Trends in AI and Human-AI Interaction in Clinical Trials -- A Hybrid Human-AI Exploration
本文利用人机混合筛选工作流程分析了人工智能相关临床试验的时间与地理趋势，揭示了人工智能应用的全球显著增长，同时强调了需要更清晰的报告标准以提高人机交互研究中的分类准确性。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
想象一下，将医学研究的世界比作一座名为ClinicalTrials.gov的庞大全球图书馆。这座图书馆收藏了超过 58 万张医学实验的“食谱卡”（试验记录），这些实验正在 220 多个国家进行。长期以来，这些食谱都是用通俗语言撰写的，但最近，各地的“厨师”们开始加入一种新的、神秘的成分：人工智能（AI）。
本文就像是一支由图书管理员（人类）和一台超高速高科技机器人（AI）组成的团队，他们携手合作，梳理这座图书馆，以回答两个重大问题：
- 发生了什么？ 在这些医学“食谱”中，AI 的使用方式如何随时间变化？这些“食谱”源自何处？
- 我们能信任这台机器人吗？ 机器人能否在不造成过多错误的前提下，帮助人类更快地整理这些卡片？
以下是他们探险的分解：
1. 寻找"AI"成分
团队构建了一张巨大的数字网（搜索字符串），旨在捕捉任何提及 AI 词汇（如“机器学习”、“聊天机器人”、"GPT"或“神经网络”）的“食谱”。
- 捕获量： 他们共抓取了5,828条记录。这可是海量的卡片！
- 结果： 他们发现，这些试验中 AI 的使用量呈爆炸式增长。这就像一颗雪球滚下山坡，每年变得更大、更快。
- 词汇的转变： 过去，人们谈论的是“专家系统”（老派的遵循规则的计算机）。如今，讨论已转向“深度学习”、“大型语言模型”和“聊天机器人”。这就好比图书馆的语言从用羽毛笔书写演变成了在超级计算机上打字。
2. 搜寻的地理分布
如果你绘制一张这些 AI 医学试验发生地的地图，有两个国家会作为巨头脱颖而出：中国和美国。
- 两国拥有的 AI 试验数量合计约为任何其他国家的四倍。
- 然而，意大利、法国、西班牙、英国和土耳其等其他国家也在迎头赶上，纷纷将自己的“食谱”加入其中。
3. “人机”分类游戏
这是本文最有趣的部分。团队想看看机器人能否帮助人类整理这 5,828 张卡片。他们选取了100 张随机卡片进行测试。
任务： 机器人（一款名为 GPT-5.5 的非常先进的 AI）和两位人类专家必须阅读每张卡片并决定：
- 这里是否实际使用了 AI？
- 谁在与 AI 互动？是患者、医生、照护者，还是三者的混合？
记分牌：
- 发现 AI： 机器人和人类在识别 AI 是否存在方面表现出色。他们大多数时候意见一致。
- 发现“对话”： 这里变得棘手。当人类和机器人试图决定谁在与 AI 互动时（例如，“这是医生在使用工具，还是仅仅有患者在查看屏幕？”），他们的分歧更多。
- 困惑： 有时，“食谱卡”写得过于模糊，甚至连人类都不确定。是 AI 在干活，还是它只是一个普通计算机程序的华丽名称？当描述模糊不清时，机器人也会感到困惑。
4. 机器人的成本
本文还提到，使用这台超级聪明的机器人并非免费，也不“环保”。
- 金钱： 仅为此研究运行分类就花费了约75 美元（外加人类的时间成本）。
- 能源： 机器人消耗了大量电力，产生了少量的碳排放（相当于驾驶汽车行驶几英里）。这是一种权衡：速度与效率 vs. 能源成本。
结论
本文总结道，混合团队（人类 + AI）是梳理医学研究的一种有前景的方式。 机器人速度快且擅长基础工作，但它需要人类“编辑”来复核棘手部分，尤其是当试验描述不清晰时。
主要启示：
AI 正成为医学试验的重要组成部分，描述它的语言也在迅速变化。虽然机器人可以帮助我们应对这股信息洪流，但我们仍然需要人类来理清混乱的细节，因为图书馆里的“食谱卡”并非总是写得足够清晰，以至于机器人能独自完美理解。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。