技术摘要：Kauro，一种用于高保真信息传递的基于图结构的聊天机器人

问题陈述

在生物医学研究和临床护理中，关键信息的传递——尤其是在知情同意过程中——是一项具有深远伦理、法律和实际后果的高风险活动。现有方法面临显著局限性：

• 变异性与劳动密集型： 传统的知情同意对话是劳动密集型的，受限于工作人员的工作时间，且在不同站点和代表之间进行信息传递时存在变异性。
• 现有数字化工具的局限性： 现有的“电子知情同意”（eConsent）平台大多只是静态文档（PDF）或线性多媒体的复制品，缺乏可重复的对话交互能力或确定性的审计追踪。
• 生成式 AI 的风险： 虽然生成式聊天机器人（基于大语言模型/LLM）提供了灵活性，但它们引入了随机性、幻觉和监管风险。其概率性质使得难以保证已获 IRB（机构审查委员会）批准的语言得到保留，也难以提供可验证的审计追踪，而这对于受监管的生物医学研究至关重要。

目前存在一个关键的技术缺口，亟需一种能够在不牺牲可重复性和可审计性的前提下，确保安全性、精确性和信任度的可扩展数字化解决方案。

方法论

作者提出了 Kauro，这是一个开源的、基于图结构的聊天机器人，旨在实现“约束”而非“灵活性”的操作化。该系统构建在以下技术支柱之上：

1. 核心架构：确定性图遍历

与概率性的 LLM 不同，Kauro 将脚本化的对话编码为表示有向图的版本控制 JSON（JavaScript 对象表示法）结构。

• 节点结构： 每个对话节点包含唯一的标识符、类型（机器人或用户）、父/子链接、消息负载以及渲染指令（例如：按钮、文本输入框）。
• 确定性： 引擎强制执行图的确定性遍历。给定相同的起点和输入，路径和输出是可预测且每次都完全一致的。这消除了幻觉，并确保参与者始终接收到完全一致的 IRB 批准内容。
• 模块化（关注点分离）： 系统将三个不同的模块解耦：
  • 客户端（Client）： 一个基于 React 的界面，用于动态渲染节点并处理各种输入类型（表单、输入、信息消息）。
  • 服务端（Server）： 一个基于 Django 的后端，作为执行引擎。它通过模式（Schema）验证用户请求，将其映射到节点标识符，并确定性地解析下一个节点。
  • 对话图（Conversation Graph）： 可移植的 JSON 对象，可以独立于引擎进行版本控制、共享和修改。

2. 治理与合规

• 人工后盾： 系统包含强制性的人类监督。人类负责设计或批准所有图节点。参与者可以在任何节点选择退出，转而与研究人员交流。
• 测验门槛（Quiz-Gating）： 通过知情同意过程的进度取决于是否通过知识检查（例如，获得 10/10 的测试分数）。未通过将触发“回教”（teach-back）机制或需要人工干预。
• 审计日志： 每次交互都会记录标准字段（参与者、node_id、payload、时间戳、graph_version 以及 IRB 参考编号）。这创建了一个完整的、不可篡改的审计追踪，符合 FDA Part 11 和 EMA 的预期。
• 版本控制： 每个聊天会话都明确链接到特定的图版本和 IRB 批准参考，允许研究人员重建参与者所经历的精确过程。

3. 实现细节

• API 设计： Kauro 使用严格的、符合 REST 规范的 API，具备模式驱动的输入和确定性的输出，这与许多缺乏一致错误处理或版本控制的公共 API 形成对比。
• 部署： 作为开源软件（CC-BY-4.0 许可），Kauro 可以部署在各种计算环境中，使机构能够控制其数据和审计性。
• 验证： 系统通过对节点结构和模式一致性进行单元测试，并集成到持续流水线中，以确保变更不会改变已批准的遍历行为。

核心贡献

• 重新定义生物医学中的 AI： Kauro 证明，通过确定性的、基于图的逻辑而非概率模型，可以实现用于高风险通信的机器智能，将可重复性和可审计性置于对话新颖性之上。
• 开源可移植性： 不同于专有的商业工具，Kauro 旨在实现跨机构的可移植性，其模块化架构允许在不修改底层引擎的情况下适应多样化的研究场景。
• 全方位可审计性： 系统提供了完整的、可追溯的审计追踪，将每一次用户交互链接到特定的 IRB 批准脚本版本，填补了现有电子知情同意平台往往缺乏部分或完全日志记录的空白。
• 可扩展的知情同意工作流： 通过自动化标准化信息的传递，同时保留人工监督选项，Kauro 解决了多中心研究中的劳动力和时间限制问题。

结果与验证

论文报告了 Kauro 的开发及初步实现情况，并得到了先前的试点数据和特定用例的支持：

• 先前的试点成功案例： 此前使用类似聊天机器人概念（在商业背景下）的试点表明，参与者完成会话的速度比传统流程更快，取得了较高的知识检查分数，且未报告任何不良事件。
• 当前实现： Kauro 被用于支持位于加州大学欧文分校的 GREGoR 财团（一个大型罕见病和孟德尔遗传病财团）。
  • 该系统被用于招募外显子组和诊断阴性病例的参与者。
  • 具体实现包括一个包含 10 个问题的测验，要求 100% 通过率，并配备了针对错题的回教机制。
  • IRB（IRB #4469）批准了该流程，包括基于 JSON 的脚本以及可以导出保留信息学骨架（节点/边 ID）的 PDF 以供审查。
• 技术验证： 系统包含自动化的集成、回归和单元测试，以确保对客户端、服务端或脚本的更新不会改变已批准的遍历行为。

重要性与主张

论文将 Kauro 定位为并非在所有语境下取代人类交互，而是作为一种专门用于高保真信息传递的工具，在此类场景中，安全性、精确性和监管合规性至关重要。

• 设计即安全： 作者认为，“约束”是一种特性，而非缺陷。通过限制灵活性，Kauro 防止了偏离已批准内容的行为，确保知情同意的“仪式感”在伦理上是可靠的，在法律上是可辩护的。
• 监管对齐： 系统明确设计用于满足审计追踪和版本控制的监管要求（FDA Part 11, EMA），而许多现有的数字化工具无法提供如此稳健的支持。
• 通用性： 虽然最初是为知情同意设计的，但作者声称该框架可以推广到任何需要标准化、准确信息传递的领域，如临床试验、疾病登记和公共卫生倡议。
• 透明度： 通过开源代码并实现关注点分离，Kauro 提供了一个透明的替代方案，以应对“黑箱”商业解决方案，使监管机构和机构能够进行独立的检查与验证。

论文总结道，Kauro 将知情同意中“智能”的概念从生成式的灵活性重新定义为确定性的交付、完整的审计追踪以及可验证的规模化合规性。