向主动实践转型：一项关于在成人社会护理中实施机器学习系统的纵向田野研究

文献标题

Transitioning Towards a Proactive Practice: A Longitudinal Field Study on the Implementation of a ML System in Adult Social Care

文献信息

• 主题领域: 人工智能与社会福利、人机交互用于社会服务领域
• 关键词: 机器学习, 实施挑战, 成人社会护理, 现场研究, 人机交互, 预防性护理, 数据共享, 技术整合, 社会工作技术, 公共服务

研究背景与问题

• 发现的问题或挑战:

  • 英格兰的成人社会护理（ASC）面临危机，需求不断增长而资源有限。
  • 政策制定者提倡使用机器学习（ML）系统改进服务，但缺乏具体实施指南。
  • 历史表明信息系统的实施可能因人机交互问题而失败，而现有研究多聚焦于ML系统的设计与使用，较少探讨它们如何在现实中实施。

• 重要性:

  • 推动社会护理部门从“反应式”模式向“主动预防性”转变，不仅能减轻系统压力，还能改善服务用户的福祉。
  • 社会护理中的技术实施若能顺利推进，将为公共服务数字化转型提供重要借鉴。

• 研究动机与相关工作:

  • 响应人机交互（HCI）领域呼吁，探索如何将算法设计转化为实际影响。
  • 少量HCI研究已研究工作边界上的算法决策影响，但缺乏对从实验室到实际应用之间“实施”阶段的深入讨论。

解决方案

• 研究方法:

  • 采用纵向田野研究，观察跨组织团队在英格兰一个县议会内部实施ML系统的过程。
  • 研究目标是回答三个核心问题：
    1. 机器学习系统在社会护理组织中如何实施？
    2. 实施过程中遇到的主要挑战有哪些？
    3. 从业者如何应对这些挑战？

• 提出的方法:

  • 将ML系统整合入社会护理“预防性工作流”中。
  • 运用HCI知识重新设计工作流，以减少负面影响并提升实际效益。
  • 开展互动访谈、参与式观察以及实践文档分析，确保研究数据全面可靠。

• 实施步骤与关键技术:

  • ML系统的设计包括从数据收集、自然语言处理（NLP）到生成预测（如跌倒风险）的全流程。
  • 工作流设计更多关注县议会与服务用户之间的交互方式，以及服务的实际交付路径。
  • 分析多个特定挑战并引入“务实解决方案”，如数据共享协议的优化、批量人口筛选策略，以及系统的模糊评估工具（如“dip checks”）。

研究成果

• 具体成果:

  • 描述了ML系统在社会护理领域实施的复杂过程，揭示了一系列技术、社会和法律方面的挑战。
  • 通过分析，提供了以实践为导向的应对方案，如扩展数据源、优化人工智能模型及提升数据共享信任度。
  • 开发了一种基于HCI知识的替代性工作流，强调如何通过风险预测与服务用户的自然交互来提升项目效果。

• 与现有解决方案的比较优势:

  • 系统性覆盖跨组织协作网络中涉及的各类挑战，细致描绘了技术实施的社会情境。
  • 强调了HCI和社会工作研究结合的可能性，从人本视角改进技术设计。

• 实验或评估结果:

  • 识别了ML项目中常见的实施挑战（如数据共享障碍、目标人群定义不明、预防服务的容量限制等）。
  • 基于挑战提出了灵活且实用的解决方案，并验证了HCI知识在改进工作流方面的有效性。

• 局限性与未来方向:

  • 研究局限于单一场景，未来可扩展至更多社会护理环境验证结论的普适性。
  • 探讨技术与组织工作流整合的具体路径，尤其是系统扩展到更广泛数据来源后的潜在问题。

总结与指导建议

• 建议从问题导向的角度出发推进ML项目，而非技术驱动。
• 提高数据采集机制，包括创造直接反映现象的代理变量。
• 在数据共享方面及早沟通，加强跨组织协调。
• 将ML系统的设计与工作流设计相结合，引入用户驱动的设计理念。
• 改善项目评价框架，确保评估标准的稳健性和伦理合理性。

通过本研究，作者不仅深化了社会护理中ML系统实施的学术理解，还为政策制定者和实践工作者提供了实际指导，其价值跨越了单纯的技术讨论。