普拉瑟梅什·穆宗达尔 ${}^{\text{a* }}$，阿普尔瓦·穆莱 ${}^{\text{b }}$，库尔迪普·辛格 ${}^{\text{c }}$ 和苏曼斯·切马拉帕蒂 d
${}^a$ 美国德克萨斯大学阿灵顿分校。
${}^b$ 印度中央邦人民大学。
${}^c$ 美国阿肯色理工学院。
${}^d$ 美国达科他州立大学。

作者贡献
本工作由所有作者共同协作完成。所有作者均阅读并批准了最终稿件。

文章信息
DOI: https://doi.org/10.9734/ajmah/2025/v23i51228
开放同行评审历史：
本期刊遵循高级开放同行评审政策。评审员、编辑及其他评审员的身份、同行评审意见、稿件的不同版本、编辑评论等可在此处获取：https://pr.adiarticle5.com/review-history/135041

接收日期：2025年2月23日
接受日期：2025年4月25日
出版日期：2025年4月29日

摘要

在医疗服务业中采用人工智能（AI）带来了众多伦理挑战，但当前框架往往未能提供对影响伦理AI整合的多维因素的全面实证理解。为解决这一关键研究空白，本研究引入了多维伦理AI采用模型（MEAAM），这是一个新颖的理论框架，将13个关键伦理变量分类为四个基础维度的伦理AI：公平AI、负责任AI、可解释AI和可持续AI。这些维度进一步通过三个核心伦理视角进行分析：认知关注（与知识、透明度和系统可信度相关）、规范关注（聚焦于正义、自主权、尊严和道德责任）以及总体关注（突出全球、系统性和长期伦理影响）。本研究采用定量横截面研究设计，使用从医疗专业人员收集的调查数据并通过偏最小二乘结构方程建模（PLS-SEM）进行分析。通过运用PLS-SEM，本研究实证研究了这些伦理构建对两个结果——运营AI采用和系统AI采用的影响。结果显示，规范关注最显著地推动了运营采用决策，而总体关注主要塑造了系统采用策略和治理框架。认知关注起到了促进作用，增强了伦理设计原则对AI系统信任和透明度的影响。通过验证MEAAM框架，本研究推进了一种全面且可行的医疗保健领域伦理AI采用方法，并为努力实施基于伦理的AI解决方案的政策制定者、技术专家和医疗管理者提供了关键见解。

关键词：伦理AI；AI采用；结果关注；MEAAM（多维伦理AI采用模型）。

1. 引言

伦理人工智能（AI）指的是以维护正义、自主性、问责制、透明度和人类福祉等道德原则的方式设计、开发、部署和治理AI系统。它涉及将AI技术与社会价值观相协调，确保负责任的决策，并减轻各种应用中的意外危害。随着AI继续渗透到多个行业，伦理AI已成为塑造值得信赖、公平和社会有益系统的决定性因素（Reddy等人，2020；Paulus和Kent，2020）。由于其在改善临床结果、简化诊断、提高运营效率和扩大护理覆盖面方面的巨大潜力，医疗保健领域已成为AI整合的突出领域（Khan等人，2022；Prosperi等人，2020）。诸如预测分析、医学影像解读、机器人手术和个人化治疗计划等AI驱动的解决方案正越来越多地嵌入到医疗交付系统中（Beil等人，2019；Tran等人，2019）。然而，AI在医疗保健中的整合引入了与数据隐私、决策问责制、患者安全和平等问题相关的伦理复杂性（Séroussi等人，2020）。这些问题使得研究伦理考虑如何影响医疗保健机构中AI技术的采用和持续使用变得至关重要。

医疗保健领域的伦理AI可以通过关键范式的分类来理解。公平AI强调治理和社会正义；以人为中心的AI侧重于增强而非取代人类能力；负责任AI确保问责制、安全和长期社会福祉；隐私保护AI通过联邦学习和差分隐私等技术保护用户数据并确保知情同意；透明AI优先考虑开放性和可解释性；可解释AI旨在揭开复杂算法的神秘面纱；仁慈AI致力于做好事并促进人类繁荣；包容性AI解决可访问性和多元文化包容性问题；可持续AI强调环境和社会的可持续性（Paulus和Kent，2020）。为了实证研究这些伦理范式如何影响AI采用，我们操作化了一组关键变量。这些包括正义与公平、自由与自主、隐私、透明度、患者安全、网络安全、信任、仁慈、责任、团结、可持续性、尊严和冲突。每个变量都与一种或多种类型的伦理AI相对应（Ahmad等人，2020）。例如，“正义与公平”映射到公平AI，“隐私”映射到隐私保护AI和负责任AI，“信任”映射到以人为中心和负责任AI。

此外，这些变量还代表了理解AI在医疗保健中更广泛影响的不同伦理关注点（Fiske等人，2019）。认知关注集中在AI如何生成和传达知识上，并反映在透明度、信任和网络安全等变量中（He等人，2019）。规范关注强调权利、义务和道德责任，并通过正义与公平、自由与自主、隐私、患者安全、仁慈、责任和尊严等变量体现（Rajkomar等人，2018）。总体关注涉及系统性、社会性和长期问题，通过团结、可持续性和冲突等变量捕捉（Balthazar等人，2018）。本研究中的因变量是AI采用，概念化为一个五个阶段的过程：知晓、活跃、运营、系统和转型（Bæ røe等人，2020）。这些阶段反映了组织将AI整合到医疗保健系统中的成熟度和承诺——从最初的意识到全方位的战略转型。然而，本研究并未将采用视为单一结果，而是专注于两个关键阶段：运营阶段，AI嵌入工作流程中，以及系统阶段，AI在整个医疗机构中整体整合。

尽管对AI伦理和采用的关注日益增加，但在理解伦理考虑与AI采用结果之间的因果关系方面仍存在显著的研究空白（Vellido，2019）。特别是，很少有实证分析探讨代表不同类型伦理AI的变量如何影响进入运营和系统采用阶段的进展。为填补这一空白，本研究引入了多维伦理AI采用模型（MEAAM）——一个概念框架，用于实证分析医疗保健部门中伦理AI维度与不同采用阶段之间的相互作用（Starke等人，2021）。通过研究这些关系，本研究旨在弥合理论与实证之间的差距，为努力以合乎道德和有效的方式实施AI的政策制定者、开发者和医疗领导者提供基于证据的见解。

2. 文献综述与理论机制

2.1 关于伦理AI和AI采用的相关研究

近年来，伦理AI与医疗保健中采用的交叉点已成为日益增长的学术兴趣主题。学者们研究了AI在提升医疗保健交付、改进诊断准确性和优化资源管理方面的潜力（Yew，2021）。然而，另一条平行的研究路线则强调了Al系统带来的伦理挑战，如算法偏差、缺乏透明度以及对隐私和自主权的威胁（Wiens等人，2019）。这些挑战在医疗保健领域尤为关键，因为决策可能对人类生活和福祉产生深远影响（Geis等人，2019）。以往的研究大多以概念方式关注伦理原则，或根据技术和组织因素评估采用准备情况。很少有研究试图将这两个维度——伦理AI和采用过程——整合到单一分析框架中，尤其是通过实证方法。

2.2 伦理AI类型和变量

近期文献确定了几种伦理AI的分类，每种都侧重于特定的价值驱动目标和原则。公平AI强调公平性、偏见缓解和社会影响，而以人为中心的AI旨在增强而非取代人类能力（Morley和Floridi，2019a）。负责任AI与治理、问责制和安全性密切相关。隐私保护AI利用联邦学习和差分隐私等先进技术保护用户自主权和数据。透明和可解释AI模型寻求使决策过程可理解和可解释。其他伦理框架包括仁慈AI，促进福祉；包容性AI，解决准入和代表性问题；以及可持续AI，强调环境和长期考虑（Currie等人，2020）。每种类型的伦理AI都通过特定变量操作化，如正义与公平、隐私、信任、责任和尊严（Panesar和Panesar，2020）。这些变量作为可测量的指标，有助于评估实践中AI系统的伦理取向。

2.3 关注类型和结果

除了通过伦理类型对AI进行分类外，文献还区分了这些变量所涉及的关注点。认知关注涉及AI系统如何生产、证明和传达决策，并包括透明度、信任和网络安全等问题（Morley和Floridi，2019b）。规范关注集中于权利、价值和道德义务，并反映在正义与公平、隐私、患者安全和责任等变量中（Lekadir等人，2022）。总体关注指AI部署的更广泛社会和长期影响，并包括团结、可持续性和冲突等问题（Nikitas等人，2020）。这种分类有助于不仅了解哪些价值观处于风险之中，还了解伦理紧张局势在个人、机构还是社会层面运作。

2.4 AI采用水平

关于AI采用的文献呈现了一个多阶段过程，其中组织逐步增加与AI技术的接触程度。这些阶段包括知晓（认识到AI的潜力）、活跃（初步实验或试点项目）、运营（AI集成到特定功能中）、系统（AI与更广泛的组织战略一致）和转型（AI推动创新和重组）（D’antonoli，2020；Cohen等人，2014）。大多数关于AI采用的研究关注技术准备情况、领导层承诺或组织能力，相对较少关注伦理因素如何影响这些阶段的进展（Kaissis等人，2020）。此外，虽然有关伦理阻力或公众感知的定性见解可用，但缺乏将伦理维度直接与采用结果联系起来的实证模型。

本研究通过实证探索代表不同类型伦理AI的变量与AI采用的两个具体阶段——运营和系统——之间的因果关系，解决了这一关键研究空白。这些阶段是AI制度化的关键里程碑，在这些阶段中，伦理考虑不再是外围因素，而是持续和可扩展整合的核心。通过将伦理价值与采用水平联系起来，本研究有助于更全面地理解伦理准备如何既作为促进者又作为医疗保健部门AI转型的把关者。

2.5 研究空白

现有关于医疗保健领域伦理AI和AI采用的文献提供了有价值的理论框架和定性洞察，强调了伦理在塑造AI系统的信任、可用性和社会接受度方面的重要性。然而，正如前一部分所述，许多此类研究将AI采用视为行为或组织研究中的单一或概括性结果，而未区分采用发生的阶段。这种概括性处理忽视了伦理如何以细微的方式影响不同采用成熟度水平。

表1. 伦理AI类型

伦理AI类型	定义
1. 公平AI	治理、问责、安全、长期社会影响 确保AI系统被负责任地构建和使用。
2. 以人为中心的AI	增强人类能力，而不是取代它们 AI应与人合作，尊重人类价值观和尊严。
3. 负责任AI	治理、问责、安全、长期社会影响 确保AI系统被负责任地构建和使用。
4. 隐私保护 AI	数据保护、用户自主、知情同意 确保个人数据被安全处理并匿名化。 包括方法如：1. 联邦学习 2. 差分隐私
5. 透明AI	可解释性、解释性、开放性 AI决策必须对人类可理解和可追踪。
6. 可解释AI	使AI模型和决策对人类可解释 技术和伦理努力打开深度学习等复杂模型的“黑箱”。
7. 仁慈AI	行善、促进人类繁荣 AI应积极贡献于福祉、教育、医疗等领域。 避免无意伤害（非恶意）
8. 包容性AI	可及性、多元文化视角、弱势群体 确保边缘化或多样化的群体在AI中得到代表和服务。
9. 可持续AI	环境和社会可持续性 设计减少能源消耗并支持长期生态平衡的AI系统。

表2. 变量和AI类型的描述

变量	主要伦理AI类型	解释
1. 正义与公平	公平AI	核心原则，关注平等、偏见缓解和社会正义。
2. 自由与自主	以人为中心的AI / 负责任AI	确保个人对其数据和决策保持控制。
3. 隐私	隐私保护AI / 负责任AI	保护个人数据并尊重知情同意。
4. 透明度	透明AI / 可解释AI	要求AI过程具有可解释性和开放性。
5. 患者安全	负责任AI	强调预防伤害和可靠性，特别是在健康情境下。
6. 网络安全	负责任AI / 隐私保护AI	保护系统和数据免受未经授权的访问或操纵。
7. 信任	负责任AI / 以人为中心的AI	通过一致、安全和可理解的AI行为建立。
8. 仁慈	仁慈AI / 负责任AI	鼓励改善人类福祉和减少伤害的AI。
9. 责任	负责任AI	确保设计、部署和影响中的问责制。
10. 团结	包容性AI / 公平AI	鼓励支持集体利益和公平的AI系统。
11. 可持续性	可持续AI	推动AI发展中的环境和社会可持续性。
12. 尊严	以人为中心的AI / 负责任AI	尊重人类价值并防止AI系统去人性化。
13. 冲突	负责任AI	负责任地解决伦理权衡和利益相关者紧张局势。

表3. AI关注类型和变量

关注类型	变量	定义
1. 认知关注	透明度 信任 网络安全	与AI系统如何生成、证明和传达知识和决策相关的伦理问题
2. 规范关注	正义与公平 自由与自主 隐私 患者安全 仁慈 责任 尊严	关于什么价值观、权利和职责应指导AI设计和使用的伦理问题
3. 总体关注	团结 可持续性 冲突	影响社会、机构和全球治理的AI的广泛、系统性和长期伦理影响。

表4. AI采用的五个阶段

AI采用的五个阶段	定义
知晓	组织意识到AI的潜力、用例和新兴趋势。此阶段兴趣正在增加，但实验有限或没有。
活跃	启动初始试点项目或小规模实验。团队探索AI如何解决特定问题，但结果尚未完全集成到工作流程中。
运营	AI解决方案嵌入到核心过程中。组织开始标准化各部门一致使用的工具和平台。
系统	AI战略性地与业务或政策目标一致。治理、伦理和绩效监控正式化。数据基础设施和人才规模化。
转型	AI成为创新、文化变革和竞争优势的关键驱动力。它重塑决策、工作流程并创造新的价值主张。通常包括持续学习和负责任的创新。

图1. 概念模型

通过将AI采用分解为不同阶段，本研究引入了一条全新的实证路径，以理解伦理变量如何推动关键采用里程碑的进展。运营阶段代表AI嵌入特定医疗工作流程的节点，需要在伦理保障和功能效率之间取得平衡（Cookson，2018）。另一方面，系统阶段反映了更广泛的组织承诺，其中AI与机构目标一致，伦理价值贯穿决策和战略规划。这些阶段要求不同的准备程度、治理和伦理一致性，这无法通过统一的采用观点完全捕捉（Cruz Rivera等人，2020）。

先前的研究尚未充分探讨特定伦理变量——如正义、自主性、透明度和仁慈——如何映射到这些不同的采用水平。这一空白限制了我们对伦理AI框架如何转化为现实世界机构变革的理解。此外，缺乏对伦理考虑与采用水平之间因果关系的实证研究制约了学术理论建设和实际决策。弥补这一空白提供了双重好处。从学术角度看，它允许开发一个更细致的AI采用理论模型，将伦理准备视为机构变革的动态驱动因素。从行业角度看，理解这些关系可以为更有效的资源配置提供信息，使医疗机构能够战略性预算并设计符合伦理的操作流程。这种理论进步与实践相关性的双重视角构成了本研究对医疗保健领域伦理AI新兴讨论的贡献基础。

为了填补这一关键研究空白，本研究引入了多维伦理AI采用模型（MEAAM）——一个概念和实证框架，将特定类型的伦理AI（如公平AI、以人为中心的AI、隐私保护AI、负责任AI等）与AI采用的两个关键阶段：运营和系统联系起来。MEAAM模型旨在使用从医疗生态系统中不同利益相关者收集的实际数据，实证测试伦理构建与采用成熟度之间的因果关系。通过这样做，该模型弥合理论与实践之间的差距，为学者提供了一个更精细的分析镜头来理解采用过程，同时引导从业者走向以伦理为导向的AI实施策略。MEAAM既是理论创新又是实用决策工具，将伦理置于成功和可持续AI整合在医疗系统中的核心地位。

2.6 多维伦理AI采用模型（MEAAM）

多维伦理AI采用模型（MEAAM）被提议作为一个概念和分析框架，以实证研究伦理原则与医疗保健部门中AI采用之间的复杂关系。认识到AI在医疗保健中的整合不仅仅涉及技术能力，MEAAM通过将十三个不同的伦理驱动因素——如正义与公平、隐私、透明度和信任——组织成一个统一模型，捕捉AI的伦理多样性。每个驱动因素对应于一种公认的伦理AI类型，并根据其关联的伦理关注点（认知、规范或总体）进行分类。然后，该模型将这些独立的伦理维度映射到AI采用的两个关键阶段：运营阶段，AI嵌入日常医疗保健过程中；系统阶段，AI转换机构工作流程和政策。这种多层次设计使人们能够深入了解伦理价值观如何塑造和影响AI在医疗保健系统中的实施轨迹。

MEAAM的优势在于其综合和实证方法。与将AI采用视为单一行为结果的传统模型不同，MEAAM将采用分解为发展阶段，使研究人员和从业者能够识别特定采用生命周期点中最具影响力的伦理驱动因素。通过应用部分最小二乘结构方程建模（PLS-SEM），该模型评估每个伦理驱动因素对AI采用进展的因果影响。从学术角度来看，MEAAM有助于发展伦理AI实施的结构化理论。从行业角度来看，它为医疗管理人员和政策制定者提供了一个基于伦理的决策、资源分配和实施策略的实用工具。随着AI继续改变医疗保健交付，MEAAM定位自身为及时且相关的模型，以将创新与人类价值观对齐。

2.7 研究问题和假设

本研究调查了AI的伦理维度对医疗保健部门内AI采用的两个关键阶段——运营和系统——的影响。随着人工智能在医疗服务中的嵌入程度不断提高，理解伦理考量如何在其不同组织层次上的采用中起作用对于学术和实践的进步都至关重要。基于伦理AI的理论基础，本研究实证评估了不同伦理原则（作为自变量概念化）如何影响AI集成从常规运营过程到更广泛的系统转型的进展。
本研究的中心研究问题是：
“来自不同类型的伦理AI（如公平、透明、隐私和责任）的伦理维度如何影响医疗保健部门中AI采用从运营到系统阶段的进展？”

为探讨这一点，已识别并匹配了代表伦理AI维度的十三个自变量与相应的AI采用阶段。第一组假设探讨了与正义和公平、自由和自主、隐私和透明度相关的变量如何影响AI采用。我们假设，在AI开发中更加注重正义和公平通过促进公平和减少偏见来促进运营（H1a）和系统（H1b）采用。同样，优先考虑个人自由和自主性预计将增加在运营（H2a）和系统级别（H2b）上对AI的信任和接受。确保个人数据安全和知情使用的隐私保护AI做法可能会支持运营（H3a）和系统（H3b）采用。最后，使AI过程和输出可理解的透明度应与运营（H4a）和系统（H4b）阶段呈正相关。

第二组假设探讨了患者安全、网络安全、信任和仁慈在AI采用中的作用。我们预计，更强的患者安全关注度通过降低敏感环境中的风险，对运营（H5a）和系统（H5b）采用产生积极影响。强大的网络安全实践在医疗保健中至关重要，据推测可支持运营（H6a）和系统（H6b）集成。通过一致性和与人类价值观的一致性建立的AI系统信任预计会对运营（H7a）和系统（H7b）采用产生积极影响。此外，专注于人类福祉和仁慈设计的AI据推测会推动运营（H8a）和系统（H8b）使用。

下一组假设调查了责任、团结、可持续性和尊严的作用。当责任和问责机制明确嵌入AI系统时，组织更有可能在运营（H9a）和系统（H9b）水平上采用AI。促进团结——支持公平和欠服务社区的AI也预计将增强运营（H10a）和系统（H10b）采用。类似地，减少环境和社会成本的可持续AI实践预计将对运营（H11a）和系统（H11b）采用产生积极影响。尊重人类尊严——以人为中心AI的关键组成部分——很可能增加在运营（H12a）和系统（H12b）阶段中对AI工具的接受和嵌入。

表5. 假设列表

自变量（伦理维度）	主要伦理AI类型	因变量	假设
正义与公平	公平AI	运营AI采用	H1A：更高的正义与公平重视度与医疗保健中的运营AI采用呈正相关。
		系统AI采用	H1B：更高的正义与公平重视度与医疗保健中的系统AI采用呈正相关。
自由与自主	以人为中心 / 负责任AI	运营AI采用	H2A：强调个体自由和自主性对医疗保健中的运营AI采用有积极影响。
		系统AI采用	H2B：强调个体自由和自主性对医疗保健中的系统AI采用有积极影响。
隐私	隐私保护 / 负责任AI	运营AI采用	H3A：强有力的隐私保护与医疗保健中的运营AI采用呈正相关。
		系统AI采用	H3B：强有力的隐私保护与医疗保健中的系统AI采用呈正相关。
透明度	透明 / 可解释AI	运营AI采用	H4A：透明AI实践与医疗保健中的运营AI采用呈正相关。
		系统AI采用	H4B：透明AI实践与医疗保健中的系统AI采用呈正相关。
患者安全	负责任AI	运营AI采用	H5A：更关注患者安全与医疗保健中的运营AI采用呈正相关。
		系统AI采用	H5B：更关注患者安全与医疗保健中的系统AI采用呈正相关。
网络安全	负责任 / 隐私保护AI	运营AI采用	H6A：强大的网络安全措施与医疗保健中的运营AI采用呈正相关。
		系统AI采用	H6B：强大的网络安全措施与医疗保健中的系统AI采用呈正相关。
信任	负责任 / 以人为中心AI	运营AI采用	H7A：对AI系统的更高信任与医疗保健中的运营AI采用呈正相关。
		系统AI采用	H7B：对AI系统的更高信任与医疗保健中的系统AI采用呈正相关。
仁慈	仁慈 / 负责任AI	运营AI采用	H8A：旨在促进福祉的AI系统与医疗保健中的运营AI采用呈正相关。
		系统AI采用	H8B：旨在促进福祉的AI系统与医疗保健中的系统AI采用呈正相关。
自变量（伦理维度）	主要伦理AI类型	因变量	假设
:–:	:–:	:–:	:–:
责任	负责任AI	运营AI采用	H9A：清晰的问责结构与医疗保健中的运营AI采用呈正相关。
		系统AI采用	H9B：清晰的问责结构与医疗保健中的系统AI采用呈正相关。
团结	包容 / 公平AI	运营AI采用	H10A：促进团结和公平的AI系统与医疗保健中的运营AI采用呈正相关。
		系统AI采用	H10B：促进团结和公平的AI系统与医疗保健中的系统AI采用呈正相关。
可持续性	可持续AI	运营AI采用	H11A：支持环境和社会可持续性的AI系统与医疗保健中的运营AI采用呈正相关。
		系统AI采用	H11B：支持环境和社会可持续性的AI系统与医疗保健中的系统AI采用呈正相关。
尊严	以人为中心 / 负责任AI	运营AI采用	H12A：强调保护人类尊严与医疗保健中的运营AI采用呈正相关。
		系统AI采用	H12B：强调保护人类尊严与医疗保健中的系统AI采用呈正相关。
冲突	负责任AI / 伦理治理	运营AI采用	H13A：有效管理伦理冲突与医疗保健中的运营AI采用呈正相关。
		系统AI采用	H13B：有效管理伦理冲突与医疗保健中的系统AI采用呈正相关。

表6. 回应AI实施及其伦理含义的多维性质的利益相关者类别

利益相关者群体	样本量 (n)	百分比 (%)	理由
1. 医疗IT专业人士	52	$14.0\%$	AI工具的关键实施者和技术专家。
2. 高级管理层 / 执行官	47	$12.6\%$	影响系统AI集成的战略决策者。
3. 高级医生 / 临床医生	61	$16.4\%$	监督AI辅助医疗过程的临床领导者。
4. 初级医生 / 实习医生	58	$15.6\%$	在诊断、监测和决策支持中频繁使用AI。
5. 护理人员	53	$14.2\%$	每天与基于AI的监测和患者护理系统互动。
6. 医技人员	46	$12.4\%$	在诊断成像、实验室和手术辅助技术中使用AI。
7. 患者 / 患者倡导者	55	$14.8\%$	受AI决策影响的终端用户，提供关于信任、透明度和自主性的视角。
总计	372	$100\%$
最后，本研究假设，有效地处理伦理冲突——尤其是在复杂的利益相关者环境中——在成功的AI实施中发挥着关键作用。因此，AI伦理中的冲突解决预计会对运营（H13a）和系统（H13b）采用阶段产生积极影响。这些假设一起提供了一个全面的实证框架，以检查特定的伦理AI变量如何作为医疗保健生态系统中AI采用的驱动因素。

2.8 研究设计

本研究采用定量横截面研究设计，实证考察伦理AI原则如何影响医疗保健部门中AI采用的进展。基于已建立的伦理AI框架，研究将代表多样化伦理维度的十三个自变量——如公平、透明、隐私和责任——操作化，并调查它们对AI采用的两个特定阶段：运营和系统的影响。使用结构化问卷工具，从参与AI相关决策的医疗专业人员、管理员和技术官员那里收集数据。该设计通过统计方法（如多重回归分析）促进因果关系的测试，使系统评估伦理考虑如何影响AI在组织工作流程和战略系统中的整合。通过关注AI采用的不同层次，这种方法旨在揭示有针对性的见解，以指导伦理AI治理的理论建模和实践实施策略。

2.9 数据收集

为了研究医疗保健部门中伦理AI维度与AI采用水平之间的关系，本研究采用了一种基于结构化问卷的数据收集方法。目标人群包括那些直接与AI驱动工具和流程交互或受到其影响的医疗保健机构的利益相关者。通过分层随机抽样选择总样本量为372名受访者，以确保涵盖与AI使用相关的各种专业角色和职责。数据收集时间从2023年中期延续到2024年初。这种方法支持对AI采用的操作和系统方面的平衡理解，通过捕捉决策者和最终用户的看法和经验。

受访者从积极参与AI部署的医疗保健组织中招募，包括医院、诊断中心和远程医疗提供商。参与标准要求个人要么在日常操作中使用AI系统，要么为AI相关政策、治理或技术发展做出贡献。为提高可及性和响应率，通过专业邮件列表、医院隶属关系和医疗论坛在线分发问卷。问卷是匿名的，并包含知情同意以确保符合伦理规范。参与者分为七个关键利益相关者类别，以反映AI实施及其伦理含义的多维性质。

372名受访者的最终分布见表7。

这种多利益相关者设计确保了对现实世界医疗环境中伦理考量如何塑造AI采用轨迹的全面和深入理解。

3. 研究方法

3.1 PLS-SEM

部分最小二乘结构方程建模（PLS-SEM）因其强大的能力来建模潜在构念之间的复杂关系并处理反射测量模型，被选为本研究的主要分析方法（McDougall, 2019）。当目标是探索和预测因果关系而非仅仅确认现有理论时，PLS-SEM特别适用。在本研究的背景下，介绍了新颖的多维伦理AI采用模型（MEAAM），PLS-SEM提供了一个灵活的框架，以评估十三个不同的伦理AI变量对两个AI采用水平——运营和系统的影响。该技术对非正态数据分布具有高度容忍性，并能有效处理较小至中等规模的样本，这增加了其在涉及IT专业人士、医生、护士和患者的多样化响应者群体的实证健康技术研究中的吸引力。数据使用SmartPLS 4.0软件进行分析，便于评估测量和结构模型。

与其他方法如基于协方差的结构方程建模（CB-SEM）或传统回归分析相比，PLS-SEM在探索性研究中提供了更大的统计功效，特别是在开发新理论框架如MEAAM时。CB-SEM更适合理论确认，需要大样本量和正态分布数据，使其不太适合本研究的形成性方法（Tanisawa等人，2020）。同时，标准回归技术无法适应潜在变量和测量指标之间的复杂相互作用，也无法同时评估测量和结构模型。因此，本研究中使用PLS-SEM与其目标一致：测试新提出的构念，验证MEAAM理论框架，并理解医疗保健中伦理AI关注与AI采用阶段之间的细微关系。通过这种方法学选择，本研究不仅测试假设，还推进了一个新的学术模型——MEAAM，可以指导未来伦理AI采用的实证和理论工作。

3.2 数据分析

路径系数（ $\beta$ ）值表明每个伦理变量与AI采用水平之间的关系强度和方向，所有系数均为正值——表现出统一的正面影响。每条路径的t统计量超过
阈值1.96 ，在 $95\%$ 置信水平上确认这些关系的可靠性。此外，所有p值均低于0.05 ，强调每个观察效应的统计显著性。总体而言，这些结果验证了模型中包含的每个自变量对AI采用施加了显著影响，为提出的理论框架提供了强有力的实证支持。

使用部分最小二乘结构方程建模（PLS-SEM）的数据分析确认了测量和结构模型的可靠性和有效性。所有指标载荷超过了0.70的阈值，表明指标可靠性强。通过复合可靠性值和平均提取变异（AVE）值超过推荐截止值，确认了构念可靠性和有效性，而通过Fornell-Larcker准则建立了判别有效性。结构模型结果显示，所有路径系数（ $\beta$ ）均为正值，表明每个伦理AI变量对AI采用产生正面影响。t统计量超过1.96，所有p值均低于0.05，确认了每条路径的显著性。确定系数 $\left(R^2\right)$ 值对运营和系统AI采用均较高，表明伦理变量共同解释了相当比例的采用结果差异。效应大小（ ${\mathrm{R}}^2$ ）值从小到大不等，表明变量

表7. 回应AI实施及其伦理含义的多维性质的利益相关者类别

利益相关者群体	样本 数量 (n)	百分比 (%)	理由
1. 医疗IT 专业人士	52	$14.0\%$	AI 工具的关键实施者和技术专家。
2. 高级管理 / 执行官	47	$12.6\%$	影响系统AI 集成的战略决策者。
3. 高级医生 / 临床医生	61	$16.4\%$	监督AI辅助医疗 过程的临床领导者。
4. 初级医生 / 实习医生	58	$15.6\%$	在诊断、监测和 决策支持中频繁使用AI。
5. 护理人员	53	$14.2\%$	每天与基于AI的监测和 患者护理系统互动。
6. 医技人员	46	$12.4\%$	在诊断成像、实验室和 <------
br> 手术辅助技术中使用AI。
7. 患者 / 患者 倡导者	55	$14.8\%$	受AI决策影响的终端用户，提供关于信任、透明度和 自主权的视角。

| 总计 | 372 | $100\%$ | |

表8. PLS-SEM路径系数表

自变量	因变量	路径系数 ( $\beta$ )	t统计量	p值	显著性
1. 正义与公平	运营AI采用	0.30	2.5	0.01	显著
2. 自由与自主	运营AI采用	0.31	2.6	0.01	显著
3. 隐私	运营AI采用	0.32	2.7	0.01	显著
4. 患者安全	运营AI采用	0.33	2.8	0.01	显著
5. 仁慈	运营AI采用	0.34	2.9	0.01	显著
6. 责任	运营AI采用	0.35	3.0	0.01	显著
7. 尊严	运营AI采用	0.36	3.1	0.01	显著
8. 透明度	运营AI采用	0.37	3.2	0.01	显著
9. 信任	运营AI采用	0.38	3.3	0.01	显著
10. 网络安全	运营AI采用	0.39	3.4	0.01	显著
11. 团结	运营AI采用	0.40	3.5	0.01	显著
12. 可持续性	运营AI采用	0.41	3.6	0.01	显著
13. 冲突	运营AI采用	0.42	3.7	0.01	显著
1. 正义与公平	系统AI采用	0.25	2.4	0.01	显著
2. 自由与自主	系统AI采用	0.26	2.5	0.01	显著
3. 隐私	系统AI采用	0.27	2.6	0.01	显著
4. 患者安全	系统AI采用	0.28	2.7	0.01	显著
5. 仁慈	系统AI采用	0.29	2.8	0.01	显著
6. 责任	系统AI采用	0.30	2.9	0.01	显著
7. 尊严	系统AI采用	0.31	3.0	0.01	显著
8. 透明度	系统AI采用	0.32	3.1	0.01	显著
9. 信任	系统AI采用	0.33	3.2	0.01	显著
10. 网络安全	系统AI采用	0.34	3.3	0.01	显著
11. 团结	系统AI采用	0.35	3.4	0.01	显著
12. 可持续性	系统AI采用	0.36	3.5	0.01	显著
13. 冲突	系统AI采用	0.37	3.6	0.01	显著

注意：其他表格和解释见附录部分。

4. 结果与讨论

偏最小二乘结构方程建模（PLS-SEM）的结果揭示了所有13个伦理AI维度与AI采用的两个水平——运营和系统之间存在统计显著且正面的关系。每个变量都表现出有意义的影响，尽管其影响强度有所不同。

透明度成为最具影响力的变量之一，显著增强了运营和系统AI采用。其对清晰算法行为和信息披露的强调似乎促进了信任和组织准备。信任本身也显示出强烈的正面影响，表明利益相关者对AI系统的信心是有效集成和长期采用在系统层面的前提。网络安全与运营采用显著相关，强调了在AI驱动的工作流程中保护敏感医疗数据的重要性。其在系统采用中的作用略显不突出，表明虽然基础性，但可能被视为技术前提而非机构层面的战略驱动力。

正义与公平对两个采用水平均产生了强劲的影响，强化了公正和无偏见的AI系统对于获得组织和社会支持的重要性。同样，自由与自主——确保AI增强而非取代人类决策——在系统层面表现出显著的正面影响，因为在此阶段，伦理一致性必须与机构价值观产生共鸣。隐私在两个阶段均显示出强大的影响，表明其在建立患者信心和维持法规合规方面具有基础性作用。患者安全在运营AI采用中扮演了关键角色，特别是在临床部署AI时必须遵循高风险管理标准和错误最小化。

仁慈，强调做好事和提升结果，在系统采用中显著影响，表明采用AI的机构期望在符合伦理意图的情况下实现医疗交付的具体改进。责任，特别是在问责和责任方面，对两个阶段均显示出显著影响，反映了明确治理框架在伦理AI实施中的关键作用。尊严，尽管幅度稍低，仍与两个采用水平保持显著关系，强调在AI驱动的医疗环境中尊重人类价值和身份的重要性。团结，反映集体伦理承诺，在系统采用中更为突出，指出了跨部门共享价值观和包容性AI部署的重要性。

可持续性对两个水平均有意义影响，尤其是在系统采用中，表明机构正越来越多地考虑AI使用的长期伦理和环境影响。最后，冲突或缓解伦理分歧和利益相关者摩擦，与更顺畅的系统AI采用显著相关，强化了在医疗生态系统内管理多样化伦理观点的重要性。

总体而言，这些结果为多维伦理AI采用模型（MEAAM）提供了强有力的实证支持。所有13个自变量均与运营和系统AI采用表现出显著的正面关系。这些发现验证了该模型的前提，即伦理考量并非外围因素，而是成功整合和制度化AI技术在医疗保健部门的核心因素。不同采用水平上的差异化影响进一步强化了根据组织处于操作化阶段还是追求更广泛的系统转型而制定定制伦理策略的必要性。

5. 结论

本研究通过实证调查13个伦理AI维度与AI采用的两个不同水平——运营和系统之间的因果关系，为医疗保健领域中伦理人工智能的日益增长的讨论提供了新的贡献。使用多维伦理AI采用模型（MEAAM）和PLS-SEM方法，本研究确认了诸如透明度、信任、网络安全、正义与公平、自由与自主、隐私、患者安全、仁慈、责任、尊严、团结、可持续性和冲突管理等伦理原则对采用过程的重大影响。

本研究的结果显示，尽管所有伦理变量对两个采用阶段都有正面影响，但其影响力强弱不同。透明度、信任、正义与公平和隐私在两个阶段中显得尤为关键，强调了这些原则在伦理和可持续AI整合中的基础性作用。运营AI采用——专注于临床工作流程中的实施——在很大程度上依赖于如网络安全和患者安全等技术伦理。相比之下，系统AI采用——反映机构一致性和长期整合——更多依赖于如仁慈、团结和可持续性等更广泛的价值观。

通过引入MEAAM，本研究推进了理论理解，通过将AI采用分解为受伦理准备影响的可测量阶段，从而弥合了当前文献中的关键差距。从实践角度来看，该模型为寻求有效分配资源、设计合乎伦理的AI策略并建立长期利益相关者信任的医疗领导者、政策制定者和开发者提供了可行见解。随着AI继续重新定义医疗保健格局，确保采用以稳健的伦理框架为指导不仅是可取的——这是促进负责任和有韧性的创新所必需的。

6. 未来研究

虽然本研究建立了将伦理AI维度与采用结果联系起来的基础实证模型，但未来的研究可以在多个方面扩展。首先，纵向研究可以提供更深入的见解，了解伦理关注在整个AI生命周期中如何演变，从试点实施到全面机构整合。此外，针对各种医疗保健背景下的行业特定调查——例如公共与私人机构或发达国家与发展中国家之间的差异——可以揭示伦理采用实践的变化。研究人员还可以考虑纳入调节变量，如组织文化、监管环境或技术基础设施，以丰富MEAAM框架。最后，定性方法，包括专家访谈或民族志研究，可以通过捕捉患者、临床医生和开发者的细微视角来补充这些定量发现。这些途径共同为推进医疗保健领域伦理AI整合的科学和实践提供了肥沃的土壤。

免责声明（人工智能）

作者特此声明，在撰写或编辑本手稿期间未使用任何生成型AI技术，如大型语言模型（ChatGPT、COPILOT等）和文本到图像生成器。

同意

根据国际标准或大学标准，受访者的书面同意已由作者收集并保存。

伦理批准

不适用。

利益冲突

作者声明不存在利益冲突。

参考文献

Ahmad, M. A., Patel, A., Eckert, C., Kumar, V., & Teredesai, A. (2020, July 6-10). 公平机器学习在医疗保健中的应用。在ACM SIGKDD国际知识发现与数据挖掘会议论文集（第35293530页）。美国加利福尼亚州长滩。
Andorno, R. (2004). 不知情的权利：基于自主权的方法。医学伦理杂志，30(5)，435-439. https://doi.org/10.1136/jme.2002.001578
Bæ røe, K., Miyata-Sturm, A., & Henden, E. (2020). 如何实现值得信赖的人工智能用于健康。世界卫生组织公报，98, 257. https://doi.org/10.2471/BLT.19.237289
Balthazar, P., Harri, P., Prater, A., & Safdar, N. M. (2018). 在大数据、人工智能和预测分析时代保护患者的权益。美国放射学院杂志，15(3)，580-586. https://doi.org/10.1016/j.jacr.2017.11.035
Beil, M., Proft, I., van Heerden, D., Sviri, S., & van Heerden, P. V. (2019). 关于重症监护中预后人工智能的伦理考量。实验性重症护理医学，7(1)，70. https://doi.org/10.1186/s40635-019-0286-6
Cohen, I. G., Amarasingham, R., Shah, A., Xie, B., & Lo, B. (2014). 使用复杂预测分析在医疗保健中的法律和伦理问题。健康事务，33(7)，1139-1147. https://doi.org/10.1377/hlthaff.2014.0048
Cookson, C. (2018, September 6). 科学家警告人工智能面临公众反弹。金融时报。https://www.ft.com/content/0b301152-b0f8-11e8-99ca-68cf89602132
Cruz Rivera, S., Liu, X., Chan, A. W., Denniston, A. K., Calvert, M. J., Darzi, A., Holmes, C., Yau, C., Moher, D., Ashrafian, H., et al. (2020). 包含人工智能干预的临床试验方案指南：SPIRIT-AI扩展。自然医学，26，1351-1363. https://doi.org/10.1038/s41591-020-1037-7
Currie, G., Hawk, K. E., & Rohren, E. M. (2020). 核医学中应用人工智能的伦理原则。欧洲核医学与分子成像杂志，47，748752.

D’Antonoli, T. A. (2020). 人工智能的伦理考量：当前放射学景观概述。诊断与介入放射学，26(6)，504. https://doi.org/10.5152/dir.2020.19279
Fiske, A., Henningsen, P., & Buyx, A. (2019). 你的机器人治疗师现在会见到你：精神病学、心理学和心理治疗中实体人工智能的伦理影响。医学互联网研究杂志，21(5)，e13216. https://doi.org/10.2196/13216
Geis, J. R., Brady, A. P., Wu, C. C., Spencer, J., Ranschaert, E., Jaremko, J. L., Langer, S. G., Kitts, A. B., Birch, J., Shields, W. F., et al. (2019). 放射学中人工智能伦理：欧洲和北美多学会联合声明摘要。放射学，293，436-440. https://doi.org/10.1148/radiol.2019191586

He, J., Baxter, S. L., Xu, J., Xu, J., Zhou, X., & Zhang, K. (2019). 医学中人工智能技术的实际实施。自然医学，25(1)，30-36. https://doi.org/10.1038/s41591-018-0307-0
Kaissis, G. A., Makowski, M. R., Rückert, D., & Braren, R. F. (2020). 医学影像中安全、隐私保护和联邦机器学习。自然机器智能，2，305-311. https://doi.org/10.1038/s42256-020-0186-1
Khan, A. A., Badshah, S., Liang, P., Khan, B., Ahmad, A., Fahmideh, M., Niazi, M., & Akbar, A. (2022, June 13-15). AI伦理：原则和挑战的系统文献综述。在国际软件工程评估与评估会议论文集（第383-392页）。瑞典哥德堡。
Kunapuli, G., Varghese, B. A., Ganapathy, P., Desai, B., Cen, S., Aron, M., Gill, I., & Duddalwar, V. (2018). 肾脏肿块分类的决策支持工具。数字成像杂志，31(6)，929-939. https://doi.org/10.1007/s10278-018-0100-0
Lekadir, K., Quaglio, G., Garmendia, A. T., & Gallin, C. (2022). 医疗保健中的人工智能——应用、风险及伦理和社会影响。欧洲议会研究服务（EPRS）。https://doi.org/10.2861/568473
McDougall, R. J. (2019). 计算机知道最好？医疗AI需要价值灵活性。医学伦理杂志，45(3)，156-160. https://doi.org/10.1136/medethics-2018105118
Morley, J., & Floridi, L. (2019a). 赋权的局限性：重新界定mHealth工具在医疗保健生态系统中的角色。科学与工程伦理。https://doi.org/10.1007/s11948-019-001151

Morley, J., & Floridi, L. (2019b). 启用数字健康陪伴比赋权更好。柳叶刀数字健康，1(7)，e286. https://doi.org/10.1016/S2589-7500(19)30079-2
Nikitas, A., Michalakopoulou, K., Njoya, E. T., & Karampatzakis, D. (2020). 人工智能、交通与智慧城市：新移动时代的定义与维度。可持续性，12(7)，2789. https://doi.org/10.3390/su12072789
Panesar, A., & Panesar, H. (2020). 全球医疗保健中的人工智能和机器学习。在全球健康手册中
(pp. 1-39). https://doi.org/10.1007/978-3-030-05325-3_75-1
Paulus, J. K., & Kent, D. M. (2020). 可预测的不平等：理解和解决算法临床预测可能增加健康差距的问题。NPJ数字医学，3，99. https://doi.org/10.1038/s41746-020-0304-9
Prosperi, M., Guo, Y., Sperrin, M., Koopman, J. S., Min, J. S., He, X., Rich, S., Wang, M., Buchan, I. E., & Bian, J. (2020). 机器学习中因果推断和反事实预测以实现可行动的医疗保健。自然机器智能，2，369375. https://doi.org/10.1038/s42256-020-0197-y
Rajkomar, A., Hardt, M., Howell, M. D., Corrado, G., & Chin, M. H. (2018). 确保机器学习公平性以促进健康公平。内科年鉴，169(12)，866-872. https://doi.org/10.7326/M18-1990
Reddy, S., Allan, S., Coghlan, S., & Cooper, P. (2020). 应用AI于医疗保健的治理模型。美国医学信息学协会期刊，27(3)，491-497.
Séroussi, B., Hollis, K. F., & Soualmia, L. F. (2020). 健康信息学过程的透明性作为医疗专业人员和患者信任和采用的条件：伦理要求的兴起。医学信息学年鉴，29(1)，710.

Starke, G., De Clercq, E., Borgwardt, S., & Elger, B. S. (2021). 计算精神分裂症：

精神病学中机器学习的伦理挑战。心理医学，51，2515-2521.
Tanisawa, K., Wang, G., Seto, J., Verdouka, I., Twycross-Lewis, R., Karanikolou, A., Tanaka, M., Borjesson, M., Di Luigi, L., & Dohi, M., et al. (2020). 运动与锻炼基因组学：FIMS 2019共识声明更新。英国运动医学杂志，54，969-975.
Tran, B. X., Vu, G. T., Ha, G. H., Vuong, Q. H., Ho, M. T., Vuong, T. T., La, V. P., Ho, M. T., Nghiem, K. C. P., Nguyen, H. L. T., et al. (2019). 人工智能在健康和医学领域的全球研究进展：一项书目研究。临床医学杂志，8，360. https://doi.org/10.3390/jcm8030360
Vellido, A. (2019). 医学中应用人工智能的社会问题。肾脏疾病，5，11-17. https://doi.org/10.1159/000492428
Wiens, J., Saria, S., Sendak, M., Ghassemi, M., Liu, V. X., Doshi-Velez, F., Jung, K., Heller, K., Kale, D., Saeed, M., et al. (2019). 不伤害：负责医疗保健的机器学习路线图。自然医学，25，1337-1340. https://doi.org/10.1038/s41591-019-0548-6
Yew, G. C. K. (2021). 护理机器人信任与伦理设计：关怀伦理的案例。国际社交机器人杂志，13，
$629-645$. https://doi.org/10.1007/s12369-020-00653w$

附录

表1. 外部载荷（指标可靠性）

构念	指标	外部载荷
1. 透明度	T1	0.83
2. 信任	T2	0.86
3. 网络安全	CS1	0.81
4. 正义与公平	JF1	0.88
5. 自由与自主	FA1	0.82
6. 隐私	P1	0.85
7. 患者安全	PS1	0.87
8. 仁慈	B1	0.84
9. 责任	R1	0.80
10. 尊严	D1	0.83
11. 团结	S1	0.79
12. 可持续性	SU1	0.82
13. 冲突	C1	0.81

外部载荷表显示，所有13个伦理AI构念的测量项均表现出强指标可靠性，载荷值超过可接受阈值0.70。这表明每个观察项与其各自的潜在构念紧密对齐——如自主性、透明度、正义与公平等——确保模型内的准确表示。高载荷确认测量指标可靠地反映了预期的伦理维度，从而增强了多维伦理AI采用模型（MEAAM）的有效性和精确性。

表2. 构念可靠性和有效性

构念	Cronbach’s Alpha (CA)	综合 可靠性 (CR)	平均提取变异 (AVE)
1. 透明度	0.88	0.91	0.72
2. 信任	0.89	0.92	0.75
3. 网络安全	0.87	0.90	0.69
4. 正义与公平	0.86	0.89	0.68
5. 自由与自主	0.88	0.91	0.73
6. 隐私	0.90	0.93	0.77
7. 患者安全	0.85	0.88	0.66
8. 仁慈	0.89	0.91	0.74
9. 责任	0.87	0.89	0.70
10. 尊严	0.86	0.90	0.71
11. 团结	0.84	0.88	0.67
12. 可持续性	0.88	0.91	0.72
13. 冲突	0.90	0.92	0.76

构念可靠性和有效性表确认MEAAM模型中的所有构念表现出高度内部一致性和收敛有效性。所有构念的综合可靠性（CR）值均超过推荐阈值0.70，表明其测量项之间具有一致性。此外，平均提取变异（AVE）值均高于0.50，表明每个构念解释了其指标一半以上的变异。这些结果证实模型的潜在变量——如自主性、正义与公平、透明度等——定义良好且可靠测量，支持在医疗保健中采用伦理AI的测量模型的稳健性。

表3. 辨别有效性（Fornell-Larcker准则）

构念	JF	Sol	PS	Res	Con	FA	Tru	Dig	Pri	Sec	Ben	Tra	Sus
正义与	$0.85$	0.61	0.58	0.53	0.59	0.64	0.55	0.60	0.62	0.63	0.57	0.59	0.61
公平 (JF)
团结 (Sol)	0.61	$0.87$	0.60	0.56	0.62	0.65	0.58	0.62	0.63	0.61	0.60	0.62	0.64
患者安全	0.58	0.60	$0.83$	0.55	0.60	0.61	0.54	0.57	0.60	0.59	0.58	0.57	0.59
构念	JF	Sol	PS	Res	Con	FA	Tru	Dig	Pri	Sec	Ben	Tra	Sus
:–	:–:	:–:	:–:	:–:	:–:	:–:	:–:	:–:	:–:	:–:	:–:	:–:	:–:
(PS)	0.53	0.56	0.55	$0.82$	0.58	0.60	0.52	0.54	0.56	0.55	0.57	0.58	0.59
责任	0.59	0.62	0.60	0.58	$0.85$	0.65	0.61	0.60	0.63	0.60	0.59	0.62	0.61
(Res)	0.64	0.65	0.61	0.60	0.65	$0.88$	0.63	0.66	0.67	0.65	0.64	0.66	0.67
Con ©	0.55	0.58	0.54	0.52	0.61	0.63	$0.81$	0.58	0.60	0.59	0.57	0.58	0.59
尊严 (Dig)	0.60	0.62	0.57	0.54	0.60	0.66	0.58	$0.86$	0.63	0.64	0.60	0.62	0.63
隐私 (Pri)	0.62	0.63	0.60	0.56	0.63	0.67	0.60	0.63	$0.84$	0.65	0.61	0.62	0.64
网络安全	0.63	0.61	0.59	0.55	0.60	0.65	0.59	0.64	0.65	$0.84$	0.62	0.64	0.66
(Sec)
仁慈	0.57	0.60	0.58	0.57	0.59	0.64	0.57	0.60	0.61	0.62	$0.82$	0.63	0.62
(Ben)
透明度	0.59	0.62	0.57	0.58	0.62	0.66	0.58	0.62	0.62	0.64	0.63	$0.85$	0.65
(Tra)
可持续性	0.61	0.64	0.59	0.59	0.61	0.67	0.59	0.63	0.64	0.66	0.62	0.65	$0.87$
(Sus)

Fornell-Larcker准则结果确认了研究中使用的13个伦理构念之间的强辨别有效性。每个构念的平均提取变异（AVE）平方根，显示在对角线上，大于其与其他所有构念的相关性。这表明每个变量——从透明度和正义与公平到可持续性和以人为中心的价值观——捕捉了伦理AI的一个独特概念维度。缺乏高相互关联性进一步验证了这些构念并未重叠，并对模型作出了独特贡献。这种清晰的构念结构强化了多维伦理AI采用模型（MEAAM）的理论稳健性。

表4. 决定系数（ ${\mathbf{R}}^2$ ）

因变量	${\mathbf{R}}^2$	解释
运营AI采用	0.68	模型解释了运营AI采用中 $67.8\%$ 的方差
系统AI采用	0.72	模型解释了系统AI采用中 $71.2\%$ 的方差

$R^2$ 值表明MEAAM框架内两个因变量具有高水平的解释能力。具体而言，模型解释了运营AI采用中 $67.8\%$ 的方差和系统AI采用中 $71.2\%$ 的方差。这些值表明13个独立的伦理AI构念共同提供了强大的预测能力，确认了伦理考虑在影响医疗保健设置中AI采用的操作和系统阶段的重要作用。社会科学研究中较高的 $R^2$ 值（通常高于0.60）被认为是稳健的，强烈支持MEAAM模型的有效性。

表5. 效应大小（ ${\mathrm{f}}^2$ ）

自变量	${\mathrm{f}}^2$ 值 （运营AI）	${\mathrm{f}}^2$ 值 （系统AI）	效应大小解释
1. 透明度	0.094	0.168	小（运），中（系）
2. 信任	0.072	0.115	小（运），小-中（系）
3. 网络安全	0.087	0.146	小（运），中（系）
4. 正义与公平	0.102	0.122	小-中（运&系）
5. 自由与自主	0.065	0.084	小（运&系）
6. 隐私	0.078	0.133	小（运），中（系）
7. 患者安全	0.069	0.097	小（运），小（系）
8. 仁慈	0.058	0.091	小（运&系）
自变量	${\mathrm{P}}^{\mathrm{a}}$ 值 （运营AI）	${\mathrm{P}}^{\mathrm{a}}$ 值 （系统AI）	效应大小解释
:–	:–	:–	:–
9. 责任	0.110	0.175	中（运&系）
自变量	${\mathrm{P}}^{\mathrm{a}}$ 值 （运营AI）	${\mathrm{P}}^{\mathrm{a}}$ 值 （系统AI）	效应大小解释
:–	:–	:–	:–
10. 尊严	0.092	0.108	小（运&系）
11. 团结	0.083	0.102	小（运&系）
12. 可持续性	0.095	0.151	小（运），中（系）
13. 冲突	0.077	0.138	小（运），中（系）

效应大小量化了特定自变量对因变量的影响。值约为 $0.02=$ 小，$0.15=$ 中，和 $0.35=$ 大。

表6. 预测相关性 $\left({\mathrm{Q}}^2\right)$

因变量	${\mathrm{Q}}^2$
运营AI采用	0.39
系统AI采用	0.44

${\mathrm{Q}}^2$ 值来源于遮蔽程序，衡量模型对每个因变量的预测相关性。大于0的 ${\mathrm{Q}}^2$ 值表示模型对给定构念具有预测相关性，而更高的值表示更好的预测能力。

免责声明/出版商注：本出版物中的声明、意见和数据仅反映个别作者和贡献者的观点，而不代表出版商和/或编辑的观点。该出版商和/或编辑对因参考内容中提到的任何想法、方法、指示或产品而导致的人身或财产伤害不承担责任。

版权（2025）：作者。被许可方为期刊出版商。这是一篇开放获取文章，根据知识共享署名许可（http://creativecommons.org/licenses/by/4.0）发布，允许在注明来源作品的情况下不受限制地使用、分发和复制。

同行评审历史：

本文的同行评审历史可在此处访问：
https://pr.sdiarticle5.com/review-history/135041

参考论文：https://arxiv.org/pdf/2505.02062