文献追踪日报

背景：生成式人工智能（GAI）正快速改变研究实践，包括健康研究中的定性方法。这类工具虽能高效处理大量文本数据，但在方法学严谨性、解释能力、公平性与伦理方面仍存疑虑。目的：综合当前关于GAI用于健康相关定性研究的证据，聚焦其应用场景、相对人工分析的表现以及对严谨性、伦理与公平的影响。方法：依照乔安娜布里格斯研究所与PRISMA指南开展快速综述，检索PubMed、Web of Science与Scopus中2022年至2025年12月发表的同行评议研究，纳入在定性分析中使用GAI工具（如ChatGPT、Gemini、Claude）或将其输出与人类研究者、编码者及传统定性方法相比较的研究，采用结构化模板提取数据并用CASP清单评估质量。结果：共42项研究符合标准，71.4%发表于2025年，81%采用定性设计，主题分析（40%）与内容分析（20%）最为常见。GAI最多用于数据熟悉、编码与主题生成，ChatGPT出现频次最高（占全部模型出现次数的62.7%）。在评价GAI表现的研究中，其优势集中在归纳式主题与内容分析，描述性主题的一致性常超过80%，涉及文化细微差异的主题则降至约30%；多项研究报告分析耗时比人工分析快达97%，但在反思性、理论驱动型分析中表现下降，常出现解释流于表面、理论框架误用甚至编造引文等问题。研究普遍认为人工监督对保证效度、情境准确性与伦理完整性不可或缺，偏见、透明度与数据隐私也广受关注。结论：GAI可有效支持健康研究定性分析的早期阶段并提升效率，但无法替代定性研究所倚重的解释与反思功能，推荐采用人机混合模式——由GAI辅助数据处理，研究者保留解释、情境化与伦理监督责任；未来应优先制定兼顾公平、透明与负责任整合的指南。

背景：整合多样的临床数据源需要通过OMOP等模型实现标准化，但将数据元素映射到OMOP概念需要大量专业技术与时间。大型医疗系统通常具备转换资源，而较小的临床试验与研究往往缺乏支持，导致有价值的研究数据被孤立。目的：开发并验证一款易用工具，利用大语言模型为临床试验、电子健康记录与登记库数据自动化OMOP转换过程。方法：构建基于GPT-3词嵌入的三层语义匹配系统，将异构临床数据转换为OMOP通用数据模型——系统生成输入词条的向量嵌入，与预计算的OHDSI词表嵌入计算余弦相似度并对候选匹配排序。使用两套独立数据集验证：一套为76个美国国立卫生研究院HEAL计划临床试验通用数据元（慢性疼痛与阿片类使用障碍），另一套为来自NIH N3C COVID-19数据环境的电子健康记录概念。系统架构将统一医学语言系统（UMLS）语义框架与异步处理相结合，并以开源形式提供。结果：系统在临床试验通用数据元映射上取得0.9975的ROC曲线下面积；在0.85—1.0的相似度阈值区间内，精确率为0.92—0.99、召回率为0.88—0.97。实际应用中该工具成功自动化了此前需人工信息学专家完成的映射，人口学词条与对应LOINC概念的相似度达100%，并同时支持单条映射与批量处理。结论：该工具可在保持高准确率的同时自动完成临床数据向OMOP格式的转换，其语义匹配能力与研究者友好的界面使小型研究团队无需大量信息学支持即可实现数据协调，有助于加速临床研究数据标准化并扩大对HEAL数据生态等计划的参与。

目的：系统梳理生成式大语言模型（LLM）适配电子健康记录（EHR）分析与应用的性能表现与改进策略。方法：遵循PRISMA指南，系统检索PubMed与Web of Science于2023年1月1日至2024年11月9日发表的文章，由包括生物医学信息学专家与临床医生在内的多位评审者参与筛选；纳入标准为使用生成式LLM分析真实世界EHR数据并报告改进技术定量性能评估的研究。结果：从18735篇文章中筛出196项符合标准的研究，其中112项（57.1%）将生成式LLM用于临床决策支持，40项（20.4%）用于文书任务，39项（19.9%）用于信息抽取，11项（5.6%）用于患者沟通，10项（5.1%）用于摘要生成。196项研究中，多数（88.8%）没有对性能改进策略做定量评估，其余24项（12.2%）定量评估了上下文学习（9项）、微调（12项）、多模态整合（8项）与集成学习（2项）的有效性；3项研究指出少样本提示、微调与多模态数据整合未必提升性能，另有2项研究发现微调较小的模型可优于大模型。结论：采用性能改进策略未必必然带来性能提升，未来需要更多定量分析，以形成更有效、更安全地应用这些策略的详细指南。

背景：患者语言能力对公平、以患者为中心的医疗以及语言相关临床研究至关重要，但电子健康记录结构化字段中记录的语言信息往往不完整或不准确，在文档实践各异的多机构场景尤为突出。目的：构建并评估一套命名实体识别（NER）流程，利用大语言模型（LLM）从非结构化临床记录中准确抽取细粒度的患者语言状态，实现可扩展、可泛化的语言信息抽取。方法：将语言状态划分为四类——流利使用、部分能力、无法理解、与患者无关的语言提及，并在耶鲁纽黑文医院（YNHH）与MIMIC-III两个数据集上进行标注；评估GPT-4o、LLaMA3、BERT等专有与开源模型在零样本与微调设置下的表现，并开展跨机构验证以考察泛化性。结果：GPT-4o在无需微调的情况下于YNHH与MIMIC数据集上分别取得87%与82%的F1值；在标注数据充足时，经微调的BERT与LLaMA3等开源模型达到相当甚至更优的表现；跨机构评估确认LLaMA3等大语言模型的泛化能力强于传统模型；“与患者语言能力无关的提及”是所有模型中最具挑战的类别。结论：该NER框架能够高精度、可泛化地自动抽取临床叙事中细微的语言信息，支持大规模语言相关研究，并对改善医患沟通、口译服务配置与公平医疗具有实际意义。

数据叙事将叙事技巧与数据可视化相结合，以更具吸引力和可行动性的方式呈现复杂信息。近年来生成式人工智能（AI）在数据可视化与叙事中的潜在用途受到关注，但实证评估有限。为填补这一空白，本研究考察大语言模型（LLM）能否有效帮助个人构建数据驱动的故事。研究设计了三阶段问卷：先捕捉参与者对生成式AI工具的初始感知，随后开展动手活动，让参与者使用LLM创作数据故事，最后通过活动后问卷评估其态度变化。结果显示：此前使用过生成式AI的个体更倾向于在数据叙事中采纳这类工具；但曾专门将LLM用于可视化用途的参与者采纳热情反而较低，可能源于既往遇到的困难或局限。此外，参与者认为生成式AI工具在数据叙事的初期阶段特别有用，尤其是确定目标信息时。重要的是，研究观察到动手体验后参与者采纳生成式AI的可能性出现显著的正向转变。这些发现凸显了生成式AI在改进数据叙事流程方面的潜力，并揭示了在商业分析领域深化人机协作的机会。

大语言模型（LLM）在各类应用中展现出卓越能力，但其成功与类人交互也引发了对“拟人化”的日益关注。这一现象对组织既是机遇也是挑战：既可能提升运营效率与个性化水平，也带来隐私、偏见与企业责任方面的担忧。本文是一篇观点文章，横跨计算机科学、商业、心理学与法学进行跨学科综合，提出可用于负责任部署LLM的实践性、可操作指南。文章不采用传统的实证或理论框架，而是以跨学科批判性讨论与综合作为贡献基础，并据此提出“6P准则”，在伦理考量与商业价值之间取得平衡，帮助组织应对LLM带来的复杂挑战。准则涵盖问责机制、工具选择、批判性思维、隐私保护、以人为本的设计与预期管理等关键方面。这一整体性路径有助于组织应对LLM部署中的技术、伦理与法律挑战，同时最大化其变革潜力。分析表明，恰当落实这些原则可以帮助组织在发挥LLM能力的同时维持伦理标准，并建立可持续的利益相关者信任。

既有文献已广泛考察企业内部数据资产的价值创造，但数据价值跨越企业边界在供应链中的扩散仍缺乏研究。本文构建创新扩散框架，分析数据价值如何跨越企业边界传播。基于2008—2023年上海与深圳A股上市公司的新颖数据集并采用双重机器学习（DML）方法，本文记录了显著的向上扩散效应：客户企业的数据价值提升会改善其供应商的经营与财务表现，并识别出治理协同与学习模仿是关键的传导渠道。异质性分析显示，在融资约束较低、技术人员占比较高的供应商中效应更强，凸显吸收能力的调节作用。这些发现通过刻画供应链扩散路径，推进了数据经济学文献，并为促进跨企业数据协同的政策提供了依据。

在中国经济转型背景下，企业边界不仅由生产效率决定，也受交易摩擦、供应链风险与金融制度环境的影响。本文以中国科技金融融合试点计划为准自然实验，采用多期双重差分框架检验金融制度创新是否促进企业垂直专业化。结果显示，试点显著提高了企业专业化水平，该结论在平行趋势检验、安慰剂检验、控制传统与数字金融发展、城市—年份固定效应、剔除超大城市以及更换交错DID估计量后依然稳健。机制检验表明，政策主要通过降低广告强度和稳定上游供应商关系发挥作用；相比之下，客户周转率的估计系数为负但不具统计显著性。异质性分析显示，高新技术企业与融资约束较强的企业估计效应更大；所有制比较表明民营企业与国有企业均从该政策中受益。研究为科技金融融合如何重塑企业边界、深化产业分工提供了微观层面的证据。

目的：考察区块链技术如何影响保证能力不足的供应链中企业的融资与运营决策。方法：为使整条供应链更具竞争力，保证能力不足的制造商可通过提供两种融资策略实施财务援助——非区块链担保融资（NGF）与区块链担保融资（BGF），但各策略的适用条件尚不明确，需要进一步研究。本文采用Stackelberg博弈刻画供应链参与者之间的互动，推导各方的均衡决策并比较不同融资策略的优劣。发现：随着担保费率上升，两种融资模式下最优订货量相等的临界点下降；制造商的共同担保份额与担保费率呈负相关。就财务绩效而言，当实际系数较低时零售商更偏好区块链担保融资而非非区块链担保融资，制造商的利润取决于潜在损失与批发价收益之间的平衡。研究还识别出供应链参与者的共赢区间，即在实际系数或担保费率较低时双方均采用区块链技术。原创性：区块链技术使担保公司能够直接参与供应链，与制造商共同为资金受限的零售商提供共同担保，从而提升供应链的保证能力。

目的：存货质押融资（IPF）是应对供应链资金约束的有效手段。本研究构建包含银行、中小企业与第三方物流提供商（3PL）的IPF系统，考察不同成本结构与监管环境的影响，特别是区块链实施前后IPF系统内的策略互动，并为提升融资整体效率、推进区块链技术应用提供理论基础。方法：采用演化博弈框架分析区块链实施前后的融资行为动态，并运用仿真方法考察隐匿成本、惩罚结构与处置价格等因素如何影响IPF系统中的决策过程。发现：在IPF下，参与者的互动受资产管理能力、再投资收益与欺诈惩罚影响；随着隐匿成本上升，达到“（宽松监管、合规质押）”均衡的可能性提高。区块链实施后（IPFB），均衡受违约损失与合规收益影响。区块链技术强化了监管，有效降低欺诈风险。原创性：本文以动态与行为视角弥补了区块链情境下IPF研究的重要空白，揭示区块链如何重塑决策过程、降低欺诈风险并提升监管效率；通过整合成本结构与合规激励，为融资生态中的行为转变与系统性改进提供了新见解。

本研究发现，世界范围内的强制性ESG信息披露显著提高了企业对商业信用的使用。基准结果在交错双重差分设计、替换样本检验、动态效应模型与异质性处理分析下均保持稳健。提高财务报告质量与增强会计稳健性是ESG披露影响商业信用的传导渠道。基准效应在由证券交易所发起的披露、大陆法系市场的企业、非气候脆弱行业的企业以及市场份额较低的企业中更强。这些发现凸显了ESG披露在促进信任、便利商业信用供给方面的关键作用。

目的：在后疫情时代的奢侈品市场，排队已从物流障碍转变为一种有意的品牌策略。本文考察路易威登法兰克福旗舰店等奢侈品牌如何刻意借助排队提升品牌排他性、调节客流并提高购物体验的感知价值。方法：基于对27位排队消费者的现场质性访谈，探讨排队作为心理触发器与品牌信号的双重角色。发现：排队会引发多种消费者反应——包括地位信号、社群认同、愉悦期待，以及挫败感与感知不公平；这些情绪反应与品牌奢侈品指数（Brand Luxury Index）的维度相对应，说明管理良好的排队可以提升品牌吸引力，而管理不善的排队可能损害顾客忠诚。实践意义：本文为希望在排他性与可及性之间取得平衡、并将等待转化为顾客旅程中有价值环节的奢侈品管理者提供了战略启示。原创性：研究深化了对排队作为奢侈品零售战略性品牌工具的理解，为通过优化等待体验强化顾客关系、在日益民主化的奢侈品市场中维持高端定位提供了管理洞见。

目的：以往研究多从企业视角研究企业社会责任（CSR），把CSR决策视为企业面临的难题。有鉴于此，本研究转向消费者视角，探讨消费者对CSR属性、利益与动机价值的感知。方法：采用定性手段—目的链（MEC）分析，通过对80位西欧消费者开展阶梯访谈，探索其对CSR的感知与购买动机。与传统研究分别考察各类品牌特定属性与举措的调节作用不同，本文采用整体性方法，刻画通向CSR购买的路径。发现：MEC分析揭示出概括参与者动机模式的五类关键价值——（1）个人社会责任、（2）自我价值、（3）成就感、（4）社会联结、（5）安全。原创性：本研究提供了对CSR的整合性理解，将此前被孤立考察的驱动因素汇聚起来，是对CSR更细致的概念化，也是同时分析多个构成要素的首批综合性尝试之一；除拓展CSR理论外，研究结论对希望维系消费者支持的CSR战略同样具有实践价值。

目的：本研究考察AI驱动的营销活动（互动、信息、可用性与配置）对全球旅游业目的地品牌资产（DBE）的影响，重点关注目的地品牌挚爱（DBL）与目的地品牌形象（DBI）的中介作用；基于刺激—有机体—反应（S-O-R）框架，探讨AI驱动策略如何促成认知与情感反应以增强目的地竞争力。方法：采用定量研究设计，通过结构化在线问卷收集390名在过去12个月内与AI旅行平台有过互动的伊朗游客数据，并使用偏最小二乘结构方程模型（PLS-SEM）检验假设关系，评估AI营销活动对DBE、DBI与DBL的直接效应以及DBI与DBL的中介作用。发现：AI驱动的营销活动显著提升目的地品牌资产、目的地品牌形象与目的地品牌挚爱；品牌形象与品牌挚爱在AI营销活动与目的地品牌资产之间起中介作用，通过认知与情感路径放大效应，模型对目的地品牌资产具有较强解释力。实践意义：研究为目的地营销者、旅游主管部门与AI平台开发者提供可操作指引——优先投入互动（如交互式聊天机器人）与信息提供（如可信的个性化推荐），聚焦直观、移动友好的界面，以透明且基于用户同意的个性化应对隐私关切，并在认知（可信度导向）与情感（热情导向）策略间取得平衡。原创性：研究较早将S-O-R框架综合应用于多维AI驱动的旅游营销活动，揭示AI策略提升目的地品牌资产的认知与情感路径。

目的：基于消费者的品牌资产（CBBE）已被用于旅游与酒店业衡量企业层面及目的地层面品牌的成效。随着葡萄酒旅游在过去二十年受到关注，研究者尝试用CBBE理解消费者对不同葡萄酒旅游目的地的反应；然而该领域研究分歧较大，模型构成要素多样，且未在不同目的地之间得到验证。方法：本研究检验了一个包含六个最常用要素——品牌熟悉度、品牌形象、感知质量、消费者价值、品牌价值与品牌忠诚——的CBBE模型。模型先在美国5个国内葡萄酒旅游目的地（n=247）测试，再在全球5个葡萄酒旅游目的地（n=248）复测，采用495名受访者数据开展偏最小二乘结构方程模型（PLS-SEM）分析。发现：包含品牌熟悉度、品牌形象、消费者价值与品牌忠诚的四要素CBBE模型在葡萄酒旅游目的地情境中可能更为简洁。实践意义：了解酒庄所在目的地的CBBE，有助于酒庄判断在多大程度上可以依托该目的地品牌资产销售葡萄酒，又在多大程度上必须依靠自身营销活动培育其特定葡萄酒品牌的品牌资产。原创性：研究在多个葡萄酒旅游目的地间检验CBBE模型，具有独特性。

尽管关于品牌完形（brand gestalt）的研究已相当丰富，但目的地品牌完形（DBG）对目的地品牌资产（DBE）的影响仍少有探讨，这在理论与实践上都构成明显空白。本研究考察DBG对五类DBE变量——品牌联想、知名度、形象、忠诚度与感知质量的影响，聚焦全球知名旅游目的地巴厘岛。研究使用取自305名外国游客的问卷数据，通过SmartPLS进行结构方程模型（SEM）分析。结果显示，DBG显著提升上述五类DBE变量，从理论上揭示了整体性品牌感知在塑造品牌资产中的作用；在实践上，研究结论为政策制定者设计提升目的地整体吸引力、进而强化品牌资产的举措提供了指导。