《Healthcare》:Artificial Intelligence in Social Health: A Narrative Review of Uses, Advantages, Challenges, and Future Directions
编辑推荐:
人工智能(AI)已深度融入日常生活。新兴证据表明,AI可能通过影响社交互动、连通性和人际关系,以及提供新的沟通途径并有助于改善社会福祉,从而改变社会关系的动态。因此,本综述旨在探索人工智能(AI)技术作为增强社会健康的工具的潜力,重点关注当前应用、优势、挑战和
人工智能(AI)已深度融入日常生活。新兴证据表明,AI可能通过影响社交互动、连通性和人际关系,以及提供新的沟通途径并有助于改善社会福祉,从而改变社会关系的动态。因此,本综述旨在探索人工智能(AI)技术作为增强社会健康的工具的潜力,重点关注当前应用、优势、挑战和伦理考量,以及未来发展机遇。研究人员查阅了关于社会健康维度连通性与AI之间关系的文献,以更好地理解与AI技术的互动如何影响社会福祉。在本综述中,研究人员使用了“人工智能”(Artificial Intelligence)、“社会健康”(Social Health)、“社会不平等”(social inequalities)、“AI算法”(AI algorithm)、“AI技术”(AI technology)、“社交连接”(social connection)、“数字通信”(digital communication)、“社会参与”(social participation)、“社会支持”(social support)、“社会隔离”(social isolation)、“孤独感”(loneliness)、“心理健康”(mental wellbeing)等关键词,在Google Scholar、PubMed、Scopus和Web of Sciences上搜索相关文献。此外,还讨论了AI对社会健康维度的多维影响相关方面。研究发现,社会中个体使用AI技术具有重塑社会健康的巨大潜力,具体通过增强社会关系、弥合多样化人群中的沟通差距、激发社会动态以及理解人类情感来实现。AI可能通过深度学习(DL)、自然语言处理(NLP)和机器学习(ML)技术,有助于减少社会不平等、促进公平、适应个体差异,并提高社会和医疗保健系统中诸多任务的有效性。这减少了社会排斥,提高了健康和社会服务的可及性和质量。然而,AI在应用中也面临显著挑战,特别是在数据质量、隐私与安全、算法偏见、伦理问题、公众信任与接受度,以及监管与政策缺口方面。证据表明,建立公众对未来AI在社会健康领域应用的信任,需要健康提供者与专业人员、社会科学家、社区成员和政策制定者之间的跨学科合作。这种合作对于确保AI平台通过保持透明度、可解释性和已证明的有效性来避免加剧社会不平等或偏见至关重要。总之,AI融入社会健康维度有望推动社会健康转型。随着发展,需要解决若干关键领域,以建立强大的治理和监管框架,以及伦理指南,确保隐私保护、尊重人权、透明度并促进公共利益。
论文主体部分总结如下:
**1. 背景(Background)**
世界卫生组织(WHO)于1946年提出的章程强调健康是“一种完全的身体、心理和社会福祉状态,而不仅仅是没有疾病或虚弱”,这确立了社会健康作为个体与社区福祉基石的地位。然而,约三十年后,研究界发现社会健康的定义在不同学科间存在差异,尽管对影响健康的社会因素及其在整体福祉中的关键组成部分达成了共识。基于社会学和流行病学等学科的尝试,Waite(2018)将社会健康定义为“充足且功能良好的社会关系、充分的社会支持、极少或没有社会压力、一定程度的社会参与、社会融入、强大且功能良好的社交网络”。Doyle和Link则将社会健康定义为“在特定背景下满足个体对有意义人际连接需求的关系的充足数量和质量”。为本综述之目的,社会健康被定义为“个体和社区建立并维持有意义社会关系、获取社会支持、参与社会和社区活动、体验社会融入、连通性和归属感的能力”。该框架将AI应用分为直接影响(增强社交互动、减少孤独、促进沟通和社区参与)和间接影响(改善医疗服务、诊断、行政效率等)。证据表明,强社会联系与更长的寿命相关,高性能卫生系统已整合社会健康指标。技术(如数字平台、可穿戴设备)改变了社会关系动态,AI被定义为使计算机模拟人类学习、理解、问题解决、决策、创造力和自主性的技术,包括机器学习(ML)、深度学习(DL)和自然语言处理(NLP)。本综述旨在填补AI对社会健康影响的知识空白,重点关注当前应用、优势、挑战、伦理考量和未来发展机遇。
**2. 方法(Methods)**
本研究采用叙事综述方法,批判性地审视人工智能(AI)对社会健康的影响。综述提供了概念和主题综合,而非定量聚合。为确保概念清晰,综述定义社会健康包括社会连通性、沟通、社会支持、孤独、参与和心理健康等维度,并区分直接影响社会健康的AI应用(如社交机器人、同伴支持平台)和间接影响(如医疗服务系统优化)。搜索策略在Google Scholar、PubMed、Scopus和Web of Science数据库中进行,时间范围为2000年1月至2026年3月,关键词包括“artificial intelligence”、“social health”、“social isolation”、“loneliness”等。纳入标准为同行评审英文文献,关注与社会健康维度直接相关的AI应用;排除主要聚焦医院行政、疾病监测无直接社会健康含义、纯技术算法开发及无全文的文献。初步检索获得186篇全文,经筛选后98篇纳入最终综述。数据提取包括出版特征、研究设计、AI技术平台、目标人群、社会健康维度及关键发现,并通过主题叙事方法进行综合。概念框架采用补偿理论、社会认知理论、社会影响理论和社会认同理论。
**3. 理论框架(Theoretical Framework)**
本综述运用社会影响理论(Social Influence Theory)来理解AI作为沟通中介平台如何通过提供信息、个性化反馈和社交线索改变社会关系动态,影响个体互动和决策,并可能通过虚拟表征导致压力、抑郁和焦虑。补偿理论(Compensation Theory)解释AI应用如何帮助克服社会限制,例如虚拟助手通过行为线索检测孤独并提供支持,或通过预测补偿性在线行为促进社会融入。社会认同理论(Social Identity Theory, SIT)指出个体从社会群体成员身份中获取自我概念,AI系统可能通过强化基于身份的社区来塑造群体动态、自尊和社会关系。社会认知理论(Social Cognitive Theory, SCT)强调个人、行为和环境因素的相互作用,AI平台可通过掌握经验、社会建模和情感状态增强自我效能感,促进健康行为改变。这些理论共同为理解AI通过多重路径影响社会健康提供了概念框架,用于解释潜在益处和风险,如促进社会参与或导致社会排斥、技术依赖等。
**4. 社会健康与人工智能(Social Health and Artificial Intelligence (AI))**
AI通过直接和间接途径影响社会健康。直接应用如社交陪伴机器人、在线同伴支持平台、社区参与聊天机器人和心理健康对话代理,旨在增强社交连通性、减少孤独、促进社会融入。间接应用如针对弱势人群的预测分析、行政自动化、诊断决策支持和人口健康管理工具,通过改善身心健康、增加医疗服务可及性来创造促进社会参与的条件。在医疗系统层面,AI可整合社会健康决定因素数据,识别弱势群体并指导干预。在社区层面,采用机器学习(ML)的社区平台促进社交互动和决策,使社会系统更具响应性。在个体层面,自然语言处理(NLP)和机器学习(ML)广泛用于识别和提取健康信息,AI嵌入社交媒体显著改变人们互动和建立连接的方式。AI通过深度学习和NLP等技术增强临床决策、疾病诊断、大规模数据分析,减少工作量和成本,并改善公共卫生监测。在社会健康优势方面,AI通过情感分析解读情绪线索,用于监测心理健康自我披露(如Twitter),检测抑郁、焦虑、孤独和自杀风险。基于补偿理论,AI介导的沟通工具可弥补社交互动和情感支持缺陷。社会认知理论(SCT)表明个性化反馈和自适应指导可增强自我效能感,鼓励社会参与。社会认同理论(SIT)指出AI嵌入式社区可强化群体成员身份和归属感。AI还能整合虚拟现实、增强现实、社交机器人和智能手机应用,增强社交体验。表1总结了AI在社会健康中的多维贡献:个体层面提升诊断准确性和服务效率,支持早期心理脆弱检测和个性化推荐;社区层面促进社会融入、强化社交网络;系统层面优化行政流程、降低成本、支持循证政策制定。
**5. AI融入社会健康的挑战(Challenges in Integrating AI in Social Health)**
图2总结了主要挑战。个体层面包括隐私与数据安全、减少人际互动、过度依赖AI、错误信息及对自主性和信任的影响。社区层面涉及数字排斥、技术获取不平等、算法偏见及可能加剧社会不平等,尤其针对弱势群体。系统层面关键问题包括治理、透明度、问责制、伦理监督、数据质量、监管合规性和AI决策的可解释性。伦理公平、问责制和隐私是主要社会挑战,需要加强规则和法律法规。社交媒体平台中的AI应用面临隐私保密、数据安全、信息误用、伦理边界和实际效果评估等挑战。不准确数据可能导致资源分配中的歧视性结果,算法偏见和缺乏透明度加剧社会不平等。从理论视角看,社会影响理论认为AI可能增加对算法推荐的依赖并促进监控;补偿理论警告过度依赖可能减少真实人际关系;社会认同理论强调偏见算法和不平等访问可能强化污名化和社会排斥;社会认知理论指出缺乏透明度和过度依赖自动化系统可能削弱个体自主性和自我效能。此外,资源受限环境下的技术基础设施不足、高质量数据缺乏、监管框架不一致也是重大挑战。新兴治理框架如算法审计、公平感知机器学习、利益相关者参与和参与式设计正在发展,欧盟AI法案强调问责制和以人为中心的设计。
**6. AI在社会健康中的未来方向(Future Direction for AI Use in Social Health)**
未来AI有望开发增强社会健康的先进工具,特别是通过开发伦理透明、促进社会互动、问责、包容和公众信任的AI模型。应遵循理论视角指导:社会影响理论鼓励设计促进健康行为但不削弱自主性的系统;补偿理论支持开发补充而非减少社会关系的工具;社会认知理论强调透明、用户中心技术以增强自我效能和数字素养;社会认同理论要求包容公平的系统以强化归属感并减少差异。关键领域包括通过整合可穿戴设备和生活方式数据改善个性化健康和预防性护理,预测和主动管理健康结果。AI可显著解决健康差异,通过优化系统、降低成本、促进互动和精准传播健康信息。治理框架应确保伦理保障、隐私保护,并符合美国国家标准与技术研究院(NIST)标准。WHO提出了以人权、透明度和公共利益为核心的原则。标准化治理框架需整合伦理与价值观(隐私、公平、透明)、法律与监管合规、问责与监督、数据与技术管理(数据治理、安全、可解释性),并得到利益相关者协作支持(政策制定者、医疗专业人员、技术专家、社区代表)。
**7. 结论与建议(Conclusions and Recommendations)**
AI融入社会维度不仅影响社会福祉和生活质量,还提供强大的社交互动工具、分析大数据集并生成可操作建议。AI可能减少社会不平等、适应个体差异(文化、年龄、认知能力),并增强健康系统效率。但当前证据强度因应用和结果而异:最有力证据支持AI在增强服务可及性、沟通和个性化支持方面的作用;关于长期社会连通性、社会融入、孤独感、社区参与等结果的新兴证据仍有限且持续发展。因此,许多预期优势应视为有前景的可能性而非既定结果,需要严格的纵向和真实世界评估研究。同时,AI整合带来伦理、治理和社会挑战。应对这些问题需要合理的AI发展、稳健的数据治理框架、跨学科研究以及前瞻性政策。未来AI在社会健康中的成功实施取决于在创新与伦理监督、透明度、社会包容和问责之间取得平衡。
**8. 综述的局限性(Limitations of the Review)**
作为叙事综述,本研究可能比系统综述具有更高的选择性和解释偏倚风险,较低的可重复性和可靠性,因缺乏标准化方法。建议未来进行系统综述和荟萃分析以提供更强有力的证据。