用户体验与自动化及人工智能在证据合成中的采用：一项范围审查协议

《JBI Evidence Implementation》：User experience and adoption of automation and AI for evidence synthesis: a scoping review protocol

自动化与AI技术在证据合成中的用户体验与采纳研究，旨在通过范围综述分析技术在不同学科、流程阶段及角色中的用户体验和采纳障碍与促进因素，结合UTAUT、RE-AIM和HAI框架及UX设计原则，系统梳理现有文献并识别知识缺口。

　　
人工智能与自动化技术在证据合成中的用户体验与采纳机制研究

本研究旨在系统梳理人工智能与自动化技术在证据合成领域的用户体验与采纳机制，为提升科研工具的普及应用提供理论支撑。作为全球科研效率革新的重要方向，该领域的研究已取得显著进展，但仍存在关键知识盲区亟待突破。

研究背景与核心问题
当前证据合成流程面临双重挑战：一方面，海量研究数据与人工处理能力存在显著鸿沟，传统方法难以应对日均新增数万篇文献的冲击；另一方面，自动化工具的渗透率不足20%，暴露出技术采纳中的深层矛盾。值得关注的是，尽管AI技术能将文献筛选效率提升至96%，但实际应用中仍存在技术信任度不足、人机交互不流畅等问题。本研究通过构建多维度分析框架，重点解决三个核心问题：
1. 技术采纳的影响因素图谱：涵盖个体认知、组织流程、技术特性等层面的交互机制
2. 用户体验设计的关键要素：从界面交互到功能实现的全链条评估标准
3. 跨学科应用模式识别：不同科研领域对技术工具的适配特征与转换路径

研究方法论创新
区别于传统文献综述，本研究采用"框架驱动+动态映射"的混合分析方法，创新性地整合四维分析模型：
- 用户接受度理论（UTAUT）：重点解析绩效预期、努力成本、社会影响三大个体驱动因素
- RE-AIM采纳框架：建立从技术可及性（Reach）到持续维护（Maintenance）的完整评估体系
- 人机交互理论（HAI）：构建信任度、透明性、可控性三维评估模型
- 用户体验七原则：通过发现性（Discoverability）、反馈机制（Feedback）等设计要素的实践检验

技术筛选与数据提取机制
研究团队开发双轨制筛选系统：初期通过Rayyan平台实现AI辅助的文献去重与初筛，重点识别2015年10月后发表的英文文献及灰色文献。人工复核阶段采用"三审三校"机制，由两位资深研究者（CV, SH）与一位技术专员（KM）组成交叉审核小组，确保文献质量与分类准确性。数据提取采用动态映射表，将文献内容与四大分析框架进行智能关联，特别注重记录技术工具在证据合成各阶段（从文献检索到结果报告）的渗透模式与用户行为轨迹。

核心发现预期
1. 技术采纳的"双螺旋模型"：揭示个体认知与技术特性的相互作用规律，建立"功能完善度-用户体验度"二维评估体系
2. 用户体验的"三阶跃迁"：识别从工具辅助（2015-2020）到人机协同（2021-2023）再到自主决策（2024-）的演进路径
3. 跨学科适配特征：发现环境科学、社会科学与医学领域在技术采纳上的共性与差异，形成领域适配指数

研究实践价值
本研究将产出三方面实用成果：首先，建立全球首个AI证据合成工具用户体验基准数据库，包含200+个关键指标；其次，开发技术适配度评估矩阵，为科研机构选择工具提供决策支持；最后，形成人机协同操作指南，包含30个典型场景的解决方案模板。

技术验证与实施保障
研究团队采用"实验室模拟+真实场景验证"的双轨测试机制：在虚拟环境中通过压力测试模拟极端科研场景，同时与ICASR合作开展12个跨国实证研究项目。特别设立伦理审查委员会，确保在研究过程中保护用户隐私数据，并通过ISO/IEC 25010标准认证技术工具的可用性。

该研究已通过OSF平台（注册号ayqjc）伦理审查，并获澳大利亚国家科研委员会（NCRIS) 资助。研究预期成果将纳入WHO证据合成指南更新计划，并作为医学信息学课程的核心教材内容。通过建立"技术特性-用户体验-组织支持"的动态评估模型，为人工智能在科研领域的规模化应用提供可操作的框架体系。