我们的研究方法
将拥有 75 年历史的 Delphi 方法与多模型 AI 共识相结合的系统化方法 — 透明、可重复，专为研究人员而建。
Delphi 方法
Delphi 方法由 RAND 公司的 Dalkey 和 Helmer 于 1963 年提出。75 年来，它已在超过 10,000 项已发表的研究中被使用，以在独立专家间达成可靠共识。
Delph-AI 将这种经验证的方法论应用于由 AI 驱动的系统综述筛选。我们将大语言模型引入到专家小组中 — 同样的严谨性，更快的结果，且由您完全掌控。
已发表的研究
Dalkey & Helmer, RAND 公司, 1963
筛选管道
反映系统综述方法学最佳实践的六步流程
数据录入
从 PubMed、Scopus、Web of Science 或任何数据库导入参考文献。跨数据源自动去重。
标准定义
用通俗语言设置排除和特征化标准。AI 助手使用 PICO 框架帮助完善它们。
独立评估
多个 AI 模型独立地根据每个标准评估每条记录 — 然后针对每一项分歧进行专家共识。
共识计算
一致率衡量所有模型间的共识。遇到分歧时会突出这些不确定的案例供人工审查。
名单生成
获取按一致率排名的证据短名单，并附有完整的审计追踪 — 每个模型、每一票、每个理由均可追溯。
版本控制
更改哪些标准是排除标准以生成新的短名单，而无需重新运行筛选。每个版本都是不可变的、可对比且可审计的。
每一步皆透明
每次筛选都对 AI 的决策过程拥有完全的可见性 — 遵循《欧盟 AI 法案》第 50 条透明性原则构建
40 个 AI 模型，8 家提供商
从 GPT-4o 到 Gemini Pro 再到 Claude — 每个模型均独立评估。您能看到哪些模型审阅了每条记录，它们的投票以及原因。
一致率
共识是量化出来的，而非假定的。所有选定模型的共识率决定是否纳入 — 没有任何单一模型可以单独作决定。
完全可重复性
为可重复性而建：通过固定种子和零温度最大化一致性。全审计追踪 — 每个版本都不可变且可审计。没有黑盒。
人类始终拥有决策权
AI 负责优先排序和解释。研究人员拥有最终发言权。Delph-AI 是增强您判断力的工具 — 它绝不取代它。