Perception of Safety in Behavioral Health Crisis Units among Patients and Care Partners versus Artificial Intelligence (AI): A Multimethod Study

这项多方法研究通过全国在线调查和人工智能分析发现，尽管患者和照护者对行为健康危机单元安全风险的感知与 AI 检测存在部分一致性，但人类感知还受材料类型等非 AI 识别特征的影响，表明将 AI 辅助工具整合到安全评估中对于支持更安全环境决策具有重要价值。

要点

这篇论文其实是在探讨一个非常温暖又关键的问题：当人们需要去“心理急救站”（行为健康危机单元）时，他们心里觉得哪里最安全？这种“感觉”和电脑人工智能（AI）算出来的“安全”是一回事吗？

为了让你更轻松地理解，我们可以把这项研究想象成一次"找最安全的避风港"的大实验。

1. 背景：为什么我们要关心“安全感”？

想象一下，心理危机单元就像是一个暴风雨中的避风港。对于正在经历情绪风暴的人来说，这个港湾不仅要能遮风挡雨，还不能有任何可能让人受伤的地方（比如容易上吊的挂钩、尖锐的角落）。

以前的研究很少去问：当病人或他们的家人（照顾者）在挑选这个“避风港”时，他们到底看重什么？更重要的是，他们眼中的“危险”，和电脑眼里看到的“危险”是一样的吗？

2. 实验过程：一场“看图选房”的游戏

研究人员搞了一场全国范围的线上游戏，就像是在玩一个装修版的“大家来找茬”：

• 第一步（人类视角）：他们给参与者看很多张不同心理急救站的照片。照片里有的房间很干净，有的房间藏着一些潜在的危险（比如奇怪的挂钩）。参与者需要像选房子一样，凭直觉选出他们最愿意去的那个地方。
• 第二步（AI 视角）：同时，参与者要在照片里圈出他们觉得“这里不安全”的地方。
• 第三步（AI 裁判）：研究人员开发了一个超级 AI 侦探。这个 AI 受过专家训练，专门用来在照片里自动扫描和标记危险点。

最后，研究人员把“人类选出的房子”和"AI 标记的危险”放在一起对比，看看人类的感觉和 AI 的计算是否合拍。

3. 发现：人类直觉与 AI 计算的“同”与“不同”

相同点：大家都怕“乱糟糟”和“有隐患”的地方
研究发现，如果一张照片里危险信号（比如挂钩）很多，大家立刻就不想去那里了。这就像你买水果，如果看到一堆烂苹果，你肯定不想买。数据证明，人们非常在意环境安全，这直接决定了他们选不选这个地方。

不同点：AI 是“照相机”，人类是“生活家”
这是最有趣的地方！

• AI 像一台精密的照相机：它能精准地数出照片里有几个挂钩，或者哪里有个尖角。
• 人类像经验丰富的生活家：除了数挂钩，人类还会看材质（比如这个墙皮是不是太粗糙了？）、氛围（这个房间是不是太压抑了？），甚至是一些 AI 还没学会的“未知风险”。

这就好比：AI 能告诉你“这把刀很锋利”，但人类会告诉你“这把刀放在孩子伸手能拿到的地方，而且刀柄是滑的，太危险了”。人类的直觉里包含了很多 AI 还没学会的“生活常识”和“情感判断”。

4. 结论：让 AI 做助手，而不是做裁判

虽然 AI 很聪明，能帮我们要找出很多明显的危险，但它还不能完全替代人类的直觉。

这项研究的最终结论是：最好的办法是“人机合作”。我们可以利用 AI 这个不知疲倦的“安全小助手”，帮非专业人士（比如病人家属）快速识别出那些肉眼容易忽略的隐患，辅助他们做出更明智的选择，从而让心理急救站变得真正安全、让人安心。

一句话总结：
这项研究告诉我们，在挑选心理急救站时，人的直觉和 AI 的计算都很重要。AI 能帮我们“找茬”，但只有人类才能感受到真正的“安心”。两者联手，才能打造出最安全的避风港。

技术摘要

论文技术总结：行为健康危机单元中患者/照护者与人工智能对安全感的感知差异研究

1. 研究背景与问题 (Problem)

在行为健康危机单元（Behavioral Health Crisis Units, BHCUs）中，环境安全是核心关切。此类环境中存在的物理风险（如用于自伤或伤人的“系留点”ligature points）可能导致严重的人身伤害。然而，现有研究存在以下关键缺口：

• 感知与决策的脱节：缺乏关于患者及照护者（Care Partners）如何根据“感知到的安全性”来选择设施的研究。
• 人机评估的差异：尚未充分探讨人类对安全风险的感知与人工智能（AI）驱动的环境风险评估结果之间的一致性程度。

本研究旨在填补上述空白，通过对比人类主观感知与 AI 客观检测，深入分析 BHCUs 环境安全评估的机制。

2. 研究方法 (Methodology)

本研究采用多方法混合研究设计（Multimethod Study），结合大规模定量调查与计算机视觉技术：

• 数据收集：
  • 全国性离散选择实验（Discrete Choice Experiment, DCE）：通过在线调查进行，参与者基于包含不同环境属性（包括安全风险特征，如系留点）的图像场景，选择偏好的设施。
  • 图像标注任务：参与者在调查中对图像中识别出的安全风险进行标注。
• 技术实现：
  • AI 工具开发：构建并训练了一个由专家指导的 AI 驱动工具，专门用于自动检测环境中的安全风险。
  • 对比分析：将参与者的标注结果与 AI 的输出进行对比。
• 数据分析模型：
  • 条件 Logit 模型（Conditional Logit Models）：用于定量分析各环境属性（特别是安全风险频率）对设施选择概率的影响。
  • 空间热图对比（Spatial Comparisons）：通过生成并对比参与者标注的热图（Heatmaps）与 AI 生成的热图，评估两者在风险定位上的一致性。

3. 关键贡献 (Key Contributions)

• 量化感知安全对决策的影响：首次通过离散选择实验，量化了环境风险特征（如系留点）对非专业用户（患者及照护者）设施选择行为的直接影响。
• 人机风险评估的对比框架：建立了一个将人类主观感知与 AI 客观检测进行空间对齐（Spatial Alignment）的评估框架，揭示了两者在风险识别上的异同。
• 揭示“不可见”风险因素：通过对比分析，指出了当前 AI 模型在识别某些特定人类感知特征（如材料类型、未标记的潜在风险）方面的局限性。

4. 主要研究结果 (Results)

• 安全风险显著降低设施选择率：
  • 统计分析显示，图像中安全风险出现的频率越高，设施被选中的可能性显著降低（$p < .001$）。
  • 优势比（Odds Ratio, OR）约为 1.28，表明感知到的安全风险是用户决策中的关键负向因子。
• 人机热图的一致性：
  • 参与者生成的风险热图与 AI 生成的热图在空间分布上表现出显著的相似性，说明 AI 在捕捉主要显性风险方面具有较高准确性。
• 关键差异与局限性：
  • 尽管存在一致性，但差异依然明显。参与者的感知受到 AI 未能完全捕捉的特征影响，例如：
    • 材料属性：特定材质的视觉或触觉暗示。
    • 未知风险：图像中存在的、未被 AI 训练标签覆盖的潜在安全隐患。

5. 研究意义与结论 (Significance & Conclusions)

• 辅助决策支持：研究证实，尽管 AI 存在局限性，但将其作为辅助工具整合到非专业用户的安全风险评估中，具有显著价值。它可以增强用户对设施安全性的判断能力。
• 优化环境设计：研究结果强调了在 BHCUs 设计和改造中，不仅要消除物理风险，还需考虑“感知安全”对用户体验和选择的影响。
• 未来方向：未来的 AI 模型训练需要纳入更多维度的特征（如材料学特征、上下文语境），以缩小人机在风险感知上的差距，从而更精准地支持行为健康设施的安全管理。

总结：该研究通过严谨的混合方法，证实了感知安全是行为健康设施选择的关键驱动力，并展示了 AI 在辅助人类进行环境安全评估中的潜力与当前边界，为构建更安全、更人性化的行为健康危机环境提供了实证依据。