《Foods》：Can ChatGPT Reflect Professional HACCP Judgments? A Comparative Study in Hospitality Food Safety
编辑推荐：
危害分析与关键控制点（HACCP）体系的实施仍然是食品安全管理的基石。然而，其有效性受到组织、人力和技术因素的影响。本研究调查了专业人员对HACCP实施的看法，并探讨了大型语言模型（LLM）——ChatGPT 4.1——在该领域近似人类判断的程度。研究人员向从
危害分析与关键控制点（HACCP）体系的实施仍然是食品安全管理的基石。然而，其有效性受到组织、人力和技术因素的影响。本研究调查了专业人员对HACCP实施的看法，并探讨了大型语言模型（LLM）——ChatGPT 4.1——在该领域近似人类判断的程度。研究人员向从事餐饮服务、酒店、行业和咨询业的90名专业人员发放了结构化问卷。通过标准化的多角色提示协议模拟五种专业角色，将回答与ChatGPT 4.1生成的输出进行比较。为了增强响应稳定性并最小化随机变异，每个问题在独立的零样本（zero-shot）会话中进行多次迭代提交。研究从三个主题维度分析回答：HACCP实施障碍、感知收益和数字准备度。对人类回答的Spearman相关分析揭示了一种系统性的“培训-流动关联”，其中高员工流动率（r = 0.62，p < 0.01）与难以维持持续培训显著相关。使用单样本t检验（one-sample t-test）的统计基准测试表明，所测试模型对实施障碍（p < 0.001）和数字准备度（p < 0.001）的评分显著高于相应的人类评估。这些发现表明，虽然ChatGPT能够在某些领域近似聚合的专业感知，但在运营和准备度相关领域仍存在显著分歧。该研究为人机比较研究提供了方法论见解，并强调了人工智能辅助决策在食品安全管理体系中的机遇与局限。
近年来，欧盟食品安全监管框架不断演变，2016至2025年间多次更新卫生立法并推动“从农场到餐桌”战略现代化，使危害分析与关键控制点（Hazard Analysis and Critical Control Points，HACCP）从程序性合规工具转向以预防控制、文件准确性和持续改进为导向的绩效框架。酒店和大型餐饮单位因多场地运营，在执行HACCP时面临更大挑战。既有研究表明，HACCP的成功实施依赖于员工培训、能力、企业食品安全文化和管理承诺，但实际合规水平仍存在明显差异。与此同时，大型语言模型（Large Language Model，LLM）和人工智能（Artificial Intelligence，AI）工具展现出了处理非结构化文本、综合监管信息和识别食品安全信号的潜力，但其输出需要谨慎解读和领域专家校准。基于此，研究人员在《Foods》上发表了一项比较研究，旨在考察专业人员的HACCP认知与ChatGPT 4.1生成回应之间的一致性，并探索AI作为辅助工具在食品安全管理中的边界。研究向90名来自希腊食品服务、酒店、咨询和学术领域的专业参与者发放结构化问卷，同时采用标准化多角色提示协议，让ChatGPT 4.1以五种专业角色（顾问、生产员工、经理/业主、审计员、研究员/学者）独立回答同一问卷，每个问题重复30次以稳定输出。结果显示，AI能够部分接近专业人员的总体感知，但在实施障碍和数字准备度方面系统性高于人类评分，并识别出高员工流动率与持续培训困难之间的显著关联。这些发现强调了AI只能作为辅助工具，不能替代专业判断。
在方法上，研究人员基于知识、态度、实践（Knowledge, Attitudes, Practices，KAP）框架设计HACCP问卷，经4名专家定性评审和10人预测试后，通过目的性抽样在希腊（主要来自阿提卡和中马其顿）招募了90名有HACCP相关经验的专业人员。问卷包含实施障碍、感知收益和AI/数字化三个主题维度。对于ChatGPT模拟，采用标准化的零样本（zero-shot）提示，不提供示例或迭代修正，每个问卷项目由五个专业角色各独立执行30次，取均值作为计算基准。人类数据方面，计算Cronbach’s α检验内部一致性，使用Spearman相关分析评估人类回答内部结构，并通过单样本t检验和Δ差值比较人类均值与LLM基准值的差异。样本来源、重复次数和统计方法均在原文中有明确描述。
3.1 专业调查结果与ChatGPT模拟输出
在人类问卷中，实施障碍维度得分最高的是高员工流动率（Q7，均值4.59）和无法保证持续培训（Q12，均值4.42），表明人事相关因素是主要障碍；员工动力不足（Q6）和管理支持不足（Q10）均值也超过4.3。收益维度所有条目均值均高于4.5，其中改进法规合规性（Q14）得分最高（4.82），表明HACCP被视为价值增值系统。AI/数字化维度得分相对较低，但整体仍为正面，生产员工对LLM支持的决策（Q21）评分最低（3.50），显示出对直接影响日常决策的AI工具持更谨慎态度。相比之下，ChatGPT 4.1模拟出的五个专业角色评分普遍偏高，整体均值为4.50，在障碍、收益和AI维度上均表现出高一致性。通过描述性统计可直接观察到这一系统差异。
3.2 模型-人类一致性基准测试
Cronbach’s α系数显示三个维度（障碍α=0.84，收益α=0.89，AI/数字化α=0.86）及整体问卷均超过0.80，表明人类问卷内部一致性良好。Spearman相关分析仅在人类数据上进行，发现若干显著正相关：AI培训（Q19）与参与AI培训意愿（Q22）相关性最强（r=0.68）；高员工流动率（Q7）与持续培训困难（Q12）中度相关（r=0.62）；AI监控关键控制点（Critical Control Points，CCPs）和前提方案（Prerequisite Programs，PRPs）（Q20）与LLM决策支持（Q21）相关（r=0.59）；员工动力（Q6）与管理支持（Q10）相关（r=0.
