《Frontiers in Digital Health》:AI health literacy as a foundation for responsible AI in healthcare: a framework for trustworthy implementation
背景:人工智能(AI)正迅速改变医疗服务的提供方式,但越来越多的证据揭示了技术复杂性与人类负责任地部署、解释和监管这些系统的能力之间存在关键差距。当前的伦理AI框架强调公平性、透明度和问责制,却忽略了一个基本前提:利益相关者的AI素养。目标:本文提出一个概念框架,将数字健康素养(digital health literacy),特别是AI增强健康素养(AI-augmented health literacy),定位为临床医生、患者和治理专业人员可衡量的素养能力,即使在伦理设计的AI系统中,缺乏这些素养也会导致可信部署失败。方法:本文是一篇具有规范性治理目的的批判性叙事综述。研究人员整合了来自三个领域的证据:(1)因素养差距导致的AI在医疗中失败的记录;(2)数字健康素养测量工具的系统综述,揭示其在AI背景下的不足;(3)欧洲数据治理(通用数据保护条例[GDPR]、欧洲健康数据空间[EHDS]和AI法案)的见解,表明缺乏利益相关者理解的法律协调会产生碎片化、低效的治理。结果:对高知名度AI实施失败案例的分析表明,在关键决策点的素养缺陷可能是一个促成因素,呈现反复出现的模式。当前的测量工具,包括电子健康素养量表(eHEALS,2006年开发),缺乏AI特定能力,且测量的是感知技能而非实际技能。研究人员识别出现有工具中缺失的六个AI素养维度,即算法素养(algorithmic literacy)、偏见意识(bias awareness)、数据治理理解(data governance understanding)、AI输出批判性评估(critical appraisal of AI outputs)、信任校准(trust calibration)和可解释性解释(explainability interpretation)。结论:这些发现表明,医疗中负责任AI可能需要同时投资于人类能力建设以及技术和法规发展。本文提出了一个三层素养框架,包括临床医生AI素养、患者AI素养和治理AI素养,并附有特定领域的能力和评估策略。此处提出的三层框架是作为一个需要经验验证的治理假设,而非已由现有证据确立的结论。
1 引言
1.1 治理与理解之间的差距
医疗系统采用人工智能的速度已超过有效治理的能力。尽管AI驱动的临床决策支持工具能够分析医学影像、预测脓毒症发作、分诊急诊病例并生成治疗建议,但负责使用、监督和治理这些系统的人员缺乏安全操作的基础能力。几个记录在案的实施失败案例表明,问题不仅在于技术缺陷,还在于治理层面:合规但不理解。医疗机构进行了大量风险影响评估,获得了伦理批准,并记录了严格的部署协议,但操作人员并未充分理解所使用系统的工作原理或评估其是否正常运行的方法。
1.2 欧洲数据治理的教训
欧洲数据保护立法的经验提供了教训。通用数据保护条例(GDPR)旨在统一数据保护标准,但在健康数据处理方面产生了碎片化现象。例如,生物样本库在相同法律条款下采取了不同的知情同意实践;伦理委员会在评估联邦学习提案时混淆了数据访问与数据转移;数据保护官(DPO)因误解GDPR下处理的法律依据而要求额外同意。欧洲健康数据空间(EHDS)作为进一步尝试,通过标准化数据许可、健康数据访问机构和技术互操作性基础设施来实现统一,但GDPR经验表明,法律统一性并不保证解释一致性。除非在EHDS技术架构的同时系统性地建立素养基础——即共享的人类能力和用批判性判断解释及应用监管框架的能力,否则碎片化可能在全球AI治理中重演。
1.3 数字健康素养在AI背景下的定义
数字健康素养被定义为“从电子来源寻求、发现、理解和评估健康信息,并运用所获知识解决健康问题的能力”,主要通过eHEALS衡量。该工具开发于2006年,早于智能手机、患者门户、可穿戴健康设备、聊天机器人和所有现代AI临床应用。验证研究表明,eHEALS评估的是感知能力而非实际表现,受访者往往高估自身技能。一项2025年的混合方法研究评估了现有数字健康素养工具,认为eHEALS在范围和适应性上存在局限,建议未来测量工具应捕捉新兴数字能力,包括个人技能、情境因素、健康系统考虑、特定技术以及用户界面维度。因此,需要引入一个概念上不同的术语——AI健康素养,定义为在医疗背景下批判性地理解、评估并安全地根据AI系统输出采取行动所需的技能,涵盖算法推理、偏见识别、信任校准和数据治理理解等当前验证工具中缺失的技能。
1.4 研究目标
本文提出,医疗中AI失败可能在很大程度上归因于关键决策点的素养缺陷,这一解释路径尚未得到充分研究。该主张作为可测试的治理假设提出,而非已确立的实证发现。当前的数字健康素养框架不足以应对AI,需要大幅扩展以包括算法素养、偏见意识和数据治理能力。最重要的是,素养不应被视为另一个“培训附加项目”,而应被视为基础设施要求。
1.5 方法论
本文采用理论驱动的叙事综述方法,综合三个领域的信息并开发概念治理框架。该方法适用于证据基础不足以进行综合荟萃分析且主要学术贡献在于框架构建而非定量综合的情况。本文通过综合实证证据、监管分析和测量学术研究,构建并论证了三层AI健康素养框架。研究使用了PubMed、Google Scholar、Scopus和SSRN等数据库,并补充了立法数据库搜索,涵盖相关术语群。搜索时间截至2025年4月,重点为2018-2025年文献,同时包括早期基础性来源。引用了同行评审实证研究、系统综述、叙事综述、评论文章以及欧洲立法和监管文本。三个AI实施案例因其在文献中的详尽记录、不同机构背景和失败机制而被选为说明性示例,而非代表性样本。强主张由同行评审实证研究和系统综述支持,案例研究基于同行评审出版物和可信调查性新闻,IBM Watson案例作为公开记录的治理失败示例,但IBM对部分报道提出异议,应视为治理模式说明而非因果陈述。法律分析基于主要立法来源,视为教义性而非实证证据。
1.6 证据层次说明
分析使用了不同形式和强度的证据。最有力的主张由同行评审实证研究和系统综述支持。案例研究分析结合了同行评审出版物和可信调查性新闻。IBM Watson案例因其最全面的治理失败记录而被纳入,但应视为治理模式说明。来自新闻来源的主张在全文中明确限定。法律分析依赖于主要立法来源,视为教义性而非实证证据。
2 理论框架:素养作为基础设施
2.1 AI素养堆栈
本文提出基于层次化能力堆栈的AI健康素养启发式概念模型。该模型未经验证,不应暗示所描绘的发展序列是经验上必需的。高层次能力是否真正需要低层次基础作为前提仍是一个开放的经验问题。该层次结构作为理论驱动的组织框架,用于指导能力发展优先级和工具设计。AI健康素养被提出为与健康素养和数字健康素养概念相关但性质不同的情境特定构念,需要对抗性幻觉识别、公平性度量解释和数据集偏移检测等能力,这些在现有验证工具中无操作对应。基础层为基本健康素养,第二层为数字健康素养,第三层为AI增强健康素养,第四层为数据治理素养,主要面向专业人员。该层次结构提供了当前AI实施频繁失败的合理解释,但需要实证研究验证其准确性。
2.2 AI健康素养的三个关键领域
2.2.1 临床医生的AI素养
临床医生必备能力包括解释模型验证指标(敏感性、特异性、阳性预测值、阴性预测值、受试者工作特征曲线下面积)、理解置信区间和校准、识别AI幻觉和超出训练数据外推的情况、审计警报的人口统计学表现差异、批判性评估供应商声明以及理解警报疲劳。当前文献主要关注接受度和使用意愿,而非理解或批判性评估模型表现的能力。数据集偏移是一个密切相关的挑战,常被低估。
2.2.2 患者的AI素养
数字健康素养可能作为健康的超级决定因素,但许多患者门户现在显示AI生成的摘要、风险评分和诊断标志。患者需要解释AI标记结果、理解风险评分和概率预测、识别何时需要人工确认、认识AI在个性化背景下的局限性以及了解数据如何用于AI训练。一项关于患者对AI医学影像观点的综述揭示,许多患者缺乏对AI融入临床护理的认识,对其解读AI输出或区分AI与临床判断的能力构成重大担忧。
2.2.3 治理人员的AI素养
核心治理能力包括理解隐私保护技术及其局限性、区分联邦系统中的数据访问与数据转移、识别当代隐私攻击(成员推断、模型反转)、解释公平性度量(人口统计学均等、均等化几率、校准)、将法律合规转化为技术保障以及评估供应商关于可解释性和透明度的声明。美国卫生与公众服务部人类研究保护咨询委员会(SACHRP)已正式承认AI研究监督中的结构性治理缺陷,建议重新审视可识别性定义并制定正式指南。
3 当素养差距遇到算法
3.1 案例研究分析
所选案例为文献中记录最全面的AI部署失败,各有不同机构背景和失败机制。分析旨在探究基于素养的分析视角是否能揭示现有系统解释未充分考察的治理漏洞。以下素养解释为作者自身分析,作为治理假设提出,需经验探索。
3.1.1 脓毒症预测算法
一项独立外部验证研究发现,广泛使用的专有脓毒症预测算法在标准警报阈值下表现不佳,导致大量假警报并未能识别大量脓毒症病例。从素养角度看,失败可解释为三个相互关联的层面:部署层面,医院管理人员可能缺乏独立评估供应商性能声明所需的技术技能;临床层面,医生和护士可能不了解如何平衡敏感性和特异性,也不了解当地脓毒症发病率如何改变警报;治理层面,安全委员会可能在没有要求独立外部验证或按人口统计学特征分解的性能监测的情况下批准了部署。
3.1.2 护理管理中的偏见
Obermeyer等人报告称,一种普遍使用的护理管理算法使用医疗成本作为健康需求的代理变量,系统性低估了黑人患者的需求。从素养视角看,数据科学家可能未意识到结构性不平等在成本代理中的深层影响,伦理和合规团队可能缺乏审计算法人口统计学公平性的基础,临床医生可能不知道黑人患者的低预测风险评分可能是系统性治疗不足的产物。
3.1.3 癌症治疗中的AI辅助决策支持
一项STAT News调查基于内部IBM文件报道,某肿瘤学AI系统在某些情况下做出了不安全或不正确的治疗建议。从素养视角看,案例展示了“市场素养差距”:肿瘤学家和医院采购团队可能缺乏区分营销声明与前瞻性临床验证证据所需的AI特定素养。
3.2 典型失败模式
交叉案例分析提出了五个值得未来研究关注的假设模式:信任错位、程序性合规而非实质性理解、素养不对称、缺乏部署前素养评估、以及治理缺陷的级联效应。这些模式可能更广泛地适用于AI实施失败,但需进一步研究。
3.2.1 生成式AI与新风险
三个案例涉及预测性和基于规则的算法系统,但相同失败模式已出现在大型语言模型(LLM)的文献中。风险可能更大:LLM输出语言流畅、上下文合理,常与专家创建内容难以区分。
3.2.2 临床文档中的幻觉
Asgari等人进行了迄今为止最大规模的LLM临床笔记生成手动评估,发现幻觉率为1.47%,遗漏率为3.45%,其中44%的幻觉被认为具有临床意义,可能影响患者诊断或管理,如果未被纠正的话。常见幻觉类型包括捏造、否定和上下文误解。传统自动化评估指标如ROUGE和BLEU不足以检测语义上重要的临床错误。Topaz等人强调了AI速记员快速整合的风险,包括对黑人患者语音识别准确性较低,可能加剧健康不平等。
3.2.3 对抗性幻觉与训练局限
Omar等人使用300个包含一个虚假细节的临床小插曲评估了6个LLM,幻觉率在50%至82%之间,提示缓解技术仅部分有效。即使医生被教导识别LLM错误,幻觉输出的语言合理性仍可能未被检测到,表明部署前素养评估的缺失,以及仅依赖个体临床医生警惕性的不足。
3.2.4 LLM临床推理中的社会人口学偏见
Omar等人评估了9个LLM,发现标记为黑人、无家可归或LGBTQIA+的病例更频繁地被导向紧急护理、侵入性程序或心理健康评估,而高收入患者更常被推荐高级成像。一项24项研究的系统分析发现91.7%的研究检测到偏见,表明社会人口学偏见是系统性的重复特征,而非异常。LLM中的偏见散布于模型架构、训练数据和推理模式中,难以事后纠正,需要治理人员具备识别偏见和解释公平性度量的能力。
3.2.5 与早期失败模式的连续性
生成式AI发现并非全新风险类别,而是确认了五个失败模式在更复杂的认知背景下的再现。LLM输出的流畅性提高了安全依赖所需的高标准审查,且缺乏独立审查和经批准的AI素养评估技术,进一步强化了本文提出的框架,即量化、层级特定的AI素养能力对于可信AI实施至关重要。
4 当前测量工具:AI素养差距
4.1 现有工具的不足
eHEALS(2006年开发)仅评估感知能力,缺乏算法理解、偏见识别、概率推理或数据治理内容。更近期的工具如成人住院患者电子健康素养量表(AIPeHLS)识别了AI生成内容和幻觉问题,但限于医院设置且依赖自我报告。数字健康素养工具(DHLI)评估范围更广,但针对的是Health 1.0和2.0技能,而非AI特定能力。
4.2 六个缺失的AI素养维度
基于案例分析和现有工具审查,本文提出六个能力类别作为新工具开发的初步目标:算法素养、偏见意识、数据治理理解、AI输出批判性评估、信任校准、可解释性解释。这些维度来源于记录在案的失败模式、工具缺陷和负责任AI文献中的能力框架,其心理测量属性尚待测试,作为未来工具开发的框架提出。每个维度需采用基于表现的方法评估实际能力,而非感知自我效能。
4.3 测量危机
一项关于AI技术与健康素养的系统综述发现,在1296项潜在合格研究中仅18项(1.4%)满足纳入标准,其中仅5项涉及直接参与者参与。缺乏经验证的工具使得部署前素养评估不可行,部署后评估无法区分素养相关失败与技术失败,素养干预效果无法严格测试。
5 拟议框架:三层AI素养结构
5.1 框架概述
框架提出素养是AI部署的必要基础,而非附加物。第一层:评估基础设施——开发经验证的、基于表现的工具,测量真实而非感知的AI素养,要求部署前进行基线素养画像,并纵向跟踪。第二层:教育生态系统——将AI素养能力整合到现有培训路径中,包括学术课程、持续医学教育、患者教育及社区项目。第三层:治理整合——将结构化素养影响评估作为AI部署授权的前提,并将素养测量纳入机构质量框架。
5.2 特定领域能力地图
5.2.1 临床医生
临床医生AI素养包括四个重叠领域:技术能力、临床应用、伦理推理和治理参与。整合点包括医学院课程、循证医学培训、住院医师和专科培训以及医院认证要求。
5.2.2 患者
患者核心技能包括在患者门户中解读AI标记结果、理解概率风险评分、识别何时需要人工确认、使用AI介导的护理路径以及了解数据如何用于AI训练。可解释性健康素养响应式设计应作为指导原则。干预措施需缓解年龄、性别、种族、教育、语言和社会经济地位方面的已知数字健康素养差异。
5.2.3 社区与公共卫生
社区卫生工作者作为素养中介至关重要,需扩展其培训以涵盖AI特定技能,包括理解AI症状检查工具局限性、质疑算法推荐、解释AI健康指导以及倡导社区需求。AI工具应与社区工作者合作开发,而非独立开发后通过培训引入。
5.2.4 治理专业人员
治理人员需具备技术理解(隐私保护架构及其攻击向量)、监管映射能力(将GDPR或HIPAA要求映射到技术保障)以及跨学科协调能力。AI素养培训和能力评估应作为行使批准权力的先决条件,治理委员会组成应涵盖临床、技术、伦理、法律、患者倡导和数据治理领域。
6 欧洲教训:协调与碎片化
6.1 GDPR
GDPR旨在协调数据保护,但在健康数据二次使用中产生了碎片化。生物样本库采用不同知情同意方式,伦理委员会将数据访问转化为程序障碍,数据保护官要求多层授权,均源于对处理法律依据的误解。根本原因并非法律文本缺陷,而是应用法律时批判性思维的不足。然而,碎片化也源于GDPR自身条款的有意灵活性(如第9条第4款允许成员国维持进一步条件)以及国家立法者不同的基础设施和解释文化。素养缺陷应被视为结构性解释的补充,解释了结构因素无法说明的机构间变异。
6.2 对欧洲健康数据空间的启示
EHDS通过标准化数据治理、健康数据访问机构和隐私保护计算架构力图克服法律误解,但风险在于GDPR模式将重演:法律协调缺乏相应的健康治理素养协调,将再次产生碎片化实施。专家访谈研究揭示了EHDS实施中技术法律维度的理解不足,独立评估也指出其可能加剧数字差距。
6.3 对更广泛AI治理的启示
欧盟人工智能法案(AI Act)第4条将AI素养从推荐最佳实践转变为法律要求,自2025年2月2日起生效,适用于所有风险类别。第13条和第14条对高风险AI系统提出了透明度和人类监督要求。委员会指南承认素养义务带来的结构性挑战,但未要求评估员工知识或定义充分水平,这种灵活性增加了碎片化风险。EHDS的分阶段适用性(关键实施法案至2027年3月,多数条款至2029年3月,第二批至2031年3月)提供了嵌入素养基础设施的机会窗口,但需立即行动。本文建议解决当前框架中的循环治理问题:AI法案的素养要求将由组织自身素养水平决定其履行质量,缺乏验证工具和标准可能导致治理表演。
7 实施框架
7.1 医学教育整合
美国医学会在2025年11月中期会议上认识到当前培训不足以应对AI整合临床环境,呼吁在医学教育连续体中建立标准化AI素养框架。整合从临床前阶段开始,涵盖基本AI概念、批判性评估技能、算法偏见和健康公平影响,以及数据治理素养。临床轮转期间应接触专科特定AI应用,住院医师和专科培训应培养高级能力。评估方法需超越知识回忆,转向表现能力评估,包括OSCE站、书面考试和档案评估。
7.2 患者教育设计
分层渐进披露原则应指导患者门户教育设计:默认提供简短易懂的AI输出摘要,用户可选择扩展详细解释和技术背景。新AI功能引入时提供交互式教程和内置反馈。社区项目需聚焦易被AI介导护理边缘化的人群,如老年人、有限健康素养者、农村和 underserved 社区,通过社区卫生工作者、公共图书馆和社区组织等可信中介实施。
7.3 AI部署的素养影响评估
在部署任何AI系统前,医疗机构应进行系统性素养影响评估。五步程序包括:利益相关者映射、基线评估、针对性干预、部署标准制定和持续评估。实践中的风险分层方法更合适:高风险系统需全面评估,低风险工具可简化。主要障碍包括资源限制和缺乏验证工具,最有效方法是整合而非补充:将素养评估嵌入现有临床系统采购流程,与技术验证并行进行,并将结果纳入现有治理委员会评估。
7.4 监管与政策杠杆
认证标准应要求书面素养评估和持续监测AI相关不良事件,并分析素养缺陷是否促成了这些事件。专业执照框架可纳入AI素养要求。AI作为医疗设备软件的监管路径应评估用户理解能力,要求用户理解研究作为上市前批准的一部分,并强制AI素养标签。研究资助机构应设立AI素养研究专项,并要求AI实施研究将素养评估纳入评价方法。
8 讨论
8.1 素养与负责任AI框架的联系
负责任AI框架已趋同于公平性、透明度、问责制、隐私和安全等原则。本文提出的框架与正常化过程理论(NPT)和实施研究整合框架(CFIR)等实施科学范式一致。AI健康素养正是使这些机制在AI交互层面运作的认知和评估基础设施。自动化偏见研究提供了信任校准维度的直接实证支持。在患者安全背景下,素养缺陷应理解为系统预先存在的脆弱性,增加主动错误传播而非被捕获的概率。
8.2 国际适用性
本文的立法分析主要基于欧洲框架,但素养差距并非欧洲监管框架的副产品,而是AI系统在医疗环境中实施速度超过机构培养必要能力速度时的结构性现象。在美国,FDA对AI/ML医疗设备软件的监管评估技术性能,但未考虑用户理解;SACHRP已承认AI研究监督中的治理素养缺陷;ONC尚未将AI素养要求纳入互操作性框架。全球层面,WHO的AI伦理与治理框架将卫生劳动力能力作为基本前提。在低收入和中等收入国家,AI健康素养无法建立在自身不足的数字素养基础上,差异更严重。本框架作为通用支架提出,需根据当地医疗系统结构和立法框架进行本地化调整。
8.3 素养为何被忽视
结构性因素包括学科孤立、技术解决方案主义、测量差距和机构激励。本文不主张素养缺陷是AI部署失败的唯一或主要解释,技术、组织和经济因素均有贡献。素养差距是一个重要、未被充分研究且可采取行动的促成因素,因其难以测量、承认时造成机构不适,且缺乏其他治理因素享有的验证基础设施。
8.4 从培训问题到基础设施要求
核心转变是从将素养视为培训问题转向视为基础设施要求。当前医疗机构将AI素养视为次要考虑,部署后的一次性入职模块。替代方案将素养定位为先决条件而非附属品,在部署前系统评估,通过融入专业培训路径持续培养,并通过AI相关决策中的表现能力而非出席率来衡量。
8.5 信任级联
可信AI常被框定为技术成就,但信任实际上源于AI健康素养。当用户理解系统功能、假设和局限性时,才能适当校准对AI的信任,既不盲目依赖也不完全拒绝。缺乏素养时,用户倾向于要么无批判依赖,要么完全拒绝,两种路径都导致误用并侵蚀信任。
8.6 素养与健康公平
数字健康素养可能作为健康的超级决定因素,其公平影响难以否认。有限数字素养的患者面临导航AI介导护理的障碍,缺乏数字基础设施的社区被结构性排除,服务历史上 underserved 人群的临床医生可能较少接触AI素养培训,缺乏多样性的治理体系统性忽视边缘化社区需求。这些差异在年龄、教育、经济、语言、残疾和农村社区中聚集,需要分层测量而非人口平均值。通过有针对性的素养倡议,AI有潜力成为民主化临床专业知识的工具。
8.7 局限性
本文为概念框架论文,未呈现初级实证数据,核心主张为假设。三层架构需要经验验证。案例研究分析基于公开记录,可能未完全捕捉机构复杂性。六个AI素养维度和能力地图反映作者综合,而非验证工具开发过程。AI发展速度可能超越静态素养框架的相关性。实施障碍真实且重大。叙事综述方法易受选择偏差影响。
8.8 研究议程
8.8.1 第一阶段:专家共识与维度验证(1-2年)
采用多轮德尔菲法,邀请AI研究人员、临床信息学家、健康素养学者、患者倡导者、治理专业人员和监管专家,就六个AI素养维度、定义及各利益相关者群体的相对优先级达成共识,需确保患者和社区代表参与以实现公平意识维度规范。
8.8.2 第二阶段:工具开发与认知访谈(1-3年)
为每个维度和利益相关者层级创建基于表现的评价项目,随后对目标人群样本进行认知访谈,评估项目理解、文化适当性和区分效度。由于治理挑战的国际性,项目需同时以多种语言开发。
8.8.3 第三阶段:心理测量验证(2-4年)
对拟议工具进行试点和验证性分析,使用充分功率和目的性多样化的样本,评估内部一致性、重测信度、结构效度(收敛和区分效度)以及标准效度。使用结构方程模型评估AI素养堆栈模型的层次假设。
8.8.4 第四阶段:实施试点研究(3-5年)
将素养评估纳入合作机构的AI实施,并纵向追踪基线素养画像、培训干预与AI相关临床结果(包括不良事件、警报疲劳、未升级失败和文档准确性)之间的相关性。优先考虑第一阶段和第二阶段,因为评估工具批准是其他框架组件安装的关键障碍。
9 结论
本文认为,医疗中AI失败至少部分可通过素养视角理解,该视角在现有实施和治理研究中未得到充分探索。案例研究揭示了利益相关者缺乏可能防止失败能力的反复模式,尽管因果贡献无法从现有证据中确定。技术复杂性在缺乏人类理解的情况下产生所谓的治理表演。现有数字健康素养框架不足以应对该问题,eHEALS未设计用于评估算法素养、偏见意识、数据治理理解、AI输出批判性评估、信任校准或可解释性解释。在缺乏验证工具的情况下,AI系统仍在大规模部署。本文呼吁将AI健康素养视为基础设施而非培训,它塑造了公平性审计是否检测到真实偏见、可解释性功能是否促进理解、问责结构是否产生真正责任、知情同意是否反映真实自主性、安全机制是否按设计运行。所需的研究议程规模庞大,必须开发并测试经验证的、特定领域的素养评估工具,进行患病率研究量化最大差距,并将素养测量纳入认证、质量测量和监管框架。三层框架是假设而非测试模型,其核心主张需要经验验证,应先进行第一阶段研究,再用于指导政策或实践。