五度分离：探究替代性人机协作协议的意外潜力及其在AI辅助决策中的应用

将AI整合到决策过程中可带来显著收益，尤其是在提高准确性和效率方面。然而，长期后果如过度依赖、技能退化和人类主体性丧失等问题也带来重大挑战。本研究在多个医学场景（包括放射影像、心电图和内镜检查）中考察了各种人机协作协议——传统型、抑制型、替代型和替换型。我们引入了一个包含选择列线图和定性评估工具的新框架，旨在优化决策准确性和社会技术影响。我们的研究发现，替代性协议在多种情境下始终优于其他协议，在MRI分析中达到87%的准确率，在X光读片中达到89%，在内镜检查中达到85%；相比之下，传统协议仅在心电图分析中最有效，准确率为82%。这些结果表明，没有单一的协议是普遍最优的，凸显了根据具体情境进行选择以确保有效且可持续的AI辅助决策的必要性，同时关注短期绩效与长期人为因素的平衡。