[CL]《The Human-AI Hybrid Delphi Model: A Structured Framework for Context-Rich, Expert Consensus in Complex Domains》C Speed, A A. Metwally [Google Research] (2025)
人机混合Delphi模型（HAH-Delphi）：融合生成式AI与资深专家的结构化框架，实现复杂领域中丰富语境的专家共识
• 传统Delphi方法虽具匿名性、迭代反馈和统计聚合等优势，但面临专家面板庞大、参与难度高、结果过于简化、忽略条件性细节等瓶颈，且难以捕捉专家间多样复杂的解释与判断逻辑。
• HAH-Delphi模型创新引入高级生成式AI（Gemini 2.5 Pro），结合小规模资深专家组与结构化主持，AI负责证据检索与汇总，专家专注于经验解读和条件推理，极大降低面板规模和工作负担，保证输出质量与深度。
• 采用四级共识分类（强共识、条件共识、操作共识、分歧）超越传统百分比阈值，融合定量评分与专家理由逻辑，精准区分普适与情境依赖观点，避免假共识。
• 通过七类主题推理框架（覆盖条件性、证据基础、经验、实用性、原则性等），系统编码专家与AI的论证结构，确保多层次逻辑和语境细节得到保留与体现。
• 三阶段验证：回顾性重现历史共识（95%一致）、前瞻性AI-人类对比（95%方向一致，AI缺乏经验与时序推理）、实务应用于耐力与混合力量训练领域（6人资深小组即获90%以上覆盖与主题饱和）。
• 主题饱和定义为所有推理类型覆盖且无新逻辑涌现，确认小规模资深专家足以产出全面、稳定、具条件性的指导原则。
• AI提供基于文献的稳定知识框架，辅助冲突澄清与快速饱和，但无法替代专家的经验洞察与实操判断，特别是在复杂权衡与长期适应性方面。
• 经验较浅参与者虽符合资格但贡献有限，缺乏结构化条件性推理，纳入可能稀释输出质量，强调面板成员需具备实务深度和解释流畅性。
• 单轮Delphi设计结合专家引导与AI辅助，避免多轮高流失风险，实现高效且丰富的认知产出，适合时间受限或快速响应需求场景。
• 模型架构强调AI为辅助而非替代，所有AI内容均限于公开、可信文献库，减少幻觉与偏差风险，保障透明与可复现。
• HAH-Delphi不仅提升共识生成的精度与深度，也为未来AI训练提供了结构化、条件丰富的专家推理数据，有助于打造更具上下文理解力和责任感的AI系统。
• 该模型在健康、运动与绩效科学等复杂、条件多变领域展现出强大适用性，具备推广到临床指南、公共卫生政策及跨学科争议领域的潜力。
• 未来方向包括多领域应用拓展、动态人机交互机制研究、共识影响力的实证追踪及多主持人环境下的可靠性验证。
• HAH-Delphi重新定义专家共识的形式与过程，凸显小规模资深专家与生成式AI协作的价值，推动复杂领域知识治理向更透明、丰富且操作性强的方向发展。
详细解读👉 arxiv.org/abs/2508.09349
人机协作生成式AI专家共识Delphi方法运动科学健康指南人工智能
