知识卡片：CoPlan：面向照护规划的可信协同智能与可争议界面

一句话结论

CoPlan 提出一种让人类照护规划者与多个 AI 智能体协同工作的照护规划界面；AI 生成候选干预措施及支持/质疑论点，人类可在最终方案生成前接受、拒绝、修改或增补论点，从而把 AI 推荐从“固定输出”变为“可检查、可质疑、可修订”。

事件概述或研究问题

该论文于 2026-08-05 在 arXiv 上发布（v1）。AI 辅助照护规划可以帮助临床医生、患者、照护者与照护团队协调复杂的决策，涉及临床、功能、社会心理和环境需求。但现有许多 AI 系统把推荐结果当作固定输出，用户难以在 AI 推荐与临床判断、患者价值观或现实可行性冲突时进行检查、质疑和修改。CoPlan 正是针对这一“人类对 AI 推荐失去控制权”的问题提出的人机协同规划界面。

方法/产品要点

• 多智能体工作流：专门化的 AI 智能体生成候选干预措施，并生成支持或质疑论点。
• 人类参与环节：人类照护规划者可在最终计划生成前接受、拒绝、修改或添加论点，而非被动接受 AI 建议。
• 设计组合：CoPlan 将“协同智能”（co-intelligence，人与 AI 贡献互补专长）与“可争议性”（contestability，推荐保持可检查、可修订、可论证）结合。
• 场景演示：文章以“原居安老/居家养老”（aging-in-place）照护规划为例展示系统。
• 系统能力：支持自适应照护团队招募、基于角色的论点审查、最终照护计划生成，以及通过调度智能体进行后续跟进。
• 标题中的“基于角色的可争议论证图”（Role-Based Contestable Argument Graphs）是核心概念，但摘要未展开其图结构细节，待核实。

主要结果或产业意义

• 从摘要看，论文的主要成果是提出 CoPlan 界面，以及“可信人机协同照护规划”的设计框架，并通过 aging-in-place 场景进行演示。
• 摘要未报告定量评估结果、用户研究或临床应用数据，因此实际效果待核实。
• 产业意义：对医疗和照护类 AI 产品设计有参考价值，尤其是“人类保留最终决定权”“AI 推荐可被质疑”的交互方式。具体产业化可行性需更多信息。

为什么重要

• CoPlan 强调人类能动性（human agency）和临床问责性（clinical accountability），尝试解决 AI 在照护决策中“黑箱推荐、难以纠偏”的信任问题。
• 它将“可争议性”作为 AI 系统设计目标，让医护团队不只接受 AI 输出，而是可以审查和修改推荐，这对高风险、多角色参与的照护场景很有意义。
• 与只关注算法性能的论文不同，本文的贡献落在交互界面与设计框架层面，提供了“可信人机协同智能”的一种可操作示例。

局限与不确定性

• 本卡片仅基于 arXiv 摘要和元数据，未获取全文；以下信息待核实：具体智能体架构、论点图构建方式、角色权限设计、调度智能体实现、评估指标与实验数据。
• 摘要未说明系统如何处理隐私、安全、伦理审查，以及与电子健康记录或医院系统的集成；待核实。
• “临床问责性”在具体操作中如何落地，例如责任归属和人机争议仲裁，目前未在摘要中说明；待核实。
• 演示场景是 aging-in-place，能否推广到急性期照护、医院内多学科团队等场景仍需验证；待核实。

可用于图书/PPT/简报的角度

• 案例：让 AI 不仅给答案，还接受“质疑和修改”——用 CoPlan 展示可争议的人机协同界面。
• 观点图：基于角色的支持/挑战论点可以作为“AI 如何展示理由”的可视化示例。
• 设计原则：人类决策者应保留对 AI 建议的接受、拒绝、修改权，尤其在高风险照护场景。
• 应用场景：以“原居安老”为例，展示临床、功能、社会心理和环境需求如何通过人机协同进行照护规划。

与既有脉络的关系

• 本卡片与已有相关卡片（自动驾驶规划、LLM 推理调度、抑郁症筛查）无直接重叠。
• 增量信息主要体现在“照护规划中的 AI 可争议性”与“人类在决策环中的保留角色”，为可信 AI 人机协同界面提供了一个可引用实例。

原始材料

• 英文标题：CoPlan: A Trustworthy Co-Intelligence Interface for Care Planning through Role-Based Contestable Argument Graphs
• 英文关键词：CoPlan; co-intelligence; contestability; care planning; role-based contestable argument graphs; human-AI collaboration; aging in place
• arXiv ID：2608.05107v1
• 来源 URL：https://arxiv.org/abs/2608.05107v1
• PDF URL：https://arxiv.org/pdf/2608.05107v1
• 作者：Hung Truong Thanh Nguyen, Hélène Fournier, Piper Jackson, Makoto Itoh, Shannon Freeman, Rene Richard, Hung Cao
• 发布时间/更新：2026-08-05T17:43:51Z
• 分类：cs.AI (Primary), cs.MA, cs.SE