知识边界的充分了解确保了知识中介拥有足够的信息来识别何时以及什么信息会在团队协作中引起误解。一位技术专家描述了他处理超出其专业领域范围的模糊信息的过程:

"模型有时无法捕获那些部分,有时模型会遗漏那部分。我们不知道在临床医生看来什么是好的方法……在我们的设计中,我们不能忽略那些信息,因为我们不知道那些信息对临床医生是否重要……保留这些信息,把所有内容都放入'其他'类别,向临床医生寻求建议,而不是删除这些信息……我确实有与不同团队合作的经验,每个人都有自己的领域知识,讨论顾虑/目标很难,询问之前做过什么也很难。"(P9,案例1)

(2)及时识别沟通不畅。

鉴于对知识边界和专业术语的双重意识,知识中介需要能够及时识别沟通失误的信号。例如,知识中介可以识别出某一方(例如临床医生)陈述的某些信息超出了另一方(例如技术专家)的知识边界。沟通失误的情况包括:当某些概念和短语在不同学科中代表完全不同的领域特定信息,而两组的专家并未意识到这种差异时。在这种情况下,两组的专家都会错误地认为他们正确理解了对方,而沟通失误的信号可能难以被察觉。例如,P13(案例2)和P11(案例1)都是从事不同项目中不同临床数据工作的技术专家。然而,他们都遇到了难以表述的模糊标注/临床记录实践。P13不得不向临床医生解释自动语音识别(ASR)和"大型音频模型如何提供文本转录"的概念,而不使用技术术语,因此在与临床医生沟通时,她想到了一个例子,好像她必须像"给小学生"讲课一样来传达这个概念:"如果你们面前有一台食品机,你们想从这台机器里拿可乐,这台机器就像是一个大型模型。你们想要拿可乐。那你们怎么拿可乐呢?你们通常需要先付钱,然后选择编号,对吧?对于大型语言模型,道理是一样的。你们需要输入像我们的音频数据这样的内容,然后告诉模型你们具体想要什么,大型语言模型就能直接给你结果。"(P13,案例2)

图8. 临床AI跨学科团队协作的活动三角形视图。不同背景颜色代表临床、技术和共享领域的知识边界。左侧三角形展示了在没有知识中介帮助的情况下,临床和技术专家尝试协作AI辅助工具时的无效性,而右侧三角形则展示了知识中介如何有效地利用临床数据作为边界对象来促进无缝协作。

该图比较了两个活动理论三角形在跨学科临床AI协作中的应用。左侧三角形显示了由于数据分类法不对齐、规则和标准不一致、任务责任和交接不清晰以及沟通语言不同而导致的临床医生和AI专家之间协作的无效性。右侧三角形展示了当知识中介将临床数据作为边界对象使用时,协作得到改善的情况:知识中介识别出沟通偏差,将概念翻译为通用语言,并在临床和技术领域之间对齐分类法。

P11通过"看电子表格……上面有非常多彩的颜色……红色、蓝色和橙色"来进行初步的临床数据工作,但这些颜色没有被清晰一致地解释,导致理解困难。然而,通过多次持续的研究会议,他逐渐了解到来自他这一方的工作是"主要去适应那些一开始确实说不通的东西……但它们对于其他人来说,比如临床医生,可能有很重要的用途"。最终,他通过颜色编码了解了具体的行为分类逻辑,并评论道:"人们真的无法理解为什么它的逻辑是这样的。我认为这不仅是临床医生面临的挑战,对我们研究者自己来说也是如此。"

及时识别沟通失误的能力对于促进有效沟通至关重要,因为如果误解得不到解决就会不断累积,并在后期导致更严重的冲突。另一位技术专家描述了她与另一位临床医生在共享转录任务中沟通和协作的经历:"我与另一位临床医生协作进行数据清理,她也承担了手动浏览数据的负担,聆听转录内容,进行比较对比,并发现不一致之处。协作的这一部分——因为她稍晚加入——我不得不向她解释我一路走来所注意到的所有问题/挑战,以及我是如何解决它们的。学习如何重新传达我完全理解的指示,同时考虑到我的假设可能并不是她那方面的假设,这很有趣。保持开放的对话和协作——'哦,我遇到了这个挑战'——回去修补这些问题。"(P10,案例2)

(3)将专门语言翻译为通用语言。识别知识差距是那些在两个专业领域都有专业知识或知识的人可以轻易完成的事情。然而,解决由知识差距引起的沟通挑战是一个复杂得多的任务,需要知识中介仔细决定使用何种方法来解决这一问题。具体来说,这一决定往往引出一个问题:知识中介需要使用何种语言才能不引入新的混淆。重要的是,知识中介必须将领域特定的术语翻译为双方都能统一理解的特定语言。一位负责某个项目AI工作的技术专家在谈及她尝试在与临床医生协作时翻译不同目标和沟通障碍的经历时评论道:"我们的思维方式非常不同。在最初,我试图理解那里的问题是什么,我后来了解到,对他们来说,一开始很难确定问题所在。我认为我在这次合作中的个人经验是,我们花了一些精力来确定AI团队能在项目中做什么,这需要时间来最终确定。这是我做出的一个有趣观察。除此之外,每次我们遇到问题时,他们都试图回答我们。"(P13,案例2)

在实践中,这三种能力反映了知识中介的功能类似于双语翻译员。他们必须在临床和技术参考框架之间不断切换,并确保不丢失任何关键细节。知识中介被期望将不同的专门语言翻译为团队中每个人都能使用并共享的通用语言。通过这样做,不同领域的专家将能够使用相同的语言理解所有内容。对于那些使用的语言几乎没有重叠的学科,如临床领域和技术领域,每个人都能理解的通用语言通常是不包含任何专门术语或概念的通俗语言。因此,知识中介需要将说话者的专门语言翻译为每个人都能正确统一理解的通俗语言,并在提供进一步解释或澄清时仅使用通俗语言。

除这些主题外,使用活动理论(AT)还能为AI辅助团队协作提供实用的设计启示,这与人类知识中介进行的活动有关。一种弥补知识差距的应对策略是利用数据示例作为边界对象来"代表"它们所代表的信息进行"说话"。临床数据这一共享对象跨越了具有不同规则、工具和分工的多个社区;然而,语言障碍仍未解决。另一种策略是依赖能够扮演知识中介角色的个人。如图8右图所示,知识中介使不同领域的专家之间能够使用通用语言来克服沟通困难。

我们识别出的一组知识中介需求在图9中进行了视觉展示,这确实为HCI和CSCW领域的重要研究机会提供了启示,即我们如何利用先进的AI技术来更好地支持跨学科协作。像大语言模型(LLM)这样的AI技术,通过精心设计的、以人为中心的交互和界面,有潜力实现上述先决条件。

图9. 临床AI团队协作中的沟通障碍和应对策略示意图。由于知识差距和语言障碍,领域专家之间的直接沟通效果不佳,而可用的边界对象和知识中介可以帮助弥合沟通失误。

该图展示了左侧的临床言语语言病理学专家和右侧的技术AI专家,他们因知识差距和语言障碍导致的无效沟通而被隔开。在他们下方,边界对象和知识中介被展示为应对策略。边界对象有助于对齐领域特定的分类法,提供数据示例并识别沟通失误,而知识中介通过共享的知识定义和双方都能理解的通用解释来支持有效沟通。

总之,我们的发现表明,临床数据虽然对跨学科AI协作至关重要,但当临床专家和技术专家带着各自截然不同的领域特定视角来处理如何标注、处理和解释数据时,仍可能引发深层困惑。沟通障碍往往源于专业知识边界之间的差距和专业词汇的差异。两种主要策略——利用数据作为边界对象和依赖知识中介——可以帮助缓解这些问题。活动理论通过将这些挑战置于每组动机、行动和共同规则的结构化视图中,进一步深化了我们的理解。这一视角揭示了多个AI系统的设计机会,旨在弥合沟通差距。通过借鉴知识中介的技能集,并围绕定义明确的边界对象来锚定交互,大语言模型等新兴技术可以更有效地被利用来支持真正协作性的临床AI开发。

**5 讨论**

本研究通过关注临床医生和技术专家如何共同利用共享临床数据,以及在从事两个将AI整合到言语语言病理学评估和干预服务项目中时如何应对不匹配的分类法、专业术语和知识差距,对临床AI跨学科团队协作进行了系统考察。通过运用活动理论(AT)[39, 76]作为分析框架来评估两个案例研究,我们的工作深入分析了表面沟通挑战之外的底层结构性错位和冲突,涉及专业规则、分工和社区规范等方面。下文,我们在现有CSCW/HCI研究的背景下对这些发现进行反思,提炼出对现有理论的贡献、对最佳实践的意义、基于AI的知识中介工具的设计考虑,以及超越临床AI协作直接背景的未来工作机会。

**5.1 利用活动理论揭示临床AI协作的结构性张力**

我们的发现强调了数据在弥合临床专家和技术专家之间的关键但有时具有问题的角色。先前的研究指出,数据和表征性工件可以中介跨边界协作和分类工作[14, 18, 22, 23, 71, 83, 97]。然而,我们发现当不同目标和专门的数据主题塑造了临床专家和技术专家如何标注和解释相同原始观察时,数据仍然是一把"双刃剑"。活动理论有助于解释这些张力为何反复出现:每个领域都遵循不同的规则和准则,追求独特的目标,但两者都依赖于重叠的工件和工具[92, 98]。与对医疗技术协作中沟通破裂的零散、逐案分析[17, 24, 68]不同,我们运用活动理论框架的分析揭示了两次不同的临床AI协作中反复出现的结构性错位和冲突。随着AI扩展到专业医疗领域[57, 108, 114],系统层面的视角对于支持更无缝的协作和实用成果变得至关重要。活动理论指出,数据编码方案和领域特定语言的不匹配是相互交叉的活动系统的模式性结果,而非孤立异常[23, 92]。

**5.2 通过边界对象弥合不对称性**

我们研究的一个关键见解是,电子表格、标注转录和其他有形工件可以充当"边界对象"[22, 97],它们足够灵活以适应每组的不同视角,同时又足够稳定以承载跨领域的共享信息。跨学科团队不必依赖抽象定义,而是可以通过"谈论"数据示例来建立前述的共同知识基础。这与早期CSCW关于物理或数字工件如何锚定协作和澄清误解的研究相呼应[6, 16, 35, 54]。除分享信息外,这些对象还在调节这些团队固有的认知不对称性方面发挥作用[23, 99]。这种不对称性不仅源于不同的知识,还源于对关键资源的控制权:临床专家拥有临床数据资源,而技术专家则拥有计算方法方面的专业知识。他们之间的相互依赖创造了一种微妙的权力平衡,需要不断进行协商。

例如,一个原型系统可以让临床医生基于其工作流集成情况对AI系统进行评述,这提供了一种切实可行的方式来表达他们的临床专长,并平衡可能倾向于纯技术指标的权力关系[4]。边界对象在此情况下可能作为情境行动的场所[99],其中所承载的信息并非固定不变,而是在协作者通过该制品进行交互的过程中被积极协商。在某些情况下,如旅程地图或界面模型等非数据制品比原始数据更直接地揭示工作流的不匹配之处[6]。然而,当专家缺乏概念桥梁来解读彼此的领域专用术语、数据主题和分析框架时,仅靠边界对象往往是不够的[23, 92, 101]。

5.3 知识中介与分工

每个领域都使用各自的专业术语,尽管在领域内功能完善,但在跨学科语境中使用可能会造成混淆并强化知识边界[10, 44, 79]。我们的分析证实,"知识中介"[21, 62, 69]在跨学科团队中发挥着不可替代的作用,主要扮演着"双语翻译者"[72, 105]的角色。他们能够理解知识边界、迅速发现术语差异,并将专业语言转化为共同的工作语言,这与早期关于组织中介者的研究相一致[21, 69]。这一角色通常通过"协调工作"来可视化[91, 92],它描述了在复杂环境中协调相互依存任务所需的往往不可见的努力。从这个角度来看,中介者是主要的协调主体,负责管理跨越活动系统的概念性、技术性和时间性依赖关系[91]。

跨边界协调可以理解为在"交易区"[28, 47]中运作,这是一个概念空间,社区在此发展出局部接触语言或皮钦语以进行协作。在我们的案例中,由中介者策划的制品,如数据词汇表,充当了促进有效交流的皮钦语。专长在不同个体间是动态且不均匀的,这要求中介者持续评估并调整其翻译。在我们的研究中,知识中介者促进了关于临床上编码的数据如何被重新用于AI建模以及AI结果如何以临床可解释的方式反馈给临床医生的更有效的协商。然而,正如他人所指出的那样[21, 72],这些人员的供应往往极度短缺,随着跨学科团队协作需求激增而知识中介者可用性停滞,这可能会放大瓶颈或中断的风险。

尽管边界对象和知识中介似乎在弥合协作鸿沟方面至关重要,我们的工作证实跨学科团队同样在明确的规章制度和机构指导下运作,这些规则在AT中被概念化为"规则"[41]。对于临床AI协作而言,这些规则可能包括伦理考量(如HIPAA下的患者保密[5])、诊断疾病的职业标准,或影响模型开发时间线和资源分配的数据共享指南。忽视这些规则可能导致协作停滞,即使边界对象和中介者本身是有效的。同样,"分工"[65, 96]是关键的,但经常被团队忽视。研究人员长期以来已指出,在高利害场景如医疗领域中,对不同参与者的职责定义不清会产生摩擦和不信任[1, 11]。我们的发现延伸了这一观点,强调分工以及管理分工所需的协调工作如何在AI系统开发的不同阶段发生变化。

5.4 跨学科团队协作最佳实践的启示

未来团队的一项最佳实践是在协作早期建立共同学习机会,确保不同群体能够建立领域特定知识的共同基础。定期的知识交流会议,由临床和技术专家提供领域特定培训或研讨会,有助于构建基础性的跨学科理解。这一实践与以往研究一致,强调创建共享知识空间以促进学科间理解的重要性[26, 63, 78]。将共同基础工作作为明确的项目活动处理,使这种劳动可见并被重视,而非临时性的[92]。我们还建议共同创建一份活的词汇表,以减少从一开始就存在的混乱并对齐定义;这一策略与关于术语变异和跨学科协调的研究发现相一致[10, 45]。此类制品使协调工作变得可见并分布在团队中,减轻了单一知识中介者的负担。

尽管我们的案例专注于临床和技术专家,临床AI协作通常涉及人机交互专家和其他利益相关者(如产品经理、数据分析师等),他们为团队带来各自的领域特定视角[88]。未来团队应考虑整合这些额外角色可能如何引入新术语或需要新类型的边界对象,突显了需要明确的沟通指南来管理这种增加的复杂性[26, 78]。

6 局限与未来工作

尽管我们的研究为临床AI的跨学科协作提供了新见解,特别是在言语语言病理学领域,但仍需注意若干局限性。首先,我们的实证背景特定地局限于言语语言病理学的临床实践以及涉及少量临床医生和AI专家的小团队远程医疗应用。塑造我们分析的活动三角形、网络和边界对象反映了这一专门领域,可能无法直接映射到其他领域或团队协作为临床AI工作提供更广泛的影响。我们识别的挑战和缓解策略是否可以推广到更广泛或更复杂的跨学科环境——如大型工业研究合作——仍是一个开放问题。其次,虽然我们调查了不同领域的专家如何概念化、记录和解释数据,但我们并未深入探讨协作过程中产生的交互式系统或界面的开发,如基于网页的评估平台或基于应用的患者管理工具。第三,当前的案例研究由早期开发阶段的协作组成,模型尚未应用于临床实践。当前的分析强调了"数据工作",如数据输入和准备(例如临床医生提供来自患者护理的数据,技术专家为模型管道处理数据)。因此,关于模型输出及其在技术专家开发后的临床效用讨论是有限的。

我们的发现指向了未来调查的具体领域,这些领域直接基于上述局限性。首先,虽然临床数据在这些环境中作为有效的边界对象,但未来研究必须检验这些协作动态和知识中介者的角色是否在其他高度专业化的医学领域中以类似方式运作,以便为类似的临床-AI协作工作提供更广义的研究贡献。其次,尽管我们的研究没有广泛调查协作系统的设计与开发以更好地促进跨学科团队协作,但AT的分析视角对于未来关于具体界面设计和系统原型开发的更广泛研究至关重要。凭借对临床和AI工作者知识边界和沟通需求的实证见解,未来工作可以使AI驱动解决方案更具用户友好性和临床相关性。此外,虽然我们的参与者依赖于电子表格和转录本等静态制品,但未来工作可以探索动态或AI中介的边界对象如何主动识别并澄清术语不匹配,从而进一步支撑我们在案例中识别的跨学科数据工作。最后,因为我们的分析主要捕捉了早期开发阶段的上游数据工作,纵向研究提供了必要的下一步。追踪边界对象如何随着模型部署和临床团队评估下游AI输出而随时间适应,将揭示其对团队绩效和项目成果的长期影响[13, 84]。

7 结论

本研究考察了临床专家和技术专家如何协作完成临床AI项目。通过采用活动理论(AT)作为结构化视角,我们发现临床医生和技术专家从事了不同但相互依存的数据工作形式,围绕领域知识、专业术语和数据分类学创建了反复出现的协调紧张和沟通障碍。虽然共享的临床数据作为重要的协调制品,但我们的发现表明数据本身无法弥合解释和工作流预期方面的深层差异。相反,能够在临床和技术领域间移动的人类知识中介者在翻译概念、澄清假设和支持协作方面发挥了重要作用。总体而言,本研究通过展示共享制品、中介者角色和协调紧张如何塑造早期临床AI协作,为CSCW研究中的跨学科数据工作做出了贡献。未来工作可以考察这些动态如何在开发后期演变,以及新工具是否能够更好地支持专业临床环境中的跨学科协调。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号