C. Edwards|A. Murphy|T. Gunn|A. Singh|E. Arruzza|C. Makanjee|E. Geritz|C. Chamunyonga
昆士兰科技大学，临床科学学院，健康学院，布里斯班，QLD，澳大利亚
摘要
引言
人工智能（AI）在医学放射科学（MRS）中的应用日益融入日常临床工作流程中。随着AI系统承担更多操作性角色，人们不仅关注其技术能力，还关注专业判断力、伦理责任，以及“具备实践准备”究竟意味着什么。本研究评估了澳大利亚MRS学生和新毕业生的AI准备情况。
方法
一项全国性的横断面在线调查针对澳大利亚认证的MRS项目的应届毕业生和近期毕业生进行。医疗人工智能准备量表（MAIRS-MS）从认知、能力、视野和伦理三个方面评估了他们的准备程度。研究评估了量表的内部一致性和因子结构，并通过分析实习期间接触正式AI教育和AI工具的情况来考察群体差异。一个开放式问题用于探讨参与者对准备情况和教育的看法，采用反思性主题分析法进行分析。
结果
共有78名参与者回应（其中72名提供了完整的MAIRS-MS数据）。MAIRS-MS显示出可接受至优异的内部一致性，并具有四个清晰的结构维度。伦理方面的得分最高，认知方面得分最低，能力与视野方面得分处于中间水平。接受过正式AI教育的参与者比未接受教育的参与者准备更为充分（79.1 ± 12.0 vs 70.5 ± 13.0，p = 0.01）；实习期间接触过AI工具的参与者也是如此（80.1 ± 11.2 vs 69.5 ± 13.0，p < 0.01）。定性分析揭示了四个相互关联的主题：信心和准备程度的差异；伦理责任与专业认同；教育与实践中不同类型的AI；以及大学教学与临床实际之间的不匹配。
结论
毕业生表现出强烈的AI使用伦理导向，但在基础AI知识和应用理解方面信心较弱。这种不平衡可能限制了他们在临床实践中对AI结果的批判性评估。
对实践的启示
MAIRS-MS提供了一个实用的框架，用于评估AI教育的效果。研究结果支持增强基础AI知识的课程设置，整合真实的临床AI体验，并在AI支持的实践中明确专业责任。
引言
人工智能（AI）已超越了医疗保健领域的理论技术范畴，日益渗透到临床工作流程中。对于医学放射科学（MRS）专业人员而言，这些技术正朝着更大的任务级自主性发展，包括患者定位和协议选择的辅助、图像解读，以及嵌入可视化工具以实现自动化分类、分割和决策支持。这些技术有望减轻过重的工作负担，同时保持诊断准确性和治疗效果。在澳大利亚，MRS涵盖诊断放射学、放射治疗和核医学技术等受监管的专业。这些专业人员精通影像和治疗技术的应用，以最大化诊断和治疗效益，同时也充当这些技术与患者体验之间的主要桥梁。一些研究者设想下一代从业者将与AI在协作性、辅助性模型中紧密合作，而另一些人认为这种整合未必能持续带来预期的性能提升，因此呼吁AI与人各自承担不同角色。证据表明，自动化偏见和忽视可能导致有效的AI-人类协作受损。此外，可能会出现新的工作负担来源，例如从业者需要校核AI结果并协调AI与人之间的差异。对于从业者来说，这可能导致工作量增加，以及他们在临床工作流程中向监控、验证和响应AI支持的结果转变。
随着AI技术重塑临床工作流程和职业责任，国际专业机构和监管机构强调了了对从业者不断变化的期望以及适当培训的必要性。在澳大利亚，澳大利亚医学放射实践委员会（MRPBA）强调从业者必须监督技术的使用，确保AI的安全整合，要求发展必要的知识、技能和属性以实现安全和有效的临床应用。澳大利亚医学影像与放射治疗协会（ASMIRT）的立场文件也强调了教育的重要性，并建议更新课程以理解AI应用。临床指导报告（如皇家放射科医师学院发布的报告）同样呼吁提供教育和培训框架，以确保对临床实施和AI工具局限性的认识。英国健康与护理专业委员会（HCPC）、国家卫生服务（NHS）及放射技师协会和学院的举措已将AI意识纳入专业标准和培训中，通过网络研讨会系列和电子学习模块等方式强调全国范围内为从业者准备AI整合的紧迫性。
这些专业和监管举措共同表明，高等教育是核心责任之一，旨在培养毕业生不仅具备就业能力，还具备在不断发展的技术环境中的专业判断力和行动能力。许多国家采用基于标准的方法，要求学生完成课程并按明确的专业标准进行评估，这些标准定义了毕业生必须具备的最低能力或胜任力才能获得专业注册资格。这些标准会根据临床实践和技术的发展进行更新，包括AI日益增长的作用。在澳大利亚，MRPBA最近更新了其专业能力要求，将MRS从业者定位为AI支持技术的负责任使用者，明确要求其具备监督、批判性分析和明智决策的能力，以确保安全、高质量的护理。虽然MRPBA不期望毕业生成为AI开发者，但要求他们了解监管和国家框架，成为合乎伦理的AI用户，并对临床决策负责。这里的“准备程度”指的是应对和应用AI的感知能力，包括意识、信心和基础知识，与实际能力或表现不同。
关于教育方法应如何应对该领域AI的相关学术研究已经开始出现。现有文献提倡重新设计课程，使学生能够伦理且安全地使用AI，同时加强教育者的专业知识。尽管已有多项针对学生态度和认知的研究，但关于入门级从业者AI相关能力的验证指标的实证证据仍然有限。特别是，在医学放射科学专业中，缺乏对实践过渡阶段AI准备程度的有效测量方法。本研究通过应用医疗人工智能准备量表（MAIRS-MS）框架来填补这一空白，并探讨准备程度与教育经历和临床接触等因素之间的关系。
本文基于对MRS学生和新毕业生的全国性调查，建立了他们的AI准备情况基线，为基于证据的课程设计和评估提供依据。
方法
研究设计
根据互联网电子调查结果报告检查表（CHERRIES）指南进行了横断面在线调查。所有参与者都收到了一份在线信息表，说明了研究目的、参与的自愿性质及数据保密措施。调查开始时通过电子方式获得了知情同意。
工具
调查使用了医疗人工智能准备量表（MAIRS-MS）。该量表最初用于评估医学生的AI准备程度，已在多个准备领域显示出可接受的可靠性和结构有效性。尽管该量表尚未应用于MRS专业人员，但其核心概念并不局限于特定学科，符合当前对AI支持的医疗实践的期望。这些概念包括：认知（对AI概念的知识和理解）；能力（使用AI工具的信心和技能）；视野（对AI未来机会、局限性和影响的认识）；伦理（对医疗保健中AI使用相关的伦理、法律和专业责任的理解）。MAIRS-MS也在医学以外的学习者和专业群体中得到了应用和验证，表明其概念相关性和可靠性跨医疗领域适用。调查还包括两个二元问题，询问参与者是否接受过正式的AI教育或课程（如讲座、研讨会或教程），以及在临床实习期间是否使用过AI工具。一个开放式问题让参与者反思他们在职业中使用AI的准备情况以及教育对此的贡献。
参与者和招募
符合条件的参与者是注册MRS项目的澳大利亚应届毕业生（毕业不超过18个月）和近期毕业生。没有核医学从业者参与调查，因此结果仅反映放射学和放射治疗领域的参与者。选择应届毕业生和近期毕业生是因为两组都有近期接受预注册教育及当前或最近的临床实践经验，便于他们评估实践过渡阶段的AI准备情况。招募工作从2025年8月1日至2025年12月1日期间通过所有提供MRS专业的澳大利亚大学邮件列表、专业协会通讯、定向社交媒体帖子（如LinkedIn）和滚雪球抽样方式进行。未提供任何激励措施，参与完全自愿。
调查使用QualtricsXM（Qualtrics，Provo，UT，美国）平台进行，平台配置可匿名记录IP地址以防止重复录入。未收集任何可识别个人身份的数据。
调查管理和响应率
调查通过开放的在线渠道（专业电子邮件列表、社交媒体和同伴网络）分发。由于无法追踪个别邀请和页面浏览情况，因此无法确定接收人数或计算浏览量、参与率和响应率。
数据完整性
部分完成的调查被保留用于分析人口统计特征和开放式回答。最初设定了部分领域完成的最小要求；但为确保领域间的一致性和可比性，MAIRS-MS的定量评分仅限于完整领域的数据。因此，MAIRS-MS分析基于完整案例数据，而部分响应仅用于描述性和定性分析。
数据分析
定量数据分析使用R语言（版本4.4.2；R统计计算基金会，维也纳，奥地利）进行。使用R中的psych包对MAIRS-MS的每个领域及整个量表的内部一致性进行了Cronbach's alpha检验。确认性因子分析（CFA）使用R中的lavaan包进行，以验证MAIRS-MS的预定义四维结构是否在该样本中得到支持。Cronbach's alpha用于评估各领域内的项目是否一致测量同一潜在结构；CFA则评估项目是否按预期聚合成不同的潜在维度。由于五点李克特量表的顺序性质，CFA使用了适用于顺序数据的估计器，模型拟合度通过比较拟合指数（CFI）和近似均方根误差（RMSEA）进行评估。
根据是否接受过正式AI教育和在临床实习期间是否使用AI工具，分析了MAIRS-MS总分的差异。由于MAIRS-MS得分呈非正态分布，采用Wilcoxon秩和检验进行组间比较。所有检验均为双侧检验，统计显著性阈值为p < 0.05。
开放式回答的定性分析采用了Braun和Clarke框架的混合反思性主题分析法。事先制定了一套敏感性代码以帮助熟悉分析过程，随着分析进展动态生成了更多代码。编码和主题开发是迭代和非线性的，不断改进以确保主题基于参与者的实际语言和经验。另一位研究者审查了编码框架和主题结构，并通过讨论和数据对比解决了不一致之处。
人口统计
共有78名参与者提供了知情同意。其中72名提供了完整的MAIRS-MS回答，纳入基于量表的分析；部分回答用于描述性和定性分析（如适用）。参与者的人口统计特征见表1。样本的人口统计特征
特征数 = 78
学科
医学成像/放射学：67（86%）
放射治疗：11（14%）
性别
男性：28（36%）
女性：50（64%）
年龄范围
25岁以下：52（67%）
25-29岁：13（17%）
30-34岁：8（10%）
35-39岁：2（2.6%）
40-44岁：1（1.3%）
45-49岁：1（1.3%）
50岁及以上：1（1.3%）
不愿说明：0（0%）
是否接受过正式的人工智能教育/课程：
是：39（50%）
否：39（50%）
在临床实习期间是否使用过人工智能工具：
是：35（45%）
否：43（55%）
MAIRS-MS的测量属性
在本研究中，MAIRS-MS的所有领域内部一致性都处于可接受到优秀的范围内（Cronbach α值范围：0.75–0.90），总体量表的一致性也非常高（α = 0.93）。通过验证性因子分析验证了该工具的四个因素结构（认知、能力、视野、伦理）。模型拟合指数表明数据拟合良好（CFI = 0.99；RMSEA = 0.05），与预期的领域结构一致。项目载荷和因子相关性表明这些领域相互关联，但在实证上是独立的。
对于72名提供完整领域数据的参与者，我们分析了MAIRS-MS的领域得分和总分，结果见表2。为了便于比较不同项目数量的领域，我们计算了原始1–5李克特量表上的平均项目得分，并将其与相应的原始领域得分一起报告。各领域的平均项目得分中，伦理领域的得分最高，认知领域的得分最低，能力领域和视野领域的得分处在中等水平。
表2. MAIRS-MS的平均项目得分（1–5）和原始领域得分。平均项目得分已标准化为原始李克特量表，以便比较项目数量不同的领域。
| 领域 | 平均项目得分（1–5） | 标准差 | 原始得分标准差 | 分数范围（最小-最大） |
|------------|-------------|-----------|------------|-----------------|
| MAIRS-MS总分 | 3.30 | 0.67 | 3.41 | 2.94 |
| 认知 | 3.10 | 0.72 | 4.45 | 1.1–35 |
| 能力 | 3.40 | 0.72 | 7.45 | 1.1–39 |
| 视野 | 3.40 | 0.81 | 2.35 | 3.5–14 |
| 伦理 | 3.80 | 0.81 | 1.42 | 4–15 |
接受过正式人工智能教育的参与者比未接受教育的参与者具有更高的MAIRS-MS得分（79.1 ± 12.0 vs 70.5 ± 13.0；Wilcoxon W = 887.5, p = 0.01, r = 0.32）。在临床实习期间使用过人工智能工具的参与者也比未使用的参与者具有更高的MAIRS-MS得分（80.1 ± 11.2 vs 69.5 ± 13.0；Wilcoxon W = 946.5, p < 0.01, r = 0.40）。性别与MAIRS-MS得分无关（Wilcoxon, W = 484, p = 0.18）。
表3展示了参与者评分最高和最低的MAIRS-MS项目。得分最高的项目反映了参与者对人工智能价值的认知和伦理意识，而得分最低的项目则与选择、分析和将人工智能整合到临床工作流程中的应用技能相关。总体而言，较高的伦理得分和较低的认识及应用技能得分表明，参与者在人工智能使用方面的专业责任感与其基础知识和应用信心之间存在脱节。
分析开放式回答后确定了四个相互关联的主题。图1的“冲积图”展示了这些主题之间的关系和概念重叠区域。
**图1. 冲积图**展示了定性代码与更高层次主题之间的关系。
这四个主题如下所示，不表示任何层次结构；它们反映了重叠且相互关联的质性模式。参与者的引言说明了这些主题是如何在他们的经验中体现出来的：
**主题1：对人工智能支持的实践的信心和条件准备度**
毕业生表现出不同程度的信心，从感到毫无准备到高度自信不等。这种准备度常常取决于培训、监督，或者能否首先独立工作而不依赖人工智能。有限的实践经验削弱了即使是那些认识到人工智能临床价值的人的信心。
“我觉得自己准备得还算不错……但接触更多的人工智能工具并积累相关经验后，我会对自己使用人工智能更有信心。”（受访者 – 54, RT）
“……关于人工智能的浅层次讲座根本没有真正教我什么是人工智能以及它如何工作……如果我使用人工智能技术，现在我只是一个‘按按钮的人’，完全不觉得自己有能力以明智的方式使用它。”（受访者 – 43, MI）
**主题2：人工智能支持的工作中的伦理责任和专业身份**
参与者表达了对于专业责任的担忧，特别是关于依赖人工智能输出、故障排除以及保持临床判断力方面的问题。准备度不仅被视为技术能力，也被视为确保患者安全的伦理责任，许多受访者强调即使在没有人工智能支持的情况下也要保持能力。
“我希望在没有人工智能的情况下也能胜任工作，这样如果它出现故障，我仍然能够解决问题。”（受访者 – 62, RT）
“我不明白如果人工智能出了问题，作为从业者我们的责任是什么。”（受访者 – 37, MI）
**主题3：教育和实践中的人工智能风格选择**
毕业生区分了嵌入到成像工作流程中的临床人工智能工具和主要用于学习或学术支持的生成式人工智能工具。一些受访者批评了教育中对生成式人工智能的过度重视，建议更多地关注他们在实践中可能遇到的临床相关人工智能系统。
“我认为大学里对生成式人工智能工具的关注度过高，而作为医学成像专业的学生，我们需要了解人工智能如何与改善成像技术相关。”（受访者 – 49, MI）
**主题4：人工智能教育与临床现实的结构性脱节**
参与者普遍表示，针对人工智能的正式培训有限，学习在大学教学和临床环境中的分布不均。人工智能通常是以概念性或偶然的方式引入的，而实际接触往往发生在实习或早期就业期间。
“我认为我需要更多的培训才能自信地独立解释和使用人工智能来完成某些任务。我相信在职场中学到的东西比大学里能学到的更多。”（受访者 – 28, RT）
“大学里没有关于人工智能的培训，但工作时同事们展示了他们如何有效地使用它。”（受访者 – 7, MI）
**讨论**
本研究为在医学影像学（MRS）专业人士中使用MAIRS-MS提供了初步的实证支持。结果显示，每个领域内部一致性良好，项目按照预定义的结构聚集在一起，捕捉到了认知、能力、视野和伦理等不同但相关的维度。这些发现表明，MAIRS-MS在医学影像学专业人士的背景下能够按预期发挥作用，扩展了之前在多种健康专业群体中的验证工作。
除了工具性能之外，领域层面的结果还提供了关于MRS专业人士对人工智能支持实践准备情况的洞察。在国际背景下，本研究中观察到的领域得分与其他健康专业领域的结果大体一致。认知领域得分始终最低，表明各学科和地理环境中的基础人工智能知识信心较低。相比之下，伦理领域的得分相对较高，这表明即使在没有很强的技术理解力的情况下，人们也普遍认为具有专业责任。总体准备程度高于沙特阿拉伯和约旦的医学和健康科学群体中的报告水平，与土耳其的护理群体相当。值得注意的是，能力和视野领域得分相似。这种模式与大多数以行业为中心的文献不同，后者通常认为未来导向的问题比实际能力得到更高的评价，这反映了尽管技术信心或应用经验有限，人们对人工智能未来角色的乐观态度。
先前的研究表明，当前的人工智能教育水平仍然不足。例如，在英国，超过一半的诊断和治疗放射技师表示培训不足，很少有人对与人工智能相关的技能有信心。在这种背景下，教育者面临的问题不再是是否需要人工智能教育，而是如何有意义地将其整合到专业认证的课程中。MAIRS-MS的结构在概念上与当前的医学影像学专业能力框架相一致。
认知和能力领域与基于证据的实践、临床和数字系统的安全使用以及有效的工作流程整合的期望紧密契合。伦理领域与现有的和新兴的专业责任和伦理决策标准相一致。此外，视野领域反映了与专业领导和治理相关的新兴期望，预见了数字技术的机会、限制和风险，以及以支持患者安全和系统改进的方式应用健康信息学。在特定的教育干预中，需要仔细考虑这四个领域。Crotty等人强调，基于实践的真实人工智能教育应侧重于培养从业者批判性评估人工智能工具的能力，评估其局限性，并反思其在现实世界环境中的伦理和患者安全影响。Stewart和Clark描述了加强基础人工智能和信息学知识的重要性，以及伦理和专业推理的重要性，同时提醒如果没有足够的认知基础，人工智能系统可能会被不加批判地接受，从而削弱专业判断力。Alipio等人认为，临床部门越来越期望毕业生能够理解人工智能系统的能力和局限性，并在既定的临床治理框架内批判性地评估人工智能生成的输出。
伦理能力在当前的专业能力框架中占据重要位置，特别是在讨论新兴的数字和人工智能支持的实践时。较高的伦理得分可能反映了现有伦理培训（如以患者为中心的护理、专业行为准则和研究诚信）在人工智能支持实践中的可转移性。然而，与人工智能相关的伦理挑战可能是独特的。例如，人工智能在工作流程中的存在引入了与责任和偏见相关的复杂性，这些都影响了伦理决策。此外，仅靠伦理教育可能不足以解决问题。虽然广泛提倡，但证据表明其影响比单纯完成课程作业更为复杂。教育可能提高个人对人工智能的理解和推理能力，但实践中的伦理行为还取决于动机、道德勇气和组织背景——而不仅仅是伦理知识本身。因此，人工智能知识可能会提高对人工智能输出的判断质量（例如，评估、情境化和验证的能力），帮助从业者做出更合理的伦理判断。然而，教育可能无法消除时间压力和工作场所规范等脆弱性，因此需要针对认知和情境行为的综合培训。
一个新兴的风险是，人们可能误认为常规使用诸如大型语言模型（LLMs）等工具就等于具备了临床实践的准备度。仅仅使用工具并不意味着用户对其工作原理或故障排除方法有深入的理解。即使对人工智能有熟练的理解，如果没有特定领域的专业知识，也会遇到问题。例如，常规使用生成式人工智能进行解释或决策支持可能会让用户对其看似连贯和权威的输出产生信心，即使这些输出是不正确的、不完整的或不适合特定临床情境的。
另一个教育意义是，工具复杂性的增加可能会削弱学习者在其所在复杂的多学科医疗团队中理解各自专业基础的机会。重要的是，认为当代学习者天生具备数字能力的说法是没有根据的；这种观点将技术熟悉度与批判性信息和数字素养混为一谈。在人工智能支持的工作环境中定义“准备好实践”应考虑领域知识、评估人工智能输出的能力以及安全整合工具的能力——而不仅仅是“擅长使用计算机”。
与本研究强调的人工智能支持工作环境中的伦理责任和专业身份一致，教育应明确指出使用人工智能不会削弱专业责任。因此，教育策略应优先发展基础知识和专业判断力，并明确这些能力如何支撑安全和伦理的患者护理。这对评估和学习设计有着重要影响，评估和学习设计应当奖励批判性、基于问题的推理、情境决策能力，以及质疑和证明人工智能支持的输出的能力，而不是仅仅关注任务完成或可能通过人工智能工具优化的输出表现。因此，向学习者传达的核心信息应当非常明确：从业者在其领域专业知识的基础上，仍然需要对影响患者福祉的决策后果负责。基于这些观点，当教育设计能够将伦理导向转化为实践时，将会最为有效，例如通过专门针对人工智能的伦理案例讨论、设计出算法输出可能存在缺陷的模拟场景，以及设置结构化的反思“停顿点”（例如，质疑数据局限性、子群体偏见、患者沟通和应急计划）。这些方法在促进认知发展的同时，保持了在人工智能支持下的临床实践中对伦理责任的遵守。
**对实践的影响**
研究结果支持了MAIRS-MS量表在MRS队列中的内部结构，并与更广泛的研究结果一致，这些研究表明，尽管人们对人工智能的兴趣很高，但基础的人工智能知识并不均衡，且正式培训也较为有限。接触教育与更高的准备程度得分相关，这与先前将教育与更细致的态度和对专业责任更清晰的认识联系起来的文献结果一致。这四个领域自然地映射到课程成果和专业能力上，为教育工作者提供了一个实用的结构，以培养人工智能素养、工作流程整合、面向未来的判断力以及伦理治理能力。MAIRS-MS量表可以用来建立基线准备程度，并在实施有针对性的干预措施后重新进行测试，以评估随时间的变化，并指导课程的迭代改进。MAIRS-MS的数据还可以帮助大学、临床部门和专业机构使其教育内容符合专业认证要求。鉴于在“认知”、“能力”和“视野”方面的得分相对较低，教育工作者可以设计有针对性的学习计划，优先考虑这些领域，同时将伦理考量嵌入到真实的临床场景中。
**研究的优势与局限性**
本研究的优势包括使用了具有结构化内在框架的量表，并结合了定量和定性研究结果来全面评估人工智能准备程度。然而，作为一项横断面研究，它也有一些局限性：样本规模相对较小，这限制了统计精度和对子群体比较的解释；招募是通过在线公开方式进行的，无法计算回应率，可能会引入自我选择偏差（例如，对人工智能更感兴趣的参与者可能更有可能回应）。尽管招募是通过大学和专业渠道在全国范围内进行的，但由于采用了匿名公开分发的方式，因此没有收集到机构标识符和参与者地理位置信息，因此样本的代表性及地理分布无法完全确定，研究结果只能视为初步结论，不能代表全国情况。准备程度的评估依赖于自我报告而非客观的能力衡量标准，因此可能无法完全反映实际能力。不过，结构化的量表有助于确保不同参与者回答的一致性和可解释性。定性分析主要通过一个开放式问题来进行，旨在引发关于人工智能准备程度的具体情况反思，而非进行全面的质量分析。未来的研究应通过纵向设计和基于表现的评估来检验感知到的准备程度与实际能力之间的对应关系。
**结论**
研究结果初步支持在MRS专业环境中使用MAIRS-MS量表，并为有针对性的教育干预措施的设计、实施和评估提供了实用的基准。报告之前接受过人工智能教育的参与者在MAIRS-MS量表上的得分较高，表明正式的学习经历与 perceived准备程度之间存在关联。尽管参与者表现出较强的伦理导向，但对人工智能基础知识的专业信心较低。这种不平衡揭示了专业价值观与批判性评估人工智能输出所需的认知能力之间可能存在差距。虽然这些领域在分析上有所不同，但它们可能是相互依赖的，因为安全和伦理地使用人工智能离不开对系统局限性、偏见和不确定性的理解。
**伦理批准与参与许可**
本研究已获得昆士兰科技大学（QUT）大学人类研究伦理委员会的伦理批准（批准编号：LR 2025-9642-24900）。
**数据可用性**
如需本研究所需的数据，作者可根据合理要求提供。
**作者贡献**
CE：概念化、方法论、数据分析、数据整理、可视化、初稿撰写、项目管理工作
CC：概念化、方法论、数据分析、可视化、撰写——审校与编辑
AM：概念化、方法论、调查研究、撰写——初稿
TG：资源管理、项目管理工作、数据分析、验证、撰写——审校与编辑
AS：项目管理工作、撰写——审校与编辑
EA：概念化、方法论、项目管理工作、撰写——审校与编辑
CM：资源管理、数据分析、验证、撰写——审校与编辑
EG：资源管理、撰写——审校与编辑
**生成式人工智能的使用**
在准备这项研究的过程中，作者仅使用了Microsoft CoPilot工具来辅助语言编辑。使用该工具/服务后，作者对内容进行了必要的审阅和修改，并对最终发表的文章内容负全责。
**资金情况**
本研究未获得任何资助。
打赏
