实现无偏见AI辅助综合的核心原则

始终保持人类在决策环中

AI工具应辅助而非取代人类判断。综述团队仍然对综述的严谨性、有效性和报告质量承担全部责任。成功采用AI的关键在于创建与审阅者协作而非替代审阅者的可靠工具。

遵循预注册的透明协议

系统综述正是为了通过严格、预定义的协议来减少偏见而发展起来的。使用AI并不能免除研究者遵守这一点——事实上，它要求更多的记录，而非更少。

缓解特定偏见的具体步骤

警惕筛选中的选择偏见

大语言模型可能系统性地偏向或排除某些类型、语言或结果的研究。研究者应将AI的筛选决策与一组金标准的人类筛选结果进行比较，以进行校准。

警惕确认偏见和发表偏见

机器学习系统通常基于常规智慧和陈旧文献进行训练，而这些文献本身已偏向于阳性结果。这可能无声地放大证据基础中已有的偏见。

将AI输出与人类判断进行验证

不要盲目接受AI建议的研究、提取的数据或风险评估。手动交叉检查一个足够大的随机样本。

仅在AI经过专门设计和验证的任务中使用它

切勿在其训练领域之外采纳模型的建议，并且始终复核它的工作。

透明度与报告标准

披露使用的每一项AI工具，包括版本和角色

2025年，Cochrane、Campbell协作组织、JBI和环境证据协作组织联合发表声明，要求公开报告证据综合中所有AI的使用情况。

遵循新兴的报告指南

一项针对系统综述中负责任使用AI的三支柱指南，要求使用检索增强生成（RAG）并提供可验证的来源归属，将AI定位为“经过校准的合作伙伴”而非替代品。

弥补培训与标准方面的不足

提高透明度、明确报告标准以及加强用户培训，都是支持在证据综合中负责任地采用AI所必需的。

核心结论

AI可将人工工作量减少50%–75%，覆盖文献筛选、数据提取和风险评估等环节，且在与研究者监督配合时不会牺牲PRISMA级别的准确性。但同样的研究也证实，AI会引入自身偏误（选择偏误、确认偏误、训练数据偏误）。解药是：人类监督 + 透明报告 + 严格验证。绝不要将批判性思维外包给工具。

实现无偏见AI辅助综合的核心原则

始终保持人类在决策环中

AI工具应辅助而非取代人类判断。综述团队仍然对综述的严谨性、有效性和报告质量承担全部责任。成功采用AI的关键在于创建与审阅者协作而非替代审阅者的可靠工具。

遵循预注册的透明协议

系统综述正是为了通过严格、预定义的协议来减少偏见而发展起来的。使用AI并不能免除研究者遵守这一点——事实上，它要求更多的记录，而非更少。

缓解特定偏见的具体步骤

警惕筛选中的选择偏见

大语言模型可能系统性地偏向或排除某些类型、语言或结果的研究。研究者应将AI的筛选决策与一组金标准的人类筛选结果进行比较，以进行校准。

警惕确认偏见和发表偏见

机器学习系统通常基于常规智慧和陈旧文献进行训练，而这些文献本身已偏向于阳性结果。这可能无声地放大证据基础中已有的偏见。

将AI输出与人类判断进行验证

不要盲目接受AI建议的研究、提取的数据或风险评估。手动交叉检查一个足够大的随机样本。

仅在AI经过专门设计和验证的任务中使用它

切勿在其训练领域之外采纳模型的建议，并且始终复核它的工作。

透明度与报告标准

披露使用的每一项AI工具，包括版本和角色

2025年，Cochrane、Campbell协作组织、JBI和环境证据协作组织联合发表声明，要求公开报告证据综合中所有AI的使用情况。

遵循新兴的报告指南

一项针对系统综述中负责任使用AI的三支柱指南，要求使用检索增强生成（RAG）并提供可验证的来源归属，将AI定位为“经过校准的合作伙伴”而非替代品。

弥补培训与标准方面的不足

提高透明度、明确报告标准以及加强用户培训，都是支持在证据综合中负责任地采用AI所必需的。

核心结论

AI可将人工工作量减少50%–75%，覆盖文献筛选、数据提取和风险评估等环节，且在与研究者监督配合时不会牺牲PRISMA级别的准确性。但同样的研究也证实，AI会引入自身偏误（选择偏误、确认偏误、训练数据偏误）。解药是：人类监督 + 透明报告 + 严格验证。绝不要将批判性思维外包给工具。